愛AI工具庫每日實時更新AI行業的最新資訊、新聞、熱點、融資、產品動態，讓你隨時了解人工智能領域的最新趨勢、更新突破和熱門大事件。
愛普生AI打印機首發AI作文批改、AI口算批改、AI錯別字批改三項功能，接入了豆包企業版大模型、漢王天地大模型。
鈦媒體以iPhone Air為開端，蘋果開啟全新革新周期。
鈦媒體GPT-5 真不愧是博士水平的 AI！在數學教授引導下，它首次將定性的第四矩定理擴展為帶有顯式收斂率的定量形式。簡單來講就是，原來的定理僅說明收斂會發生，卻沒有給出具體速度，而借助 GPT-5，這項研究首次明確了收斂速率。OpenAI 聯合創始人 Greg Brockman 對此表示甚是欣慰。網友同樣表示，真是奇跡。借助 GPT-5 解決第四矩定理的定量收斂率上個月，OpenAI 研究人員 Sebastien Bubeck 稱，GPT-5 Pro 在數分鐘內解決了凸優化領域的一個開放性問題，將已知的邊界值從 1 / L 改進為 1.5 / L。受此啟發，三位數學教授在 Malliavin–Stein 框架下開展了一項對照實驗。目標在于考察 GPT-5 能否突破既有成果，將定性的第四矩定理推廣為帶有顯式收斂率的定量形式，并涵蓋高斯情形與泊松情形。首先，研究人員從以下初始提示開始：論文 2502.03596v1 建立了一個定性的第四矩定理，適用于兩個 Wiener–It? 積分（階數分別為 p 和 q）的和，其中 p 和 q 的奇偶性不同?；?Malliavin–Stein 方法（具體可參見 1203.4147v3），你能否推導出一個針對總變差距離的定量版本，其收斂速率僅依賴于該和的第四階累積量？(具體分析步驟已省略，感興趣的讀者可閱讀原論文。)第一次互動效果非常顯著，GPT-5 給出了總體正確的結論，并采用了恰當的工具和方法。然而，它在推理過程中出現了錯誤，導致的表達式不正確，如果不加以糾正，可能會使整個證明失效。發現這一點后，研究者隨后提出了新的問題：你能檢查一下你給出的公式，并提供詳細推導嗎？GPT-5 照做了，提供了所需的詳細信息。然而，公式依然不正確，附帶的解釋也有誤。隨后，研究人員更準確地指出了其中的錯誤：我認為你在聲稱時有誤。為什么會是這樣呢？GPT-5 最終承認該說法是錯誤的。但更重要的是，它理解了錯誤的來源。隨后，繼續給出了正確的推理過程和公式。隨后，應研究者的要求，GPT-5 將最終結果整理成論文的格式，包括引言、主要定理的陳述、完整且正確的證明過程，以及參考文獻。具體提示語如下：請將此整理成一篇可投稿的研究論文，遵循我的風格（見附帶論文 0705.0570v4）：以引言開始，提供一定的背景信息；接著陳述主要結果，并給出非常詳細的證明，確保每一步都完整；最后附上完整的參考文獻。最終文檔應為一個可編譯的 LaTeX 文件。最后，研究人員還讓它增加一個結論部分，討論該結果在未來研究中可能的拓展方向。你能添加一個“結論與展望”部分嗎？在其中總結主要內容，并提出未來研究可能的方向或拓展思路。GPT-5 依舊很聽話，提出這個方法甚至可以推廣到非高斯框架中。擴展到泊松情形基于這一建議，研究人員決定繼續深入研究，嘗試將其推廣到泊松情形。由于這時研究者發現上下文窗口已經相當長，可能會影響其性能，于是他們開啟了一個新對話，并使用了如下提示：這里有一篇論文（2502.03596v1），證明了兩個奇偶性不同的 Wiener–It? 積分之和的第四矩定理。我希望你能將其推廣到泊松情形，使用論文 1707.01889v2 中包含的思路。在這個新對話中，GPT-5 很快就識別出了泊松情形與高斯情形的結構性差異，提出：當 X 和 Y 是不同階的泊松積分時，混合期望不一定為零。但同時，它也完全忽略了一個重要事實，就是即使在泊松情形下，也仍然有。隨后，研究者試圖通過提問來引導 GPT-5 進入正軌。在論文 1707.01889v2 中，難道沒有任何內容可以表明總是非負的嗎？但是，由于研究者問的問題是開放性的，這還不足以觸發正確的思路。GPT-5 非常自信地回答道：“沒有”，隨后給出了一個不太令人信服的解釋。然而，一旦研究者指出具體信息:那 (2.4) 呢？GPT-5 就能立刻將非負性考慮進去，并在研究者提出問題后，重新表述了定理。One More Thing有趣的是，作者最開始想將 GPT-5 列為共同作者提交論文，幾個小時后，arXiv 告訴他們，政策禁止將 AI 列為作者。最后，他們只能提交作者列表中不含 GPT-5 的論文。論文鏈接：https://arxiv.org/pdf/2509.03065v1參考鏈接：[1]https://x.com/gdb/status/1964474141295464675[2]https://www.linkedin.com/posts/ivan-nourdin-61698a131_mathematical-research-with-gpt-5-activity-7368607852220805120-qLJA/?utm_source=share&utm_medium=member_desktop&rcm=ACoAAAzTDtoBh8KeVDRAqwRd0mUwfVpwfyirm80[3]https://arxiv.org/abs/2502.03596[4]https://arxiv.org/pdf/1707.01889本文來自微信公眾號：量子位（ID：QbitAI），作者：時令，原標題《真?博士水平！GPT-5 首次給出第四矩定理顯式收斂率，數學教授只點撥了一下》
IT之家9 月 10 日，據外媒 9to5Google 報道，谷歌今天推出了新的訂閱服務“AI Plus”，旨在讓新興市場用戶以更低成本更高效地使用谷歌 AI。AI Plus 位于免費版和 AI Pro 之間，后者在美國的月費為 19.99 美元。訂閱者將獲得更多對 Gemini 2.5 Pro 的訪問權限，作為對比，免費用戶每天僅能使用五次提示。谷歌尚未公布 AI Plus 的具體使用限制。參考來看，AI Pro 每天提供 100 次提示，AI Ultra 為 500 次提示。Gemini 應用的上下文窗口為 128K token，高于免費用戶的 32K，但低于滿額的 100 萬 token。AI Plus 還包括預計集成在 Gemini 應用中的 Veo 3 Fast，并額外提供對 Google Flow 視頻制作工具和 Whisk 圖轉視頻工具的訪問。用戶還能在 Gmail、Google Docs 和 Sheets 中使用 Gemini 側邊欄，并獲得 NotebookLM 的擴展使用權限。不僅如此，訂閱者還可獲得 200GB 的 Google One 存儲空間。目前，AI Plus 僅面向新興市場，首先在印尼上線，其他國家將隨后推出。印尼市場中，AI Pro 月費為約 18.79 美元，AI Plus 月費為約 4.56 美元（IT之家注：現匯率約合 32.5 元人民幣）。
IT之家9 月 10 日，英偉達今日宣布推出新產品 Rubin CPX，這是一款專為大規模上下文處理而設計的專用 GPU，涵蓋了像大規模編碼和生成視頻這樣要求高的工作。該硬件旨在將理解 AI 提示的任務與生成響應的任務區分開，英偉達表示，這將使整個過程對客戶的效率更高。該新硬件預計將作為較大的 Vera Rubin 平臺的一部分工作，該平臺同時集成了 Vera CPU 和 Rubin GPU。英偉達聲稱全機架版本 Vera Rubin NVL144 CPX 擁有 8 exaflops 的 AI 性能。IT之家從英偉達新聞稿獲悉，獨立的 Rubin CPX GPU 包含 128GB 的 GDDR7 顯存。英偉達承諾，新硬件具有 3 倍的 attention capabilities，并使用公司的 4-bit NVFP4 精度提供 30 petaflops 的計算能力。英偉達 CEO 黃仁勛將 Rubin CPX 與 RTX 進行了比較，他說：“正如 RTX 革新了圖形和物理 AI，Rubin CPX 是首款專為大規模上下文 AI 設計的 CUDA GPU，能夠在同一時間推理跨越數百萬個知識符號的模型?！彼€試圖量化客戶的投資回報，提到部署新硬件的 1 億美元投資可以產生 50 億美元的收益。英偉達表示，該硬件將得到其完整軟件棧的支持，包括 Nemotron —— 其一系列開放的多模態模型，專為構建企業級 AI 代理（旨在自主處理復雜任務的系統）而設計。Nemotron 模型提供不同尺寸，從 Nano 用于設備端應用，到 Super 用于單 GPU 設置，再到 Ultra 用于大型數據中心。英偉達表示，預計 Rubin CPX 將于 2026 年底推出。
IT之家鈦媒體9 月 10 日，谷歌為其 Veo 3 AI 視頻生成工具新增了 1080P 分辨率與豎屏視頻格式支持。據谷歌開發者博客公告顯示，Veo 3 及簡化版模型 Veo 3 Fast（后者生成速度更快、成本更低，但視頻質量相對較低）現已支持生成 9:16 比例視頻，該比例更適合在移動設備及社交媒體應用中展示。博客指出，開發者只需在 API 請求中將“aspectRatio”參數設為 9:16，即可啟用豎屏視頻功能，這意味著該特性主要面向開發支持 Veo 3 視頻生成功能應用的開發者。此次更新還允許開發者將生成視頻的分辨率從之前的 720P 提升至 1080P，但據報道，目前 1080P 分辨率僅支持 16:9 比例的視頻。谷歌同時表示，已讓 Veo 3 與 Veo 3 Fast“達到穩定狀態，可通過 Gemini API 投入規?；a使用”，且降低了開發者使用這兩款工具生成視頻的成本。其中，Veo 3 的生成費用從每秒 0.75 美元降至 0.40 美元（IT之家注：現匯率約合 2.8 元人民幣），Veo 3 Fast 則從每秒 0.40 美元降至 0.15 美元（現匯率約合 1.1 元人民幣）。其實豎屏視頻格式支持的推出并不意外，谷歌今年 6 月曾宣布，“今年夏末”將在 YouTube Shorts 中加入 Veo 3 支持。而向開發者開放該格式支持，意味著未來 TikTok、Instagram Reels 等更多豎屏視頻平臺上，可能會出現大量由 Veo 3 生成的內容。
IT之家國產自研開源模型，讓模型不用在快思考和慢思考間二選一了！華為最新發布 openPangu-Embedded-7B-v1.1，參數只有 7B，卻身懷雙重“思維引擎”。要知道，長期以來，大模型快思考與慢思考模式不可兼得，這成為業界的一大痛點。在當前大模型混戰中，各家巨頭都在尋求破局之道，但此前開源領域一直缺乏一款可自由切換快慢思維模式的模型。要快，還是要慢？AI 在面對不同難度的問題時也有“選擇困難癥”。而現在，openPangu-Embedded-7B-v1.1，通過漸進式微調策略和獨特的快慢思考自適應模式，既支持手動切換“快思考”或“慢思考”模式，也能根據問題難度自動在兩種思維模式間無縫轉換。簡單問題它秒答如飛，復雜任務它深思熟慮，一舉填補了開源大模型在這一能力上的空白，讓效率與準確率實現雙贏。在通用、數學、代碼等多個權威評測中，該模型精度相較于此前模型大幅提升，且引入模式自動切換并沒有犧牲精度。在 CMMLU 等基準中，openPangu-Embedded-7B-v1.1 保持精度的同時，平均思維鏈長度縮短近 50%。模型現已在 GitCode 開源。所以，openPangu-Embedded-7B-v1.1 究竟是如何做到的？華為盤古團隊在模型訓練策略上又有哪些創新？漸進式微調策略：像人一樣“進階”學習眾所周知，大模型往往需要海量訓練才能具備強大的推理能力。然而，openPangu 團隊并未采取一味“填鴨式”的訓練方式，而是采用了一種漸進式微調（SFT，Iterative Distillation）策略，模擬人類逐步進階的學習過程。通過精心設計的迭代訓練，讓模型在每一步都處于“適度挑戰”的學習區間，能力穩步提升。具體來說，團隊將漸進式微調劃分為三個循序漸進的階段，每一步都讓模型獲得針對性的提升：第一步：合理選題，保持適度挑戰在每一輪訓練迭代中，模型會根據自身當前能力對候選訓練樣本進行難度評分，優先挑選難度適中、不偏易也不偏難的題目來訓練。這樣確保模型始終在與能力相匹配的挑戰中學習，既不會因過于簡單停滯不前，也不會因過難而無法收獲，步步為營拓展能力邊界。第二步：歸納總結，穩固已有知識完成一輪訓練后，產生的多個模型版本（不同檢查點）不會簡單取舍，而是通過參數增量融合（inter-iteration merging）合并成統一的模型。這一步相當于將新學到的知識與原有能力進行“匯總融合”，讓模型的認知更加穩固，避免遺忘過去學到的本領。第三步：持續提升，擴展能力邊界隨著上述循環不斷進行，模型積累的知識與技能越來越豐富，自身能力水漲船高，能夠勝任更復雜的數據訓練。這時，它進入了更高水平的“拉伸區”，可以挑戰此前無法解答的難題。模型能力的提升又反過來推動下一輪更高難度的數據選擇，形成一個不斷進化的良性循環。通過這樣的漸進式訓練方式，openPangu-Embedded-7B-v1.1 不再是被動接受知識的“填鴨式”學習者，而是化身為一個能夠持續進化的學習者。實驗結果表明，這一策略讓模型的推理過程更加穩定，泛化表現更加強勁?？炻赃m應機制：兩階段課程，從“手動擋”進階“自動擋”相比之前開源的 openPangu-Embedded-7B-v1，此次開源的 openPangu-Embedded-7B-v1.1 模型最大的亮點，就是引入了獨特的快慢思考自適應模式，使得模型可以自動根據任務難度選擇使用快思考還是慢思考進行解答。相比 4 月先行披露的技術報告，團隊的快慢思考切換訓練方案進行了大幅升級，不但從方案上演進為了數據質量驅動的學習策略，快慢思考切換的范圍也從數學任務擴展到了一般任務。第一階段：教會模型區分快慢。在這個“低難度課程”階段，研究團隊首先通過數據構造，讓模型明確什么是“快思考”、什么是“慢思考”。他們精心構建了一個混合訓練數據集：在用戶提問（Prompt）中附加特殊的標識符，直接告訴模型該用快思考還是慢思考來回答。通過在這個帶有明確指示信號的數據上訓練，模型學會將特定輸入模式與對應的思維方式、回答風格建立關聯。可以說，這一步猶如給模型裝上“手動變速箱”，明確劃定了兩種思考模式的界限，是一堂扎實的“熱身課”，確保模型具備基本的快慢思維切換意識。第二階段：自主學會切換。當模型已經掌握了顯式控制的本領后，就進入更具挑戰性的“進階課程”。這一階段不再提供外部快 / 慢提示，而是要求模型根據問題本身自行判斷何時該快、何時該慢。從簡單樣本過渡到復雜樣本，團隊設計了一套數據質量驅動的自優化訓練策略：先用第一階段訓練好的模型作為“教練”，為同一問題生成多樣化的解答鏈路，然后從中挑選質量最高的解答，再以這些優質解答來有選擇地微調模型。通過這種“從優錄取”的訓練方式，模型逐漸學會了從復雜問題中自主推斷最優思考路徑，無需明確指令就能自動在快 / 慢模式間切換?？梢哉f，這一步為模型裝上了智能“自動變速箱”—— 它告別了對外部指令的依賴，實現了內在驅動的決策。這一階段的訓練難度顯著高于第一階段，因為模型需要領悟更深層的隱含邏輯，而不再是簡單遵循提示符號。經過兩個階段環環相扣的“課程學習”，openPangu-Embedded-7B-v1.1 完成了從外部信號驅動的顯式切換到內部能力驅動的隱式切換的蛻變，大幅提升了模型在復雜推理任務中的靈活性與自主性。最終，經過這一套訓練流程，新模型成功解鎖了快慢思考模式的雙模式切換 —— 既支持用戶手動指定思考模式，也能在無需人為干預下自動選擇最合適的推理方式?？炻赃m應減少簡單任務 Token 量三到五成如此復雜的訓練設計，最終效果如何？openPangu-Embedded-7B-v1.1 在多個權威評測上交出了令人欣喜的答卷。首先是精度的大幅提升。相較前代模型 v1 版本，新模型在通用、數學、代碼等各類數據集上全面超越了自己過去的成績。其中在最棘手的數學難題數據集（如 AIME 挑戰）上，v1.1 版本取得了遠超 v1 的領先表現。更難得的是，在采用自適應快慢思考模式下，新模型在復雜任務上的準確率依然保持與純“慢思考”情況下幾乎相同的水準，即引入自動切換并沒有犧牲精度。其次在響應效率上，成果同樣令人眼前一亮。對于簡單問題，openPangu-Embedded-7B-v1.1 能夠自動切換為快思考模式，大幅縮短不必要的冗長推理過程。在某些基準測試中（例如中文綜合知識測試集 CMMLU），新模型在保持精度基本不變的前提下，將平均輸出的思維鏈長度減少了近 50%！也就是說，同一道簡單題，它給出的解釋步驟幾乎縮短了一半，直接帶來響應效率的翻倍提升。與此同時，對于諸如 AIME、LiveCodeBench 這類復雜度極高的難題，模型依然會老老實實“慢思考”、給出詳盡的逐步推理，從而確保精度與只用慢思考模型相當。簡單題不啰嗦、難題不放棄，這種智能切換讓模型在速度和精度之間取得了很好的平衡。邊緣 AI 部署利器：1B 小模型性能拉滿值得驚喜的是，openPangu 系列近期不僅升級了 7B 模型，還推出了一款專為邊緣 AI 部署優化的輕量級模型 ——openPangu-Embedded-1B。顧名思義，它只有十億參數，但卻通過多項技術加持，實現了“小體量也有大能量”。在軟硬件協同設計方面，openPangu-Embedded-1B 針對華為昇騰端側 AI 硬件進行了架構優化，充分利用芯片特性，大幅降低推理延遲、提升資源利用率。與此同時，華為團隊采用多階段訓練策略（包括從零開始的預訓練、多樣化數據的課程式微調、離線同策略知識蒸餾以及多源獎勵的強化學習等），全面挖掘模型潛力，顯著增強了模型在各類任務上的表現。得益于以上創新，這款僅 10 億參數的小模型取得了性能與效率的高度協同，在多個權威評測中成績亮眼。據公開數據顯示，openPangu-Embedded-1B 創下了國內 1B 級模型的新標桿，其整體平均成績不僅全面領先其他同規模模型，甚至追平了更大參數模型 Qwen3-1.7B 的水平。這充分體現了出色的參數級性能比：用更小的模型實現了媲美大模型的效果，為國產自研大模型在資源受限場景下的探索提供了新的方向。綜上，華為 openPangu-Embedded-7B-v1.1 的發布為當前熱度較高的大模型領域帶來了不一樣的思路。作為參數規模為 7B 的輕量級模型，它通過漸進式微調和雙階段訓練方法，實現了快慢思考模式的自由切換，在效率與精度之間找到了較好的平衡點。無論是面向邊緣部署需求的小模型，還是追求復雜推理能力的通用模型，盤古系列的持續演進都展現出國產大模型的創新活力。未來，這一具備“快慢思考”特性的模型，有望在更多實際應用場景中發揮價值。項目已在 GitCode 開源：https://gitcode.com/ascend-tribe/openpangu-embedded-7b-v1.1本文來自微信公眾號：量子位（ID：QbitAI），作者：允中，原標題《快慢思考不用二選一！華為開源 7B 模型實現自由切，精度不變思維鏈減近 50%》
IT之家9 月 9 日，字節跳動今天正式發布 Seedream 4.0 圖像創作模型，相比前代 Seedream 3.0 和 SeedEdit 3.0 模型主要增強邏輯理解能力、提升推理速度。這款模型現已在豆包 App、即夢網頁端上線，用戶只需要在上傳參考圖后選擇“圖片 4.0 模型”即可體驗。IT之家附本次更新要點如下：一、精準編輯：用戶只需通過文本提示即可實現高質量修改，可執行添加、刪除、修改、替換等操作，在保證畫面完整性的同時，完成背景替換、人物修飾等復雜任務。二、靈活參考：Seedream 4.0 能從參考圖像中抽取人物身份、藝術風格或結構特征等關鍵信息，嘗試在全新場景下進行再造圖片。目前該模型可基于二維人像生成一張三維手辦圖，可在虛擬形象創造、衍生設計和二次創作領域中應用。三、視覺信號可控生成：傳統上，系統需要依賴 ControlNet 等額外模型才能利用 Canny、Depth、Mask 等視覺信號，Seedream 4.0 則原生集成了這些能力，用戶可通過簡單的草圖、涂鴉或輔助線，直接引導生成目標圖像。四、上下文推理生成：該模型可理解物理與時間約束、三維空間等復雜語境，號稱是具備推理能力的“上下文推理生成”，用戶可通過文本描述“室內時間過了 11 個小時”，生成對應圖片。五、多圖參考生成：該模型最多支持導入十余張參考圖，自動抽取人物特征、場景風格和物體結構，實現“動嘴 P 圖”。六、多圖輸出：Seedream 4.0 能保持全局規劃與上下文一致性，可以生成角色連貫、風格統一的圖像序列，適合分鏡、漫畫創作、需要統一視覺風格的成套設計。七、高級文字渲染與排版：Seedream 4.0 能正確渲染出清晰的文字，還能一定程度上處理公式、表格、化學結構、統計圖等復雜排版，適合生成教育課件、學術插圖場景，后續還能支持文字替換、編輯。八、自適應比例與 4K 生成：Seedream 4.0 生成分辨率擴展到 4K 超高清，引入自適應長寬比機制，可根據語義需求或參考物體形狀自動調整畫布，并支持用戶自定義尺寸，生成更美觀合理的構圖。
IT之家9 月 9 日，中國氣象局今日舉行新聞發布會，宣布人工智能天氣預報模型示范計劃（以下簡稱“示范計劃”）通過“模型-數據-產品-評估”全鏈條銜接，推動實現面向未來的預報模型與氣象業務創新融合應用。2024 年 6 月，中國氣象局啟動示范計劃，堅持博采眾長、流程貫通、公開規范、創新應用，面向科研院所、高校、行業協會學會、企業事業單位等廣泛征集人工智能天氣預報模型，吸引多方力量加入到人工智能技術氣象應用研發中。示范計劃通過公開比對，挖掘和培育人工智能氣象應用新技術新方法，開展實時預報示范評估，遴選優秀天氣預報模型，推動科研成果的業務轉化應用。示范計劃吸引清華大學、復旦大學、華為、上海人工智能實驗室等國內外 35 家高校、企業和事業單位報名，經測試遴選，共有 14 個天氣預報模型參加了實時預報示范。今年 3 月，各示范模型完成最終的迭代更新，并全面迎接今年汛期復雜天氣的考驗。評估顯示，示范計劃啟動至今，伏羲、璞云、風烏、風清和盤古模型性能較好。后續，對于參與示范計劃且性能優良的天氣預報模型，中國氣象局將通過多種方式給予激勵和支持，如優先由國家級氣象部門邀請業務準入、推薦在省級氣象部門本地化應用、開展聯合升級研發等。IT之家從官方公告獲悉，9 月至 10 月為示范計劃總結評估期，中國氣象局將依據檢驗規范，組織專家對各模型先進性開展評審，對示范計劃進行全面總結，并強化模型業務應用。
IT之家聲明：本欄目的素材來源均為互聯網收集整理，整理的目的在于分享和傳遞新聞熱點信息，并不代表本站贊同其觀點和對其真實性負責。如涉及作品內容、版權和其它問題，請聯系我方進行刪除，我方將在收到通知后第一時間刪除內容！本站擁有對此聲明的最終解釋權。
