Anthropic放手，亚马逊想买！帮AI「换芯片」的Decart，凭什么值70亿美元？（在新窗口打开）
亚马逊正洽购AI公司Decart，潜在估值约70亿美元；Anthropic曾在约60亿美元交易谈判后放弃推进，Decart的DOS可适配多厂商芯片并提升AI训练与推理效率。
搜索
关于“ECA”的结果
共 18 篇
让大模型多模态检索全面超越SOTA！ReCALL框架化解生成式与判别式的范式冲突｜CVPR'26（在新窗口打开）
生成式模型当检索器大材小用效果还不好？ 当多模态大模型（MLLM）凭借强大的图文理解与逻辑推理能力成为AI领域的核心抓手，将其应用于图像检索尤其是组合图像检索（CIR）任务，本应是降维打击的最优解。 然而现实却相悖：把生成式大模型强行改造为判别式检索器后，模型会出现严重的能力退化，连原本100%能精准解决的问题都频频出错，生成式与判别式的范式冲突，成为大模型向检索领域落地的核心壁垒。 如今，这一行业难题被AI国家队紫东太初团队联合新加坡国立大学成功攻克。其最新研究成果ReCALL框架，凭借独创的“诊断-生成-校准”闭环体系，从根本上解决了大模型从生成式到判别式的范式冲突问题，让大模型在保留原生
全面战胜ReAct！斯坦福全新智能体推理框架，性能提升112.5%（在新窗口打开）
斯坦福和MIT的研究团队推出了一种新的AI智能体推理框架ReCAP，在长上下文任务中全面超越了现有的主流框架ReAct，性能提升显著。ReCAP通过独特的递归树结构和三大机制，解决了大语言模型在复杂任务中常见的目标漂移、上下文断层和成本爆炸等问题。
协同加速，多机器人协作不再「慢半拍」！软硬一体化框架ReCA破解具身智能落地效率瓶颈（在新窗口打开）
为了打破这一僵局，来自佐治亚理工学院、明尼苏达大学和哈佛大学的研究团队将目光从单纯的「成功」转向了「成功且高效」。他们推出了名为 ReCA 的集成加速框架，针对多机协作具身系统，通过软硬件协同设计跨层次优化，旨在保证不影响任务成功率的前提下，提升实时性能和系统效率，为具身智能落地奠定基础。
“最强具身VLA大模型”，究竟强在哪儿？（在新窗口打开）
看似轻描淡写，实则力透纸背。 Physical Intelligence刷屏全网的机器人基础模型π*0.6，一亮相就秀出了实力： 让机器人连续一整天制作意式浓缩咖啡，数小时不间断折叠各类衣物，还能精准组装工厂所需的包装纸箱。 在π*0.6的加持下，这些任务的成功率都达到了90%以上。 然而，仔细阅读论文就会发现，比起连做13个小时咖啡，π*0.6真正的突破在于引入了一种更直觉的学习方法——Recap： 指导：用人类示范教它基础动作辅导：纠错指导让它修正错误练习：从自主经验中不断优化、变得更强 这彻底扭转了过去机器人只会逼近 “真值” 的模仿学习模式，让机器人能从自己的错误中成长。 就连网友也直
当AI幻觉开始操作电脑：深大、港科大提出ECA，让Agent行动前先验证证据（在新窗口打开）
让 AI 帮忙发一封邮件，它可能把正文写得妥帖、附件整理得齐全，最后却发错了人。
Milvus HNSW 量化索引选型指南：从 SQ、PQ、PRQ 到 Refine 实测（在新窗口打开）
在 Milvus 里，HNSW 通常用于追求较高 Recall 的向量检索。
角色离场再回来，AI就换了个人？浙大、港大开源轻量化记忆路由器（在新窗口打开）
浙大与港大团队开源轻量化记忆路由器LayerRecall，通过选择性检索历史记忆并仅注入对长程信息敏感的特定DiT层，解决长视频生成中角色离场再返回时身份与属性丢失的问题，在MemoBench和MovieBench评测中取得Overall第一，且约6.6MB的路由权重可零再训练迁移至其他视频生成骨干。
生物学的EDA时刻来了！（在新窗口打开）
2025 年 12 月，OpenAI 联合多家实验室发布了一份湿实验室报告。报告给出了一个令人振奋的核心结论：GPT-5 通过多轮迭代，自主优化了一个分子克隆方案，效率提升了 79 倍。它提出了一种此前从未被报道过的酶组合——RecA 重组酶与噬菌体 T4 的 gp32 蛋白协同作用，让 DNA 末端配对效率大幅跃升。
速递｜印度AI电话助手Equal AI融资3000万美元，月活破百万，可代接骚扰电话（在新窗口打开）
在印度，消费者每天会接到大量电话，从骚扰电话、诈骗电话，到送货员和金融服务公司的联系，种类繁多。虽然有 Truecaller 等应用以及政府的来电姓名显示（CNAP）系统可以识别来电者身份，但仅知道对方姓名往往不够。因此，Equal AI 正在开发一款助手，能够代你接听电话、收集信息，并告知你对方来电的原因。