生成式AI

一、 控制电脑手机的智能体人人都能造，微软开源了OmniParser

1. 大模型智能体控制设备热潮中，OmniParser为微软开源的屏幕解析工具，能将UI截图转化为结构化数据；

3. 项目包括两个关键数据集及双模型微调，显著提升GPT-4V在多项基准性能，是通用屏幕解析工具。

二、 谷歌版贾维斯也将问世，最强Gemini 2.0加持！新时代来临

1. 谷歌Project Jarvis将在年底推出，借助Gemini 2.0自动化Chrome任务，实现日常网页操作；

2. 该项目通过屏幕解析和动作预测技术，实现如信息收集和购物等复杂任务的自动化；

3. Project Jarvis依赖云端操作，短期内尚难以在终端设备上独立运行。

三、 智谱AI悄悄发布AutoGLM，这一次，贾维斯真的要成现实了

1. 智谱AI推出的AutoGLM，通过自主完成复杂任务，实现类似“贾维斯”功能，在国产AI Agent中表现出色；

2. AutoGLM可代替用户执行手机上的一系列指令，从预定酒店到社交互动，展现了高度自主性；

3. AutoGLM的问世，标志AI从“能说”进化到“能干”，让“智能助手”概念逐步接近现实，尽管现阶段支持的软件有限。

四、 智谱推出「众包」端到端多模态情感语音模型 GLM-4-Voice

1. 智谱推出的GLM-4-Voice能实时理解和生成多语言、多情绪语音对话，模拟多种情绪表达，实现更自然的人机交流；

2. GLM-4-Voice通过端到端音频建模，避免传统级联方案的信息损失，显著降低延迟，并支持随时指令打断和语速调节；

五、 Notion重磅新功能：Notion Email来了，官方模版市场上线！

1. Notion推出Notion Email，支持AI辅助的邮件整理、自动回复及日程管理，并集成Notion日历，2025年上线；

2. 官方推出模版市场，创作者可在Notion平台内实现模版的构建、销售和退款，且收取10%交易费用；

3. 新增表单、自定义布局及自动化功能，支持多平台联动，进一步丰富Notion的工作流程和共享方式。

六、 10秒创造一个世界！斯坦福团队新作实时交互式3D世界生成

1. 斯坦福与MIT合作推出WonderWorld系统，通过FLAGS方法实现10秒内生成3D场景，速度比现有技术快100倍；

2. WonderWorld用户可从单一图片生成无限3D场景，实时交互移动视角并定制场景内容，提升沉浸式体验；

3. 系统解决了多场景衔接的几何裂缝问题，无需训练预设模型，可跨多种场景类型生成连贯3D世界。

七、 田渊栋团队新作祭出Agent-as-a-Judge！AI智能体自我审判

1. 「Agent-as-a-Judge」框架由AI智能体自行评估AI决策路径，减少97%成本和时间，提供丰富中间反馈；

2. 引入DevAI基准数据集，包含55个真实AI任务，用于验证「Agent-as-a-Judge」的实际应用效果；

3. 通过模块化设计和多格式数据理解，Agent-as-a-Judge有效提升评估质量，可在部分情况下替代人类评估员。

前沿科技

八、 深圳一家公司造出世界上行走最像人类机器人，卖2-3万美元

2. SE01搭载高性能谐波力控关节与NVIDIA和Intel双处理器，具备强大的深度视觉和360度感知能力；

3. 众擎机器人成立仅一年，专注人形机器人研发，计划年底推出全系列产品，希望在2025年达年销千台目标。

报告观点

九、 OpenAI科学家TED：让AI模型思考20秒，提升10万倍性能！

1. OpenAI科学家Noam Brown提出AI应用“系统二思维”可在不增加数据和计算资源的情况下显著提升模型性能，效果相当于将模型扩展10万倍；

2. 系统二思维让AI进行深度推理并缓解决策中的不确定性，已在o1模型中显现，通过自我对弈增强复杂任务的推理能力；

3. 该方法在数学、金融等领域表现优异，为提升AI的任务适应力和人机交互体验提供新途径。

十、 哈佛大学最新报告：LLM等价于众包，只是在输出「网络共识」！

1. 大模型主要依赖训练数据中的共现概率，像众包一样输出广泛共识观点，在常识性问题上表现良好；

2. 大模型在缺乏共识或数据稀缺的领域易生成幻觉，表现不稳定，且难以处理晦涩或争议性强的问题；

3. 实验结果表明，大模型适合处理常见任务，但在处理复杂和敏感问题时准确性欠佳，需谨慎解读。