Ace Robot
PulseAugur coverage of Ace Robot — every cluster mentioning Ace Robot across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
Combee框架为自改进AI代理扩展提示学习
研究人员开发了Combee，一个旨在提高自改进语言模型代理提示学习的效率和质量的新框架。该系统通过实现并行提示学习来解决现有方法的局限性，这对于处理代理轨迹的大型数据集至关重要。Combee利用并行扫描和增强的shuffle机制，以及动态批处理大小控制器，在不影响准确性的情况下实现了显著的加速。
-
Jagarin架构支持移动设备上的休眠AI代理
研究人员推出Jagarin，这是一种新颖的三层架构，旨在使个人AI代理能够在移动设备上高效运行。该系统通过采用结构化休眠和按需唤醒机制，解决了电池消耗和平台限制的挑战。该架构包括用于设备上任务评分的DAWN，用于将机构电子邮件处理成结构化任务记录的ARIA，以及用于机器可读通信的ACE，旨在减少对手动数据输入和电子邮件解析的依赖。
-
Yue2 音乐模型因体积小、性能强而受到赞扬
一款名为 Yue2 的新型音乐生成模型，因其体积小但功能强大而受到关注。用户发现它在训练自定义 LoRA 和生成清晰人声方面效果显著，为大型模型提供了一个有前景的免费本地替代方案。尽管在字幕方面还有些问题需要解决，但该模型被视为一个强有力的竞争者，并具有未来改进的潜力。
-
新方法在不修改权重的情况下增强LLM金融推理能力 · 跟踪2个来源
研究人员开发了新的方法来使大型语言模型（LLM）适应专门的金融推理任务。其中一种方法ASDA可以在不修改模型权重的情况下自动生成结构化的技能工件，从而在金融推理基准测试中取得显著改进。另一种方法侧重于数据中心化的训练后技术，包括挖掘、蒸馏和可验证学习，以增强金融推理能力，同时防止现有金融知识的丢失。这些技术旨在为LLM的领域特定应用提供更有效和可审计的适应方式。
-
ACE框架通过跳过冗余专家计算来优化MoE大型语言模型
研究人员开发了ACE，一个新颖的框架，旨在通过自适应地跳过冗余专家计算来优化混合专家（MoE）大型语言模型。这种无需训练的方法利用全局谱代理和路由器条件细化来估计专家贡献，而不依赖于路由器置信度或校准数据。ACE在各种基准测试和MoE模型上始终优于现有方法，显著降低了困惑度并提高了下游准确性，尤其是在激进的专家跳过场景下。
-
AI 音乐初创公司 ACE 融资 4000 万美元，旨在重塑音乐创作与消费
AI 音乐公司 ACE 在新一轮融资中获得了近 4000 万美元，使其成为 AI 音乐领域领先的中国初创公司。此轮融资由知名公司支持，将用于推进基础音乐模型、全球团队扩张以及开发一款名为 Miya 的新消费产品。ACE 旨在通过构建一个 AI 原生平台，类似于 AI 时代的 Spotify，来彻底改变音乐创作和消费，其专有模型已展现出具有竞争力的性能。
-
Sonos Ace Ultra 耳机可与所有 Sonos 音箱实现无缝音频切换
Sonos 发布了新款 Ace Ultra 耳机，这是其上一代产品的升级版，具有增强的主动降噪功能和更长的电池续航时间。关键的新功能允许用户通过按一下按钮即可将音频从任何 Sonos 音箱或条形音箱无缝传输到耳机，该功能目前处于早期访问开发阶段。这款耳机还拥有 8 段均衡器、改进的被动降噪功能，并支持通过蓝牙或 USB-C 进行杜比全景声和无损音频。
-
华硕推出新款Ace电竞显示器，配备高达720Hz的OLED面板
华硕发布了新款Ace系列电竞游戏显示器，采用高刷新率的24.5英寸OLED面板。旗舰型号ROG Swift OLED PG259QWS Ace拥有720Hz刷新率和支持杜比视界的Tandem WOLED面板，并配备独特的定位传感器以确保设置一致性。其他型号包括ROG Strix OLED XG259QDPG Ace和ROG Strix OLED XG259QDNS Ace，它们采用QD-OLED面板，并集成华硕的BlackShield…
-
AI系统ACE和EditPPT自动化演示文稿编辑
两篇新研究论文介绍了用于自动化多幻灯片演示文稿编辑的先进AI系统。第一篇论文介绍了ACE，它利用分层场景图和自纠正循环来提高指令遵循能力，并降低与现有方法相比的成本。第二篇论文介绍了EditPPT，它采用多代理框架，利用原生的PowerPoint COM接口进行本地化、形状级别的操作，在长演示文稿上实现了高执行率和保真度。
-
AI 助力数学研究，发现服务器漏洞，并增强耳机功能
据报道，Anthropic 的 AI 模型利用 60 个子代理在 36 小时内测试了多种方法，在黎曼猜想方面取得了进展。此外，研究人员发现了 Microsoft SharePoint 服务器的关键漏洞，微软已通过补丁进行了修复。在消费科技领域，Sonos 正准备推出具有 AI 增强功能的 Ace Ultra 耳机，这标志着 AI 融入音频产品的趋势。
-
LLM代理通过ACE和ALTK-Evolve系统从失败中学习
两个新系统ACE和ALTK-Evolve通过使用代理记忆从过去的失败中学习来提高LLM代理的性能。这两个系统都避免将经验教训压缩成摘要，而是保留成功和不成功操作的详细记录。ALTK-Evolve通过提供更灵活的经验教训传递方式来区分自己，允许模型只使用它们能够处理的部分，这与ACE相比，推理成本显著降低，特别是对于能力较弱的模型。
-
新的ACE-Data-0数据集解决了具身AI数据瓶颈
研究人员开发了环境捕获引擎（ACE），一个旨在解决具身智能数据瓶颈的系统。ACE将家庭环境转变为同步录音棚，捕获包括第一人称感知、全身运动、物体交互、音频和触觉信号在内的全面数据流。该系统已被用于创建ACE-Data-0，一个包含150小时跨越不同任务和环境的人类演示的数据集，旨在推进模仿学习和具身AI系统。
-
无人机高光谱成像论文详述PFM-1地雷检测方法
本文探讨了使用无人机（UAV）高光谱成像（HSI）检测PFM-1地雷的方法。研究人员比较了几种检测算法，包括光谱角度映射（SAM）、匹配滤波器（MF）、自适应相干估计器（ACE）和约束能量最小化（CEM）。该研究通过评估在找到所有目标之前需要检查的误报数量，来关注这些方法的运行效率，发现与SAM变体相比，ACE显著减轻了检查负担。
-
新的ACE策略增强了在异质图上的GNN训练
研究人员开发了一种名为自适应互补增强（ACE）的新策略，以改进图神经网络（GNN）在异质图上的训练。现有方法在图的简化版本上进行训练，由于简化过程中信息丢失，在异质数据上表现不佳。ACE通过学习重建原始节点特征并纳入考虑局部异质性的正则化来解决这个问题，从而能够更有效地训练复杂的图结构。
-
将实体关系抽取构建为多轮问答
研究人员通过将实体关系抽取构建为多轮问答问题，引入了一种新颖的方法。该方法利用机器阅读理解模型，并将关键信息编码到问题查询中。在ACE和CoNLL04数据集上进行的实验表明，与现有模型相比，该方法取得了显著的改进，达到了最先进的水平。该方法还成功应用于一个新的中文数据集RESUME，该数据集需要更复杂的推理才能进行实体依赖抽取。
-
商汤在2026 WAIC上发布“未来实验室”，展示具身智能和先进基础设施
在2026 WAIC上，商汤展示了其“未来实验室”，包含未来生活、未来智能计算、未来城市和未来助手四大主题展区。“未来生活”展区重点介绍了“办公小浣熊”等AI原生生产力产品以及用于视频创作的“Seko”智能体，并展示了个人成长工具。“未来智能计算”展区则展示了商汤的AI基础设施，强调了在国产芯片上的性能提升。“未来城市”展区展示了升级版的城市管理平台SenseFoundry，而“未来助手”展区则展示了能够执行复杂任务的具身智能机器人，…
-
LLM模组通过动态NPC和涌现式叙事彻底改变RPG
开源大型语言模型（LLM）正在显著提升角色扮演游戏（RPG）的体验，尤其是在支持广泛模组的游戏（如Skyrim）中。CHIM和SkyrimNet等模组利用LLM来创建动态且上下文感知的非玩家角色（NPC），从而实现涌现式叙事和个性化任务线。这使得玩家能够参与更深层次的角色扮演场景，超越预设内容和静态NPC交互的限制。
-
AI 自进化可能始于外部系统，而非模型权重
前 OpenAI 安全副总裁 Wonyong Li 提出了一条 AI 自进化的新路径，建议从外部操作系统（Harness）开始，而不是直接修改模型权重。该 Harness 系统负责管理工具使用、上下文、任务拆分和结果验证，并可根据观察到的失败进行迭代改进。DeepSeek 的崔天言等研究人员认为，改进 Harness 是 AI 进步的一个有前景的方向，有可能在不改变核心模型的情况下实现显著的性能提升。
-
Lilian Weng 回顾 AI 智能体引导工程；Anthropic 扩展 Claude Cowork
Lilian Weng 的最新研究回顾聚焦于递归自我改进 (RSI) 的引导工程，综合了 35 篇论文的见解。她强调，即使核心模型不断改进，指定目标和上下文的需求仍将持续存在。AI 推特回顾亮点包括 Anthropic 扩展了其“后台智能体”用户体验 Claude Cowork，使 Claude 成为一个任务运行的队友。此外，引导工程正成为智能体设计的核心，LangChain 推出了新课程和项目，Google 的 Gemini API…
-
新框架增强具身代理的复杂操作能力 · 跟踪2个来源
两篇新的研究论文介绍了一种使具身代理能够执行长时程操作任务的框架。Cortex 使用一种双向对齐的具身代理框架，并带有定制的规划接口，将高层视觉语言模型（VLMs）的可执行子任务计划传达给低层视觉语言动作（VLA）模型。ACE 是另一个框架，它采用零样本工作流推理来进行桌面操作，将代理推理与可执行技能以及用于适应动态环境和执行失败的多时间尺度记忆相结合。这两种方法都旨在克服当前模型在处理复杂、多步任务方面的局限性。