

> 艾伦人工智能研究所推出纯视觉驱动的全开源网络代理MolmoWeb。该模型摆脱了对网页底层代码的依赖，凭借小参数规模在多项基准测试中逼近闭源巨头，为反垄断技术探索提供新路径。

## 所见即所得 重塑网页交互逻辑

在网络自动化导航领域，长期占据主流的代码解析路线正面临强有力的挑战。艾伦人工智能研究所（AI2）近日正式对外发布了突破性的全开源网络代理模型MolmoWeb。与传统高度依赖解析网页底层DOM树（文档对象模型）的代理系统截然不同，MolmoWeb确立了纯视觉驱动的技术路线。

该代理的运作逻辑高度拟人化，它通过实时捕获当前浏览器窗口的视觉截图，利用视觉分析模块直接研判并决定下一步的操作指令（涵盖精准点击、页面滚动、多级翻页等），随后执行操作并开启新一轮的视觉捕获循环。这种所见即所得的交互模式赋予了模型极高的环境鲁棒性。由于现代网页的视觉UI布局往往比其后端代码结构更加稳定且直观，MolmoWeb的决策链路对人类开发者而言完全透明且具备极强的可解释性。

![52.png](https://static.downly.cn/images/445fbee7a75a45f4af471463287c7e2f.png)

<center>图源备注：图片由AI生成</center>

## 性能越级 小参数击败闭源巨头

引人注目的是，MolmoWeb在极小的参数体积下展现出了惊人的效能，其发布的4B和8B两个轻量级版本在实测中实现了以小博大。

**测试榜单领跑** 在严苛的WebVoyager基准测试中，8B版本模型斩获了78.2%的高分，不仅在开源阵营中确立了领先地位，其测试成绩更已无限逼近行业头部闭源模型79.3%的顶尖水平。
**性能爆发潜力** 研究团队的深度测试表明，通过引入多次任务运行机制并筛选最优路径结果，该模型的任务成功率天花板可大幅跃升至94.7%。
**UI定位精准度** 在针对用户界面元素定位的专项基准测试中，其精准度甚至超越了部分主流的大型商业闭源模型。

## 开放数据生态 对抗巨头垄断

秉持极简与开源的核心理念，AI2不仅在Hugging Face和GitHub等平台基于Apache 2.0协议全面开源了模型权重，更同步释放了极具价值的底层数据集MolmoWebMix。

该数据集库涵盖了由真实人类志愿者标注的超过3.6万次浏览任务轨迹，以及高达220万个屏幕截图与问答对。更具技术前瞻性的是，其中包含的大量经自动化验证的合成数据，在引导智能体探索最优路径时展现出优于人类经验的效率。尽管目前该模型在处理复杂多步指令与绕过验证机制等方面仍有优化空间，但AI2通过构建彻底透明的技术社区，正在为打破科技巨头的数据与技术双重垄断提供最具可行性的开源解法。

艾伦人工智能研究所开源MolmoWeb 视觉驱动颠覆传统网络代理模式



> 科技巨头在通用人工智能领域的人才虹吸效应持续加剧。微软通过吸纳非营利机构的顶尖开源团队，正加速构建安全可控的底层技术栈，意图在算力竞赛中摆脱对单一合作伙伴的路径依赖。

## 开源领军人物的集体转场

微软在冲刺通用人工智能（AGI）终局领域的战略野心正从幕后走向台前。近日微软完成了一次震动硅谷的重量级人才招募，成功从全球著名的艾伦人工智能研究院（Ai2）以及华盛顿大学挖走了一支极具影响力的科研战队。这支由前Ai2首席执行官阿里·法哈迪亲自领衔的顶尖学者阵容，将整体建制加入微软最新成立的超级智能战略部门。

此次加盟的科研人员名单堪称开源人工智能界的豪华配置。核心统帅阿里·法哈迪不仅是全球计算机视觉领域的权威专家，更曾创下领导Ai2在短短一年内高效发布上百个不同规格模型的工程奇迹。团队中的开源先锋汉娜·哈吉希尔齐，作为现象级开源大语言模型OLMo的联合负责人，在模型透明度研究上享有盛誉。而多模态专家兰杰·克里希纳的加入，则为微软带来了开发Molmo等关键多模态模型的宝贵实战经验。这批学者的集体空降，不仅迅速补强了微软在基础底层模型研发上的人才短板，更重要的是，他们将Ai2长期积累的以极简算力撬动庞大参数的高效训练哲学带入了微软的工程体系。

![42.png](https://static.downly.cn/images/294f04850aa0558b76e84ac8edb7adac.png) <center>图源备注：图片由AI生成</center>

## 算力自由与战略平衡考量

微软此次不惜重金挖角背后，隐藏着极为深远的底层战略考量。尽管微软凭借早期投资与OpenAI构筑了深度的利益绑定关系，但随着大模型赛道竞争的白热化以及双方在商业客户争夺上的暗中博弈日益公开化，微软管理层正迫切需要强化纯粹的内部自研能力。

通过设立专属的超级智能科研团队，微软试图在继续维持现有外部合作伙伴关系的同时，在内部构建起一套完全属于自己的、主打安全可控与人本主义的超级智能底层系统。面对谷歌与亚马逊在底层基础设施上的步步紧逼，这支具备深厚开源底蕴且深谙模型优化之道的团队，将成为微软真正实现算力自由与技术独立的关键筹码。

## 前沿研究版图向商业巨头集中

对于艾伦人工智能研究院而言，核心骨干的流失无疑是一次沉重的打击。这一事件也冷酷地折射出当前全球AI学术界与产业界正在经历的一场结构性洗牌。

随着前沿大语言模型的训练门槛正式步入亿元俱乐部时代，传统的高校实验室与非营利性研究机构在面对科技巨头动辄数十亿美元规模的算力集群投入时，已经彻底失去了硬杠的能力。当那些渴望在极限前沿探索未知边界的研究者们，为了获取足够的GPU资源而不得不向商业巨头靠拢时，全球人工智能的基础研究版图正以前所未有的速度向少数几家寡头公司高度集中。


微软组建超级智能核心团队 顶尖开源学者加盟强化自研能力


> **导语**
> 蚂蚁科技集团通过全资子公司入股大模型初创公司“西湖心辰”，进一步深化其在人工智能领域的资本布局。此次投资不仅为这家杭州本土 AI 独角兽注入资金活水，更预示着蚂蚁将在金融科技与智能服务场景中，加速底层大模型技术的应用落地。

## 资本注入与股权变更

企查查 APP 最新工商信息显示，杭州西湖心辰科技有限公司发生关键股权变更，新增股东为上海云玡企业管理咨询有限公司。穿透股权结构可见，该新增股东系蚂蚁科技集团的全资子公司。

西湖心辰作为杭州本土崛起的人工智能研究机构，长期专注于大模型技术的底层研发与商业化探索。此次蚂蚁集团的入局，被视为双方在技术基因与资源互补上的深度契合。这不仅是对西湖心辰技术实力的背书，也为这家初创公司在激烈的“百模大战”中提供了关键的资金弹药。

![Google_AI_Studio_2026-01-29T03_08_11.371Z.png](https://static.downly.cn/images/27e415edc14cf656bc87a6651fdb34da.png) <center>图源备注：图片由AI生成</center>

## 金融科技的智能化跃迁

蚂蚁集团此次投资并非单纯的财务行为，而是其整体科技战略的一环。长期以来，蚂蚁一直致力于利用前沿科技重塑金融服务体验。随着大模型技术展现出惊人的理解与生成能力，将其引入金融客服、风险控制及财富管理等核心业务场景已成定局。

通过与西湖心辰的深度绑定，蚂蚁有望获得更具定制化的大模型能力支持。双方未来的合作重点预计将聚焦于如何将通用大模型技术“特化”为适应高精度、高安全性要求的金融行业模型，从而在智能服务领域构建差异化竞争优势。

## 前瞻性布局与行业影响

从行业视角来看，互联网巨头通过投资初创团队来补齐技术拼图已成常态。蚂蚁集团的这一举措，既是对自身研发能力的补充，也是在全球 AI 竞赛中抢占身位的防御性布局。

随着资金与场景的双重落地，西湖心辰有望加速技术迭代，而蚂蚁集团则能更快地将前沿 AI 技术转化为用户可感知的服务体验。这种“资本+场景”的双轮驱动模式，或将成为未来一段时间内金融科技行业技术演进的主流路径。

蚂蚁集团落子杭州 战略投资西湖心辰加码AI版图



> 验证了！前量化研究员 Neel Somani 利用 GPT-5.2 在15分钟内完成了对保罗·埃尔德什未解难题的完整证明。这一突破不仅通过了 Lean 形式化验证，更标志着 AI 从简单的计算工具正式迈向逻辑推理与知识创造的深水区。

## AI 逻辑推理的里程碑式飞跃

数学界近期迎来了一场静悄悄却震耳欲聋的革命。作为衡量人类智慧皇冠上的明珠，保罗·埃尔德什（Paul Erdős）留下的数千个猜想一直被视为难以逾越的高峰。然而，Neel Somani 的实验打破了这一宁静：GPT-5.2 仅耗时 15 分钟的“思考时间”，便输出了一套严谨的证明方案。

这并非孤例。自去年圣诞节以来，相关数学挑战网站上已有 15 个长期悬而未决的问题被标记为“已解决”，其中 11 个解决方案明确标注有 AI 的深度参与。与以往 AI 仅作为辅助计算的角色不同，GPT-5.2 展现出了对公理（如勒让德公式）的熟练运用能力，甚至在哈佛数学家 Noam Elkies 的研究基础上，推导出了更为完备的解法。

![Google_AI_Studio_2026-01-15T02_56_02.220Z.png](https://static.downly.cn/images/f7aaa9fd462a131659fc88e929137e20.png) <center>图源备注：图片由AI生成</center>

## 长尾难题的终结者

菲尔兹奖得主陶哲轩（Terence Tao）对这一现象保持着敏锐的关注。他在 GitHub 上详细记录了 8 个由 AI 取得自主进展的案例，并提出了一个深刻的洞见：AI 的优势在于其无限的“可扩展性”。

在数学领域，存在大量晦涩但并非不可解的“长尾”问题，人类数学家往往受限于精力而无法面面俱到。AI 的介入，恰好填补了这一空白。它不知疲倦，能够处理海量的逻辑分支，这使得机器在攻克这类问题上展现出了超越人类的效率。

## 形式化工具构建的信任闭环

单纯的模型进化并非全部答案，生态系统的完善同样关键。Harmonic 公司开发的 Aristotle 等形式化工具，充当了“翻译官”与“裁判员”的角色。它们能将大模型生成的自然语言推理，自动转化为计算机可验证的代码（如 Lean 语言）。

Harmonic 创始人 Tudor Achim 强调，比解题数量更重要的是学术界的态度转变。当世界顶尖的数学教授开始公开承认并使用 AI 工具辅助研究，这本身就是对 AI 逻辑推理能力最有力的背书。我们正处于一个转折点：AI 不再仅仅是模仿者，它正在成为探索人类知识边界的强力队友。

GPT-5.2 攻克百年数学难题：AI 正重构人类知识边界



> 导语：本期AI速览将带您深入科技巨头们的“芯”事：从Meta与OpenAI之间愈演愈烈的“抢人大战”，到苹果因人才流失而动摇的AI根基，巨头间的竞争已进入白热化阶段。与此同时，AI技术正以前所未有的速度渗透至各行各业，无论是能说会道的方言语音合成，还是颠覆传统乐谱制作的“听歌识谱”神器，创新应用层出不穷。然而，AI在版权领域的法律争议依旧悬而未决，为这场技术革命蒙上了一层复杂的阴影。


*封面图提示词：一个充满未来感的数字大脑，发光的神经网络中流动着数据流，象征着全球在人工智能领域的竞赛与创新，电影般的灯光，超现实主义风格。*

## 科技巨头人才争夺白热化：OpenAI紧急加薪反击Meta“强盗式”挖角
面对Meta高价挖角，OpenAI内部紧急动员，其首席研究官公开表示将与Meta正面竞争。为稳定军心，OpenAI不仅重构了薪酬体系，还承诺以创新的方式奖励顶尖人才，并强调了公平竞争的底线。另一边，扎克伯格亲自挂帅，组建“招聘小组”，精准锁定OpenAI等公司的核心人才，意图打造一支无人能及的超级智能团队。尽管Meta方面声称天价挖角费有所夸大，但两大巨头间的人才争夺战已然全面爆发。

![image.png](https://static.downly.cn/images/0f2cd6bcd98a5ee5f9bcb0f29b98da04.png)

## 苹果AI帝国现裂痕：核心人才流失，Siri或将“外包”求生
苹果在人工智能领域的领导地位正遭遇严峻挑战。近期，公司一位关键的AI研究员宣布离职，而负责苹果自研MLX框架的核心团队也几乎全员流失，这无疑引发了内部的信任危机。据传，公司内部对自家AI模型的质量也信心不足，可能将被迫寻求外部帮助，将Siri等核心功能的开发“外包”给Anthropic或OpenAI等竞争对手，以应对团队士气低落和战略方向模糊的困境。

![image.png](https://static.downly.cn/images/cd713104ad1998b1071983ce46e4f1d1.png)

## 法律科技巨头联手：Clio斥资10亿美金收购vLex，押注AI法律数据
法律科技领域的独角兽公司Clio近日宣布了一项重大举措，斥资10亿美元收购法律数据巨头vLex。Clio估值高达30亿美元，此次收购表明其正大力押注由人工智能驱动的法律数据服务。此举旨在增强其现有法律服务平台的功能，通过整合vLex庞大的法律数据库和AI分析能力，满足市场日益增长的需求，并进一步巩固其在行业中的领导地位。

![image.png](https://static.downly.cn/images/d720e1ea534d74c8f0e3a1b9d48e4505.png)

## AI版权战警钟长鸣：一字不差复述原作，Meta与Anthropic侥幸过关？
近期，AI版权纠纷再次成为焦点。尽管Meta和Anthropic在近期的官司中暂时获胜，但法官的判决也明确指出了AI模型训练数据的“原罪”问题。AI输出内容可能直接构成对原作的抄袭，这一潜在的巨大风险并未消除。这意味着，AI公司在法律层面仅仅是暂时“过关”，未来仍需面对更为棘手和昂贵的版权挑战，这可能成为其商业模式中不可忽视的成本。

![image.png](https://static.downly.cn/images/13be7a91699688633c74cc6e02569ebf.png)

## 乡音可闻：通义千问Qwen-TTS上新，支持京沪川三大方言
阿里巴巴旗下的通义千问团队发布了其语音合成模型Qwen-TTS的最新版本。此次更新的最大亮点是新增了对北京话、上海话和四川话三种中文方言的支持。该模型基于海量语料库进行训练，能够根据输入文本自动调整语调、节奏和情绪，生成媲美真人的自然流畅语音。新版本同时提供了中英双语的音色选项，方便开发者通过API将其集成到各类应用中。[体验地址](https://qwenlm.github.io/zh/blog/qwen-tts/)

![image.png](https://static.downly.cn/images/a90e08c502931a2ea997baad8f01aed7.png)

## 音乐人福音：AI版“听歌识谱”Songscription问世，录音秒变乐谱
一款名为Songscription的创新产品正式上线，它被誉为“乐谱界的Shazam”。这款工具利用AI技术，旨在将音乐人从繁琐的手动抄谱工作中解放出来。用户只需将录制好的歌曲上传，系统便能自动分析并生成相应的乐谱，极大地提高了音乐创作和学习的效率。

![image.png](https://static.downly.cn/images/c53c2d54a47c2b6148984dd668507137.png)

## AI走进课堂：谷歌发布Gemini教育套件，重塑师生交互模式
谷歌正积极地将AI技术引入教育领域。公司最新推出了面向教育者和学生的一系列Gemini新工具。其中，名为Notebook LM的AI研究工具将允许教师结合自己的课堂材料，创建个性化的交互式学习指南。此外，谷歌还为学生设计了专用的聊天机器人，旨在通过AI拥抱课堂，为传统的教学和学习方式带来革命性的变化。

![image.png](https://static.downly.cn/images/1377961ecb5861c07651bfdb6e1724d2.png)

## 对标GPT-4o：国产开源模型OmniGen 2实现图文融合生成新高度
北京人工智能研究院（BAAI）近日推出了一款名为OmniGen 2的全新开源系统。该系统采用了独特的文本与图像分离解码路径，基于Qwen2.5-VL-3B模型构建，其能力类似于GPT-4o，能够融合处理图像和文本生成任务。OmniGen 2不仅支持文生图、图像编辑和上下文连贯的图像创作，还能驾驭多种艺术风格并进行自我反思改进。尽管在照片级清晰度和中文提示理解上仍有提升空间，但其在基准测试中的表现已超越了许多同类开源模型。

![image.png](https://static.downly.cn/images/93bab25d807b769abc1b71e92aa4ec8d.png)

## 知乎“直答”再升级：融合社区生态，打造沉浸式AI问答新体验
中文问答社区知乎对其AI搜索工具“知乎直答”进行了重要功能升级。新版“直答”的知识库功能与知乎社区内容实现了前所未有的深度融合，新增了内容订阅分享、沉-浸式阅读以及“边看边问”等互动功能。此举旨在充分利用知乎庞大的专家网络和高质量的专业内容，为用户提供更加高效、个性化的AI问答体验，并进一步扩大优秀答主的影响力。

![image.png](https://static.downly.cn/images/efd0669df8ecd68ded4a0695ce065c39.png)

AI每日资讯0701



> 一项发表在权威期刊《自然 人类行为》（Nature Human Behaviour）上的最新研究，再次挑战了人们对人工智能能力的认知。研究人员组织了近900名参与者与OpenAI的GPT-4大型语言模型进行了一场大规模的辩论实战演练。结果显示，GPT-4不仅在辩论中取得了64.4%的胜率，更重要的是，它在说服力方面表现出色，成功地改变了参与者对议题的看法。

## 人机辩论大赛 检验AI说服力

这项研究的独特之处在于其大规模的实战演练形式。研究人员招募了900名志愿者，并将他们随机分配，与经过特殊调整的GPT-4模型进行一对一的线上辩论。辩论的议题涵盖了广泛的社会和伦理问题，例如“是否应该禁止青少年使用社交媒体”、“是否应该征收碳税”等。

![image.png](https://static.downly.cn/images/20250526032103.508889368.png)

在每场辩论中，人类参与者和GPT-4分别被分配到支持或反对某个议题的立场。辩论采用多轮对话的形式，双方轮流陈述观点、提出论据并反驳对方。辩论结束后，参与者需要填写问卷，评估自己对议题的观点以及认为辩论过程中哪一方更具说服力。

## GPT-4胜率惊人 更具说服力

研究结果令人瞩目。在近900场辩论中，根据参与者的自我评估，GPT-4获得了64.4%的胜率。这意味着，在大多数情况下，参与者认为AI模型在辩论中表现得更出色，更能令人信服。

![image.png](https://static.downly.cn/images/20250526032123.902332664.png)

更值得关注的是，研究发现，与人类辩手相比，GPT-4更有可能改变参与者最初对议题的观点。即使参与者最初持有的立场与GPT-4相反，他们在辩论后也更有可能转向支持AI的观点。这一发现表明，GPT-4不仅仅是能生成流畅的语言，它已经具备了在特定情境下运用逻辑、论据和修辞技巧来影响人类认知的强大能力。

## AI为何在辩论中表现突出

研究人员分析认为，GPT-4在辩论中表现出色的原因可能包括

*   **强大的信息整合能力** GPT-4可以快速访问和整合大量的知识和信息，从而在辩论中提供丰富的论据和例子。
*   **严谨的逻辑结构** 模型能够生成结构清晰、逻辑严谨的论述，使得其观点更容易被理解和接受。
*   **适应性强的表达方式** GPT-4能够根据对话的进展和对方的观点调整自己的论述策略和表达方式。
*   **情绪中立性** 相对于人类可能受到情绪影响，AI可以保持冷静和客观，专注于事实和逻辑，这在辩论中可能是一个优势。

![image.png](https://static.downly.cn/images/20250526032152.453106053.png)

此外，研究还探索了“个性化”对AI辩论效果的影响。当AI模型被赋予关于人类参与者的信息，例如他们的兴趣、价值观或之前表达过的观点时，AI在辩论中的表现会进一步提升。这表明，未来的AI辩论系统可能会更加个性化，从而更有效地针对个体进行说服。

## 潜在的应用与担忧

这项研究的发现具有重要的理论和实践意义。它表明，大型语言模型在需要复杂推理、信息整合和说服力的任务中，已经具备了强大的能力。

*   **潜在应用** GPT-4及其后续模型可能在法律、商业、教育等领域发挥重要作用，例如辅助法律辩论、商业谈判、提供个性化教育辅导等。
*   **潜在担忧** 然而，AI强大的说服力也引发了人们的担忧。如果AI被用于恶意目的，例如传播虚假信息、操纵公众舆论，其后果可能是灾难性的。

![image.png](https://static.downly.cn/images/20250526032223.535766931.png)

研究人员强调，有必要对AI的说服能力进行深入研究，并制定相应的伦理准则和监管措施，以确保AI技术的健康和负责任发展。

## 未来展望 人类与AI的辩论边界

这项研究只是探索人类与AI在辩论领域互动的开始。未来的研究可以进一步探讨

*   **AI辩论的局限性** 找出AI在哪些类型的辩论或哪些方面依然存在不足。
*   **提升人类的批判性思维** 在AI说服力日益增强的环境下，如何提升人类的批判性思维能力，辨别虚假信息和有偏见的论述。
*   **构建人机协作的辩论模式** 探索人类与AI如何协同工作，以达到更好的辩论效果。

![image.png](https://static.downly.cn/images/20250526032243.931299201.png)

《nature》发表的这项研究，以实战演练的方式，清晰地展示了GPT-4在辩论和说服力方面的强大实力。它不仅刷新了我们对AI能力的认知，更促使我们深入思考AI在未来社会中扮演的角色，以及如何应对其带来的挑战和机遇。


重磅研究 Nature子刊揭示 AI辩论实力超群 900人大战GPT-4 多数败北



> 多机器人系统在现代工业、仓储、搜救等领域扮演着越来越重要的角色。然而，如何让多个机器人协同完成复杂的、长时间的任务，特别是高效地进行任务分配和路径规划，一直是机器人学领域面临的巨大挑战。传统的任务规划方法往往效率低下、泛化性差，难以应对现实世界中的动态变化和突发情况。近期，一项来自智源人工智能研究院的开创性研究为这一难题带来了新的解决方案。该研究提出了一种通用的多机器人长时任务规划框架，并成功提升了任务完成的成功率和效率，相关成果已被机器人领域顶级会议 ICRA 2025 接收。

## 多机器人任务规划的挑战

想象一下在一个大型仓库里，几十甚至上百个搬运机器人需要同时完成不同的取货、送货任务。或者在灾难现场，多架无人机需要协同进行侦察和搜救。这些场景都对多机器人系统的任务规划能力提出了 high requirements。

![image.png](https://static.downly.cn/images/20250520070858.555533564.png)

multi-robot task planning challenges mainly include:

*   **任务分配（Task Allocation）** 如何将不同的任务合理地分配给不同的机器人，使得 overall efficiency highest 或 completion time shortest。
*   **路径规划（Path Planning）** 每个机器人如何在 allocated tasks 的基础上规划出 avoid collision 的路径。
*   **长时任务（Long-term Tasks）** 如何处理需要长时间执行的任务，期间可能出现新的任务、机器人故障、环境变化等 unexpected situations。
*   **通用性（Generality）** 如何设计一个框架能够适用于 different types of robots 和 different mission scenarios。

传统的解决方案 often requires manual tuning or is designed for specific scenarios，难以 scale up to large-scale and complex long-term tasks。

## 智源通用多机器人长时任务规划框架的创新

智源研究院提出的通用多机器人长时任务规划框架， aim to tackle these challenges by leveraging advanced AI techniques。该框架的核心创新点在于其 **通用的任务表示** 和 **高效的规划策略**。

### 通用的任务表示

为了实现框架的通用性，研究人员设计了一种能够表示不同类型任务的统一格式。这种格式可以 capturing the essential information of each task，比如任务类型、位置、所需资源、优先级等，使得框架能够处理 divers task types。

### 高效的规划策略

框架采用了一种高效的规划策略， often combines high-level task assignment with low-level path planning。它能够 dynamically adjust 任务分配和路径规划 based on the real-time status of robots and environment changes。

![image.png](https://static.downly.cn/images/20250520070941.465422788.png)

这种策略可能采用了 reinforced learning, heuristic search, or optimization techniques to find the optimal solution in a complex state space。特别是针对长时任务，框架可能 incorporates mechanisms for rescheduling and adapting to unexpected events。

## 实验结果惊人 成功率效率双飞跃

该研究在多个模拟环境和真实机器人平台上对提出的框架进行了 thorough evaluation。实验结果显示，与传统的任务规划方法相比，智源的通用多机器人长时任务规划框架取得了 remarkable improvements。

### 任务成功率提升 +105%

在复杂的长时任务场景下，由于能够更好地处理动态变化和任务分配难题，该框架的任务完成成功率比 baseline 方法提升了 alarming 105%。这意味着在同样的任务集合下，更多的任务能够被 successfully completed。

### 整体任务执行效率提升 +36%

除了成功率，该框架在任务执行效率方面也展现出了 significant superiority。实验数据显示，整体任务执行效率提升了 impressive 36%。这可能体现在 overall task completion time shorter 或 resource utilization higher。

![image.png](https://static.downly.cn/images/20250520071008.961650335.png)

These results highlight the effectiveness and superiority of the proposed framework in handling complex multi-robot long-term task planning problems.

## ICRA 2025 认可 迈向更智能的多机器人系统

该研究成果已被机器人学领域最重要的国际会议之一 ICRA 2025 接收。这标志着该研究在学术界获得了 high recognition，也 validates its technical contribution。

该框架的提出， 为构建 more robust, efficient, and general multi-robot systems 提供了 valuable insights and practical solutions。它有望在物流、制造、农业、应急响应等多个领域发挥 important role，推动多机器人技术的 further development and application。

智源研究院在多机器人协同规划领域的这项前沿研究， 为解决长期困扰业界的任务分配难题带来了新的曙光。该通用框架的成功， 不仅提升了多机器人系统的性能，更 towards the realization of truly intelligent and autonomous multi-robot collaboration迈出了 solid step。

ICRA 2025 前沿 智源最新通用多机器人长时任务规划框架问世 破解分配难题 效率成功率双飞跃



> 在信息爆炸的时代，我们每天都要处理海量的多模态信息，从图片到文字，再到代码。如何快速准确地找到所需信息，成为了人工智能领域亟需解决的问题。近日，智源人工智能研究院带来了令人振奋的消息，他们成功研发并发布了三款达到SOTA（最先进水平）的多模态检索模型：BGE-VL-Screenshot、BGE-Code-v1和BGE-VL-v1.5。这些模型在各自擅长的领域取得了 significant breakthroughs，极大地提升了AI对代码、图文等复杂多模态信息的理解和检索能力。

## BGE-VL-Screenshot 截屏也能轻松搜

你有没有遇到过这样的情况 截了一张图，想根据图片里的文字内容去搜索，却发现很难做到？或者想通过图片来找到相关的网页内容？智源的 **BGE-VL-Screenshot** 模型就是专门为了解决这个问题而生的。

这款模型 unique 的能力在于，它能够 understanding the semantic meaning of screenshot images。也就是说，它不仅仅是识别图片里的文字，更能理解这些文字在图片中的布局和含义，并将其与 natural language query 进行关联。

![image.png](https://static.downly.cn/images/20250520064756.618945248.png)

通过 BGE-VL-Screenshot，你可以用一段文字来描述截图中的内容，模型就能帮你找到相关的截图；反之，你也可以上传一张截图，让模型帮你找到相关的文字信息或者网页链接。这对于我们日常工作和学习中查找和整理信息提供了 extreme convenience。例如，你可以用一段文字描述某个网页的特点，然后通过截图来快速定位到那个网页。

## BGE-Code-v1 代码理解的得力助手

对于程序员和开发者来说，理解和查找代码是 daily routine。传统的代码搜索往往依赖于关键字匹配，效果 sometimes not ideal。智源的 **BGE-Code-v1** 模型在代码理解和检索方面取得了 significant progress。

这款模型专注于理解自然语言描述与代码之间的关系。它能够 effective 地将自然语言问题或需求与相关的代码片段进行匹配。

![image.png](https://static.downly.cn/images/20250520065045.452679833.png)

BGE-Code-v1 可以根据你用中文或英文描述的功能需求，在 vast code repositories 中搜索并找到最相关的代码片段。Similarly，它也可以理解一段代码的功能，并用通俗易懂的自然语言进行解释。这对于代码复用、代码学习、代码错误排查等场景都具有 tremendous value，可以极大地提升开发效率。

## BGE-VL-v1.5 更强的通用图文理解能力

智源的 **BGE-VL-v1.5** 模型则是一款通用性更强的图文理解模型。它在多种图文相关的下游任务上都展现出了 impressive performance，并且取得了 SOTA 成绩。

这款模型的核心能力在于 its sophisticated understanding of the relationship between images and text。它能够 both understand the content of an image and its corresponding text description，并能够 accurately match them。

![image.png](https://static.downly.cn/images/20250520065129.342342376.png)

BGE-VL-v1.5 可以用于各种图文检索任务，例如：

*   **以文搜图** 根据一段文字描述搜索相关的图片。
*   **以图搜文** 根据一张图片搜索相关的文字描述、文章或网页。
*   **跨模态匹配** 理解图片和文字之间的 deeper relationship，进行更 nuanced 的匹配。

这款模型的出色表现， further pushed the boundaries of general visual-language understanding，为构建更强大的多模态AI应用提供了坚实的基础。

## 智源模型的优势与意义

智源此次发布的三大 SOTA 模型， 不仅仅是技术上的突破，更 significant 的意义在于：

### 提升多模态检索效率与准确性

这三款模型在各自的细分领域都达到了当前的最优水平，这意味着它们能够以更高的效率和准确性完成多模态检索任务，帮助用户更快地找到所需信息。

### 为开发者提供强有力的工具

这些模型的发布， 为开发者提供了 powerful tools to build more intelligent and user-friendly multi-modal applications。例如，可以利用 BGE-Code-v1 开发更智能的代码助手，利用 BGE-VL-v1.5 开发更精准的图文搜索引擎。

### 推动多模态AI技术发展

智源在这些领域的持续投入和技术突破， undoubtedly 对整个多模态AI领域的发展起到了推动作用，也为未来的 research and application opened up new possibilities。

智源研究院此次发布的三大 SOTA 多模态检索模型， 在代码和图文理解方面展现出了 leading 的能力， 这无疑是人工智能领域的又一 important milestone。我们期待这些模型能够在实际应用中发挥更大作用，为我们的生活和工作带来更多便利。

搜索结果: 人工智能研究