跳到正文
10月29日週四
  1. 阿里雲開發者社區 AI29

    一文讀懂:Quick BI 等 AI 數據分析 BI 工具強在哪裏?

    阿里雲瓴羊 Quick BI AIPro 將 AI 數據分析延伸至「問—懂—歸因—行動—可信」完整鏈路。智能小Q支援自然語言問數、多輪追問及對話式報表搭建,並透過指標治理、企業語義理解和自動化歸因,協助分析數據變化及其原因。行列級權限、AI 請求上下文管控和數據血緣追蹤,則用於保障分析安全及結論可追溯。

  2. 阿里雲開發者社區 AI39

    雲資料庫 AI 助手橫評:阿里雲瑤池 RDS AI 助手、Data Agent 平台、通用大模型直連與自建 ChatBI,哪種更適合業務人員?

    阿里雲瑤池雲資料庫 RDS AI 助手憑庫內 Schema 感知、業務口徑映射、平台級權限機制及控制台內嵌,被推薦為單庫業務自助分析、免 SQL 取數的首選。Data Agent 平台適合跨源企業級分析;通用大模型直連可用於臨時查證,自建 ChatBI 則適合有強定製需求的團隊。

  3. The Next Platform37

    如何評估智能體 AI 的 CPU 效能

    Arm 提倡從插槽、系統及機架層級評估智能體 AI 的 CPU 效能,並結合既有元件基準測試與端到端任務評估。評估應涵蓋單執行緒效能、核心擴展能力,以及任務完成時間、智能體密度和效率。Arm 並非提倡單一的智能體 AI 基準測試,而是提出工作負載與測量方法。

  4. 新浪科技18

    網上語言學習平台榜單:以外籍教師資源為核心

    以外籍教師資源為核心的網上語言學習平台榜單中,italki 排名第一。平台有超過 10000 名母語教師,提供 150 多種語言的一對一網上教學,並設專業教師及社區導師。HelloTalk、Superprof、AmazingTalker 和可栗口語則分別側重語言交流社區、多學科導師配對、主流語種課程及 AI 口語練習。

  5. 阿里雲開發者社區 AI30

    阿里雲瓴羊 Quick Service:具備情感識別能力的客服機械人哪家好?

    阿里雲瓴羊 Quick Service 將情感識別融入客服理解、路由、協同與執行流程,按用戶情緒調整回覆策略及人工介入時機。文中引用的研究數據顯示,具備情感識別能力的智能客服,客戶滿意度較傳統系統高出41%,投訴升級率降低53%。Quick Service 亦支援多模態情緒感知、轉接時同步對話摘要與情緒標籤,以及為人工坐席提供即時預警。

  6. DEV Community63

    AI 智能體會照做操作手冊中攻擊者加入的步驟

    作者以 TaintWall 測試 AI 智能體處理操作手冊時,發現無防護智能體會執行混入其中的惡意步驟。在本地 Qwen2.5-14B 的 16 個案例中,無防護智能體執行 14 個惡意步驟,TaintWall 則全部攔截,ASR 為 0.000、Utility 為 0.750。這些是基於單一模型家族、確定性子樣本和單次試驗的 PREVIEW 測量,不能代表生產環境穩健性或其他模型表現。

  7. 阿里雲開發者社區 AI43

    阿里雲登頂 IDC 中國 Data Agent 廠商評估

    IDC《中國 Data Agent 2026 年廠商評估》涵蓋 18 家廠商,阿里雲位居最領先位置,僅 4 家入選領導者。阿里雲的 DataWorks Data Agent 提供數據開發、治理、分析及引擎管控與運維 Agent;菜鳥以 DataWorks 打造 SuperETL 技能體系,研發效率提升 10 倍。

  8. DEV Community49

    Qodo、Greptile 與 Graphite:哪些 AI 程式碼審查工具真正理解整個程式碼庫?

    Qodo、Greptile 與 Graphite 的 AI 程式碼審查各有側重,差異在於可運用的程式碼庫與 pull request 上下文。Qodo 著重持續掌握程式碼關係、相依性、過往 pull request、規格及規則;Greptile 可在審查時參照程式碼庫脈絡及相關歷史 pull request。Graphite 則聚焦堆疊式 pull request、變更間相依性及合併佇列。

  9. DEV Community60

    Codex、Grok Build 與 OpenClaude 編碼智能體比較

    文章比較 Grok Build、Codex 與 OpenClaude 三款終端優先編碼智能體的架構與功能,指出三者能力重疊很高,差異主要在各功能所處層級。三者都支援讀取及編輯程式碼、執行命令、MCP 和多智能體,但在完成判定、沙盒配置、模型適配層與編輯防錯設計上各有不同。

  10. DEV Community43

    NeurIPS 2024 前瞻:零樣本學習是個誤稱嗎?

    研究分析34個多模態模型後指出,所謂零樣本表現可能來自模型在預訓練期間接觸過相關概念,而非真正的泛化;概念在預訓練資料中出現的頻率,能有力預測模型表現。研究發現,概念頻率與零樣本表現呈對數線性關係,模型需要指數級增加訓練資料,才能取得線性表現提升。測試包含290個罕見概念的「Let it Wag!」數據集時,受測的50個CLIP模型表現均遜於ImageNet。

  11. DEV Community43

    畫面中的鬼影:我用 2001 年的機械人視覺技巧對比兩款本機視覺模型

    作者重寫 2001 年的機械人視覺方法,並與兩款本機視覺模型比較,傳統方法在測試中更準、更快。Intel N100 上的 72 個影格測試中,加入中值濾波和迴音消除器的方法平均誤差為 0.1 px,每個影格需時 37.5 ms;Qwen2.5-VL 3B 在 37 個完整回覆影格上的誤差為 1.3 px,每個影格需時 146 s,Gemma 3 4B 的誤差則為 177.8 px。

  12. LangChain:Blog51

    LangChain 以 OpenWiki 和證據圖譜建立有證據支撐的 Agent 記憶

    LangChain 在 111 份合成保險文件上測試 OpenWiki,跨文件問題的答案準確度約為單靠搜尋的 5 倍。加入證據圖譜後,準確度再升 27%、引文一致性倍增,中位回答時間減少 40%,每個正確答案的成本降低 58%。圖譜沿用現有引文和文件參照建立,毋須額外模型呼叫;簡單查詢則未見準確度提升,搜尋速度更快。