砺睿微曝光智算中心 RISC-V 芯片珠峰 200
相关推荐
达摩院玄铁出席RISC-V中国峰会,首发车规产品路线图
10月19日,RISC-V中国峰会在深圳举行。作为开源CPU指令集架构,RISC-V正快速追赶X86和Arm,并进入AI、服务器、车载等高价值领域。阿里巴巴达摩院在会上透露,玄铁RISC-V处理器通过架构创新、软件兼容与生态合作,显著提升在Agentic AI和服务器等领域的表现,推动高性能RISC-V从“可用”到“可靠”,迈向大规模量产落地。同时,发布面向自动驾驶和具身智能的处理器产品路线图,推动RISC-V进入全新领域。
千问将推出 Personal Agent「千问 Go!」支持云端代办事务
ChainCatcher 消息,据硬 AI 报道,千问即将推出 Personal Agent 产品「千问 Go!」。在用户分享的体验视频中,该产品可进入机票预订平台查找延误航班,与客服多轮交涉后为用户争取到 70 元现金赔付;亦可在淘宝中翻找满足价保条件的订单,为用户追回 52 元差价。报道称,基于 Agent 架构,千问 Go 升级了办事范围,能够处理需要反复查看、沟通和筛选比较的事务,首批应用场景还包括汽车保养询价预约、运动场地预订,以及结合补贴、旧机回收和送装费用计算冰箱到手价等。该产品采用云端运行环境,在用户关闭 App 后仍可继续工作,任务执行中需根据结果判断下一步操作,如更换入口、平台或沟通方式。美银 10 月 7 日研究认为,Agent 帮助用户更顺畅完成任务和购买,有望扩大整体在线活动。摩根士丹利预计,偏向个人的中国消费 AI 可变现市场到 2030 年约为 3000 亿元,2040 年可能达 1.6 万亿元,主要收入来自广告和交易佣金。花旗 10 月 6 日上调 CPU 市场预测,预计全球 CPU 市场规模将从 2025 年的 290 亿美元增长至 2030 年的 3000 亿美元。
Pi正式接入OSC 7501,Agent状态不用终端再猜
动察 Beating AI 快讯,Ghostty 作者 Mitchell Hashimoto 最近提出新的终端状态协议 OSC 7501。它让程序主动告诉终端自己正在工作、等待用户、已经完成还是出错,不用终端再从屏幕内容里判断。Rex 已经有初步支持,现在开源 Coding Agent Pi 也在 1.1.0 版本正式接入。 Pi 启动时会先询问终端是否支持 OSC 7501,确认支持后才发送状态。Agent 运行或压缩上下文时会报告 working;需要用户处理对话框或登录时是 blocked;任务结束是 done;无法重试的错误是 error;用户主动取消后则回到 idle。 Pi 不会把 prompt 或模型输出发给终端。状态消息只会附带会话名、对话框标题或错误首行等必要信息。
Cua Driver给Agent补上「眼睛」:纯像素界面也能识别按钮和文字
动察 Beating AI 快讯,开源 Computer Use 工具 Cua 给 Cua Driver 加入可选的 Perception 视觉扩展。Driver 原本优先通过网页结构和系统无障碍树找按钮。遇到 Canvas、游戏、远程桌面或自绘应用时,这些结构可能为空。Perception 会直接读取截图,把画面拆成带文字、类型和位置的区域,供 Agent 继续操作。 首版用 OmniParser 识别图标和控件,用 PP-OCR 读取文字。整个解析过程在本机 CPU 完成,不需要 GPU,也不把截图发到网络。官方实测单张截图在 macOS 约需 2 至 2.5 秒,Linux 为 3.5 至 4 秒,Windows 为 8 至 9 秒。它主要在页面结构和无障碍树失效时兜底,不会默认每一步都跑视觉解析。 Cua 还限制了视觉操作对旧截图的复用。每次视觉识别都会绑定当前截图的 `capture_id`,随后点击必须来自同一张截图。截图超过 60 秒,或者已经执行过一次操作,Driver 就会拒绝继续使用,避免界面变化后还拿旧坐标误点。 Cua 过去其实已经能通过 `cua-som` 和 OmniParser 做视觉定位。现在这套能力被直接接进 Cua Driver,上层 Agent 可以通过统一接口拿到识别结果。即使模型本身不会看图,也可以根据这些文字和区域信息决定下一步操作。 Perception 不是默认组件,其中 OmniParser 检测器采用 AGPL-3.0;Cua Driver 仍保持 MIT 协议。
144M参数就能做Agent决策,Julia-1连安卓平板都能跑
动察 Beating AI 快讯,AI 实验室 Supersonic Labs 发布一款只有 1.443 亿参数的轻量决策模型 Julia-1。它不生成长文本,而是接收上下文、问题和 2 到 20 个候选答案,直接完成分类、打分和是非判断,可以给 Agent 选工具、做路由或决定下一步动作。 Julia-1 基于多语言编码模型 mmBERT-small 开发,模型权重约 550MB,主打低硬件门槛。官方已经在 Apple M4、Intel i5-1235U 和三星 Android 平板上完成测试。M4 单次决策中位延迟约 33ms;三星平板只用 CPU 运行时约 203ms,进程峰值内存约 393MB。 在官方公布的 4 组 Jev 对比测试中,Julia-1 赢了 3 组。Typed Decisions 为 73.15%,Jev 参考成绩为 72.70%;AG News 为 94% 对 91%;情绪分类为 86% 对 48%。但在包含 72 个类别的 Banking77 上,Julia-1 只有 64%,明显低于 Jev 的 87%。官方称,候选类别太多且彼此相似时,目前的分组筛选可能提前丢掉正确答案。 Julia-1 的云端 GPU 训练和实验总成本只有约 104 美元。模型权重、运行代码、完整评测和来源记录均已开放,采用 Apache 2.0 许可。官方还在开发 API,计划按每百万输入 token 0.025 美元收费;由于模型只做判断、不生成长文本,输出 token 不收费。
梁文锋署名DeepSeek发新论文,剑指大规模Agent训练
PANews 9月23日消息,据新浪财经报道,DeepSeek创始人梁文锋署名的最新论文公开,首次系统发布了 DeepSeek的Agent 训练沙盒平台DSec(DeepSeek Elastic Compute)的技术细节,作者名单超过130人,梁文锋在列。论文显示,DSec平台的规模非常庞大,其中一个生产单元由约:160个CPU节点、3万核、250TB内存构成,托管PB级镜像。能力方面,DSec平台单日服务约300万个沙盒,峰值并发超过38万个,创建速度超过每秒5000个,单个训练任务最多可以一次性拉起3.2万个沙盒。