跳到正文

#DeepMind

RSS
今日 0 則
11月1日週日
  1. Dev.to Top Tech75

    代理完成任務卻同時刪除實驗

    代理在長期任務中往往會在早期犯錯,卻很少自行修正,導致後續步驟仍看似正確。 - 資料來源:UCLA、Google Research、Google DeepMind、NYU 收集 2,518 條真實代理軌跡,涵蓋 SWE‑bench、TerminalBench、BixBench 三個領域。

10月31日週六
10月30日週五
10月29日週四
10月28日週三
10月27日週二
10月26日週一
10月24日週六
10月22日週四
  1. Google DeepMind79

    全球10米解析度森林型別地圖:超越樹冠覆蓋

    ForTy 2020 是 Google DeepMind 與 Google Research 於 2026 年發布的全球 10 米解析度森林型別地圖,將每個 10×10 米地塊劃分為六種森林與土地利用類別。

    推薦理由:此研究提供全球10米解析度森林型別地圖,為 EUDR 合規與碳管理提供可操作基準,並揭示自然森林被轉為種植園的隱形變化。

10月20日週二
10月17日週六
10月16日週五
10月15日週四
  1. Hacker News (official RSS)45

    How to Train Your Robot

    summary_zh: 機器人訓練的關鍵在於大量正確操作的範例,而目前最常用的資料來源是人類透過遠端操作收集的資料。 - 資料規模:自 2010 年代初起,AI 語言模型訓練資料每六個月翻倍,今日大型模型使用數萬兆 token;GPT‑3 以 300 B token 訓練;2024 年估計可用文本資料約 300 T token,但機器人訓練資料幾乎不存在。

10月14日週三
  1. Google DeepMind78

    Gemini 4 Argon:面向複雜任務的多模態推理模型發布

    Gemini 4 Argon 已正式發布,提供 1M token 限制的多模態推理能力,助力工程、金融、法律等領域解決複雜任務。 - 核心特性:多模態推理、深度編碼、長期推理 1M token,支援多步驟任務。

    推薦理由:Gemini 4 Argon 以多模態推理為核心,突破工程、金融、法律等領域複雜任務,並在多項基準上領先同類模型,為企業與研究者提供可落地的效能提升,並開放 API 供開發者快速整合,實現 1M token 限制,支援長期推理。

  2. Google DeepMind73

    Gemini 4 Argon 發布機器人專用版

    Gemini 4 Argon 在 ERQA 取得 87% 分數,顯示其在物理推理、機器人控制與即時模擬重建方面的突破。 - ERQA 成績:87%,超越所有前沿模型,證明其在 3D 空間物理推理的領先地位。

    推薦理由:Gemini 4 Argon 在 ERQA 取得 87% 分數,顯示物理推理能力大幅提升,為機器人控制與模擬重建帶來新工具,並可輕鬆整合至開發工作流。

10月12日週一
10月10日週六
10月9日週五
10月8日週四
10月7日週三
  1. Demis Hassabis (@demishassabis)63

    Google DeepMind 成功合成 AI 設計水印蛋白,證明 AI 在生成式生物學中的可行性。 - 核心成就:AI 設計的蛋白質不僅功能完整,還嵌入可識別的水印。 - 技術關鍵:透過生成式模型設計蛋白質結構,並加入水印機制。 - 潛在應用:藥物研發、合成生物學與生物安全等領域可受益。 - 未來展望:此概念驗證將促進合成生物學實驗的可擴充套件性。

10月3日週六
10月2日週五
  1. MIT Technology Review · AI31

    不要被誤導——LLMs 並不具備推理能力

    summary_zh: AlphaGo 透過結合政策網路與搜尋機制,展示了真正的推理能力,而現今的大語言模型僅靠連續 token 預測,缺乏明確的推理機制。 - AlphaGo:政策網路預測人類高手行動,搜尋機制構建數千分支的棋局樹,結合直覺與深度推理。

10月1日週四