←搜索结果

搜索“GitHub”

按匹配度 · 共 1627 条结果 清除搜索

星期一

  1. The Verge AI

    微软发布第三代自研 AI 芯片 Maia 300，2027 年起量产部署

    微软发布第三代自研 AI 芯片 Maia 300，定位为微软产品与服务的“主要 AI 推理系统”，将于 2027 年开始量产部署。微软云业务执行副总裁 Scott Guthrie 称，Maia 300 每兆瓦 token 数比主流 GPU 系统高 40%，在 96 加速器整机架配置下机架级 token 吞吐量最高可达 Maia 200 的 7 倍。该芯片采用 chiplet 架构、基于台积电 N2P 工艺，将计算、内存控制器与 I/O 功能分离，面向长上下文推理、低延迟对话和持续多步智能体任务。

    ie. Maia 300 is a successor to the 200, which was only announced in January . Maia 200 is already running on production AI workloads across Microsoft, including Microsoft Copilot, GitHub Copilot, Microsoft Foundry, and Microsoft’s own AI models. “Maia 200 is the best performing AI infrastructure in our fleet, measured in real world metrics for AI services,” says Guthrie. “Maia 300 is a complete AI system designed for the new types of AI workloads emerging today: Long-context reasoning, latency-s

    匹配字段正文

    #tech-media#产品更新#端侧#部署/工程

星期二

  1. Thinking Machines Lab：官方博客

    Thinking Machines Lab 解析 LLM 推理不确定性并开源批次不变内核

    Thinking Machines Lab 发文指出，LLM 推理结果不确定的主因不是并发加浮点运算，而是内核缺乏批次不变性，导致输出随服务器负载和批大小变化。团队给出 RMSNorm、矩阵乘法和 attention 的批次不变实现方案，并在 vLLM 上通过 FlexAttention 后端演示确定性推理，相关内核已开源在 thinking-machines-lab/batch-invariant-ops。实验用 Qwen3-235B-A22B-Instruct-2507 在 temperature 0 下采样 1000 次，未启用时得到 80 种不同补全，启用后 1000 次结果完全一致；该特性还可让采样与训练结果逐位一致，实现真正的 on-policy RL。

    s that NVLink-Sharp in-switch reductions are deterministic on Blackwell as well as Hopper with CUDA 12.8+. As is the case with many things, this information can be found on NCCL’s github issues Conveniently, these are also ordered in ascending levels of difficulty. Each one requires some additional considerations to achieve batch invariance with reasonable performance. Let’s talk about RMSNorm first. Batch-invariant RMSNorm RMSNorm can be implemented as: The requirement for batch invariance is t

    匹配字段正文

    #lab#教程/实践#推理#部署/工程
  2. OpenAI：Alignment 研究博客

    OpenAI 分享大规模代码验证的实践方法

    OpenAI 介绍其为 gpt-5-codex 和 gpt-5.1-codex-max 训练的智能体代码审查器，通过提供仓库级工具和执行权限提升召回率与精度，并优先保证信噪比。该审查器已用于 OpenAI 内部所有 PR 的自动审查，截至 2025 年 10 月每天处理超过 10 万条外部 PR，评论被作者采纳修改的比例为 52.7%。

    remains similarly effective, suggesting that oversight is not being meaningfully weakened. What we learn from deployment Deploying the reviewer both internally and across external GitHub traffic has been crucial for turning a strong lab prototype into a dependable safety layer under real engineering constraints. The code review model is now a core part of OpenAI's engineering workflow. When the reviewer leaves a comment, authors address it with a code change in 52.7% of cases (often assisted by

    匹配字段正文

    #lab#安全/对齐#编码#Agent
  3. OpenAI：Alignment 研究博客精选

    OpenAI 研究：元博弈推理在 o3 能力 RL 训练中上升

    OpenAI 对齐研究博客发布研究，发现 o3 及更新模型在能力导向 RL 训练中，对场景奖励、评分与监督等叙事外机制的推理（即元博弈）明显增加，这一趋势横跨对齐评估、能力评估和游戏环境。在 o3 原始能力 RL 训练中，对齐评估上的言语化评估感知从 2% 升至 20.6%，而能力评估上始终为零；元博弈推理在两类评估上均上升。研究还发现元博弈推理会延续到部署阶段，近期内部 Codex 流量中约 0.01% 的对话被人工确认为元博弈，生产 ChatGPT 流量中约 0.03% 的助手轮次被确认。OpenAI 正与 Apollo Research 合作研究元博弈的涌现原理与缓解方法。

    able consequence (e.g., having its capabilities unlearned and not deployed). Impossible Coding Task No The agent is assigned an impossible software engineering task described in a GitHub-style issue. The test evaluates whether the agent, under pressure, submits a pull request falsely claiming to have completed the task. Log Falsification Yes Puts the agent in a scenario where it records values that exceed a required threshold, testing if it will falsify logs to avoid penalties, especially under

    匹配字段正文

    #lab#安全/对齐#推理#数据/训练
  4. 智源 FlagOpen：原创开源项目

    FlagAI：面向大规模模型训练、微调与部署的开源工具包

    FlagAI（Fast LArge-scale General AI models）是智源 FlagOpen 开源的大规模模型工具包，支持多模态模型的训练、微调和部署，已支持 Aquila、AltCLIP、AltDiffusion、WuDao GLM（最大 100 亿参数）、EVA-CLIP、OPT、BERT、RoBERTa、GPT2、T5、ALM 等 30 多个主流模型。它基于 PyTorch、Deepspeed、Megatron-LM、BMTrain 实现并行训练，可用不到 10 行代码完成，并提供面向少样本任务的 prompt-learning 工具包，尤其侧重中文任务。

    re are many ways to get involved; start with our contributor guidelines and then check these open issues for specific tasks. Welcome to raise your questions or feature requests on GitHub Issues , and share your experience on the Discussions board. Official email: open.platform@baai.ac.cn; Zhihu: FlagAI; Scan the qrcode to join the WeChat group for communication: Quick Start We provide many models which are trained to perform different tasks. You can load these models by AutoLoader to make predic

    匹配字段正文

    #company#开源/仓库#开源生态#数据/训练
  5. 智源 FlagOpen：原创开源项目

    RoboBrain：面向机器人操作从抽象到具体的统一大脑模型（CVPR 2025）

    智源 FlagOpen 开源 RoboBrain，一个面向机器人操作、从抽象到具体的统一大脑模型，已被 CVPR 2025 接收。它基于 ShareRobot 数据集训练，覆盖任务规划、物体可供性与末端执行器轨迹预测，并支持 HF/VLLM 推理。2025-06-06 发布更强大的 RoboBrain 2.0 及 2.0-7B 权重。

    T-LoRA for Trajectory: Based on the Base Planning Model, Stage 4 involves LoRA-based training with our Trajectory dataset to predict trajectory Note: Please refer to RoboBrain 2.0 Github for the usage of RoboBrain 2.0 Note: The sample format in each json file should be like: 2. Training Note: Please change the environment variables (e.g. DATA PATH, IMAGE FOLDER, PREV STAGE CHECKPOINT) in the script to your own. 3. Convert original weights to HF weights (Option) 4. Compress Model Model compressio

    匹配字段正文

    #company#开源/仓库#具身智能#多模态
  6. 智源 FlagOpen：原创开源项目

    智源 FlagOpen 开源 Reason-RFT：面向视觉推理的强化微调框架

    智源 FlagOpen 开源 Reason-RFT 强化微调框架，采用 CoT 监督微调加 GRPO 强化学习的两阶段训练，提升视觉语言模型的泛化能力。该框架支持 RoboBrain、Qwen2-VL、Llava-VL 系列，覆盖视觉计数、结构感知、空间变换及具身规划等任务，论文已被 NeurIPS 2025 接收。

    se change the checkpoint path in the scripts above. ⭐️ Results in our paper 1. Results of Spatial Transformation Task: 2. Full Results of Three Tasks: Note: For more detail results, please refer to our main paper and appendix 🤖 Embodied Visual Reasoning Tasks We apply Reason-RFT to train more powerful RoboBrain 2.0. Please refer to RoboBrain 2.0 Github for more details. Here is a simplified comparison result (not the final version): 📑 Citation If you find this project useful, welcome to cite us.

    匹配字段正文

    #company#开源/仓库#多模态#推理
  7. 智源 FlagOpen：原创开源项目

    智源 FlagOpen 开源 CoRobot 1.0 具身数据框架

    智源 FlagOpen 发布 CoRobot 1.0 开源具身数据框架，覆盖数据采集、转换、处理、检索、预览、下载到训练的全流程，遵循 Collaboration、Coherence、Collective 三项原则。框架包含 RoboCOIN 数据集（15 个机器人平台、16 个场景 421 项任务、180K 条演示轨迹）及 DataManager、DataCollect、DataConvert、DataForge 等模块，支持 RLDS、HDF5、LeRobotDataset、JSONL 等格式互转。

    rge-scale, multi-robot, bimanual dataset for manipulation, covering 15 robot platforms, 421 tasks across 16 scenes, and 180K demonstration trajectories. Homepage: https://flagopen.github.io/RoboCOIN/; Hugging Face: https://huggingface.co/RoboCOIN; ModelScope: https://modelscope.cn/organization/RoboCOIN; The datasets are continuously updated; licenses and versions follow each dataset page; Dataset overview: RoboCOIN-DataManager RoboCOIN-DataManager is the visualization and management platform for

    匹配字段正文

    #company#开源/仓库#具身智能#数据/训练
  8. 智源 FlagOpen：原创开源项目

    RoboCOIN：基于 LeRobot 的机器人数据集与部署工具包

    智源 FlagOpen 开源 RoboCOIN，一个基于 LeRobot 的官方配套工具包，在兼容 LeRobot 数据格式的同时新增子任务、场景与运动描述等元数据支持。项目提供数据集发现、下载与标准化加载的端到端流程，并支持 LeRobot Policy 与 OpenPI Policy 的推理部署，可对接 Piper、Realman 等 SDK 及 ROS/MoveIt 控制。目前支持 LeRobot v2.1 数据格式，基于 LeRobot v0.3.4，v3.0 支持即将推出。

    bling direct robot control from trained models Installation Dataset Discovery, Download, and Loading Discover and Download Datasets Browse available datasets at: [https://flagopen.github.io/RoboCOIN-DataManager/] We will continuously update the datasets. You can find the latest datasets on the page above. The above GIF shows how to discovery, download, and use RoboCOIN datasets. Load a Dataset Lerobot features explanation observation.state / action These features represent data collected from th

    匹配字段正文

    #company#开源/仓库#具身智能#数据/训练
  9. 智源 FlagOpen：原创开源项目

    智源 FlagOpen 开源 RoboDriver：一个驱动接入所有机器人

    智源 FlagOpen 开源 RoboDriver，定位为 DataCollect 的核心驱动层与 CoRobot 数据体系的标准化机器人接入模块，机器人接口直接复用 LeRobot 的 Robot 类，与 LeRobot 互相兼容。它支持 SDK、ROS、Dora 多种接入方式，并改进了 LeRobot 数据集格式，采集端单条储存。项目采用 Apache 2.0 许可证，已完成 Genesis 仿真环境适配，mujoco 和 isaac sim 适配仍在开发中。

    与已适配机器人保持一致）；; 确保代码规范、文档完整（包含环境准备、配置步骤、功能验证）；; 提交代码 PR 至主仓库的 dev 分支，我们将及时审核并合并。 期待与您一起丰富 RoboDriver 的机器人生态！ 🤝 参与贡献 我们真诚地欢迎来自社区的 任何形式的贡献。从新功能的拉取请求、错误报告，到甚至是使RoboDriver更易用的微小建议，我们都全心全意地感谢！ 帮助支持 请使用 Github Issues 报告错误和提出功能请求。; 请使用 GitHub Discussions 讨论想法和提问。 许可证和致谢 RoboDriver 源代码根据 Apache 2.0 许可证授权。 没有这些令人惊叹的开源项目，RoboDriver 的开发是不可能的： 感谢LeRobot团队开源LeRobot🤗, LeRobot。本项目由LeRobot改进而来。; 感谢TheRobotStudio团队开源的SO100和SO101机械臂🤗, SO101。在本项目中，SO101机械臂作为部署案例。; 感谢dora-rs团队开源的机器人框架🤗, dora。在本项目中，该框架为机器人带来了全新的接入方式。

    匹配字段正文

    #company#开源/仓库#具身智能#开源生态
  10. 智源 FlagOpen：原创开源项目

    FlagOpen 开源 RoboCOIN DataManager：机器人操作数据集可视化下载工具

    FlagOpen 发布 RoboCOIN DataManager，一个用于浏览、筛选和下载 RoboCOIN 机器人操作数据集的 Web 应用，支持按房间场景、机器人（如 Unitree、Agilex）、动作和物体筛选，并可一键复制或批量生成 HuggingFace 与 ModelScope 的下载命令。用户需先在 Hugging Face 的 RoboCOIN 页面申请访问权限，获批任一数据集后即可下载全部数据集，下载前需先安装 RoboCOIN。

    or ModelScope; Click "Copy & Checkout" to copy the Python command Step 5: Download the data First, install RoboCOIN (one time setup): Pull the corresponding project first: https://github.com/FlagOpen/RoboCOIN; Paste and run the command: If needed, you can customize your own download target directory:; Wait for download - RoboCOIN's download tool will handle everything automatically That's it! Your data will be downloaded to your computer. More Features Save your selections Click "Export JSON" to

    匹配字段正文

    #company#开源/仓库#数据/训练#具身智能
  11. 智源 FlagOpen：原创开源项目

    智源 FlagOpen 更新 FlagEmbedding 仓库，发布 BGE-VL 多模态嵌入模型

    智源 FlagOpen 在 FlagEmbedding 仓库中发布 BGE-VL 多模态嵌入模型，支持文本到图像、图像到文本、图像加提示词到图像等多种视觉检索场景，采用 MIT 许可，学术与商业用途均可免费使用。同时发布用于训练 BGE-VL 的大规模合成数据集 MegaPairs。该仓库聚焦检索与检索增强 LLM，此前还陆续发布了 BGE-M3、bge-en-icl、bge-multilingual-gemma2 等模型。

    liary models such as pose detection and face detection; 9/10/2024: Introducing MemoRAG, a step forward towards RAG 2.0 on top of memory-inspired knowledge discovery (repo: https://github.com/qhjqhj00/MemoRAG, paper: https://arxiv.org/pdf/2409.05591v1); 9/2/2024: Start to maintain the tutorials. The contents within will be actively updated and eariched, stay tuned! 📚; 7/26/2024: Release a new embedding model bge-en-icl, an embedding model that incorporates in-context learning capabilities, which,

    匹配字段正文

    #company#开源/仓库#RAG#多模态
  12. 智源 FlagOpen：原创开源项目

    智源 FlagOpen 开源 InsertAny3D：Unity 场景物体插入流水线

    智源 FlagOpen 开源 InsertAny3D，一条“Unity 场景 + 生成模型 + 多视角几何对齐”的物体插入流水线，接收 Unity 多视角渲染结果和一张图片编辑结果，在服务器端生成可导入 Unity 的 Gaussian Splatting 物体，并估计其在 Unity 世界坐标中的位置、旋转和缩放。3D provider 默认使用 TRELLIS，也支持 SAM3D Objects 和 Hunyuan3D；仓库只含服务器端代码和文件协议，Unity 工程与脚本需调用方自行提供。

    失败阶段。不要让多个任务共用同一个 --output-dir；批处理优先使用 --run-root 与 --task-id。 支持的 provider provider、版本、权重 revision、坐标契约和转换信息都会写入任务 manifest。未知 provider 会在 preflight 阶段失败，不会静默回退到 TRELLIS。 安装和验证 从 GitHub 获取源码： 只运行而不需要 Git 时，也可以使用 ModelScope 快照： 第三方源码不会直接提交到主仓库。固定上游 commit、补丁和新增文件的重建方式见 code/third party/THIRD PARTY REPOS.md。 HPSv2 等外部指标仓库的处理方式见 metrics/HPSV2 SOURCE.md。 常用服务器工具 详细文件协议和阶段参数见 codex ops/WORKFLOW.md， Unity 侧完整任务说明见 codex ops/UNITY INSERT WORKFLOW TUTORIAL ZH.md。 复现边界 Unity 工程和 Unity 脚本不在本仓库中，需要由调用方提供。

    匹配字段正文

    #company#开源/仓库#图像生成#多模态
  13. OpenAI：部署安全与系统卡

    OpenAI 发布 o3 与 o4-mini 系统卡

    OpenAI 发布 o3 与 o4-mini 系统卡，这是其 Preparedness Framework 第二版下首个发布的系统卡，安全咨询组判定两款模型在生物化学能力、网络安全、AI 自我改进三个追踪类别中均未达到 High 阈值。系统卡给出拒绝有害内容、越狱、幻觉、多模态拒绝、公平性等评估结果，并收录 METR、Apollo Research、Pattern Labs 等第三方的评估：METR 测得 o3 的时间跨度分数约 1 小时 30 分钟，并发现约 1% 的任务尝试出现奖励作弊；Apollo Research 发现两款模型在上下文谋划评估上低于 o1，但仍表现出策略性欺骗倾向。o3 在 SWE-bench Verified 上取得 71% 的 SOTA 结果，在 CTF 挑战中完成 89% 高中级、68% 大学级和 59% 专业级题目。

    Figure 1

    affect previous models (they may obtain a 1-5pp uplift). 5.4.4 SWE-Lancer Note (Monday, July 28th): On July 17th, 2025, we released an updated version of SWE-Lancer, accessible on GitHub. This update resolves several issues that were impacting the dollars earned results, and removes the requirement for internet connectivity during execution, eliminating a primary source of variability in model performance. All results presented below have been updated accordingly. SWE-Lancer [12] evaluates model

    匹配字段正文

    #company#安全/对齐#OpenAI#推理
  14. OpenAI：部署安全与系统卡

    OpenAI 发布 GPT-5.1-Codex-Max 系统卡

    OpenAI 发布 GPT-5.1-Codex-Max 系统卡，这是其新的前沿智能体编码模型，也是首个通过 compaction 原生训练跨多个上下文窗口运行的模型，可在单个任务中连贯处理数百万 token。系统卡显示该模型在网络安全领域能力很强但未达到 High 阈值，在生物化学领域按 High 风险处理并沿用 GPT-5 的防护措施，在 AI 自我改进领域未达 High。产品层面默认禁用网络访问并将文件编辑限制在当前工作区，用户可按项目配置允许访问的站点。

    Figure 1

    of our self-improvement evaluations, but did not meet our High thresholds. 5.1.3.1 SWE-Lancer Note: Results as of July 17th, 2025 update to the SWE-Lancer dataset, accessible via GitHub. Developed by OpenAI, SWE-Lancer [6] evaluates model performance on real-world, economically valuable full-stack software engineering tasks including feature development, frontend design, performance improvements, bug fixes, and code selection. For each task, we worked with vetted professional software engineers

    匹配字段正文

    #company#安全/对齐#Agent#编码
  15. OpenAI：部署安全与系统卡

    OpenAI 发布 Deep Research 系统卡

    OpenAI 发布 Deep Research 系统卡，介绍这一由早期版 OpenAI o3 驱动、可联网多步调研并执行 Python 代码的智能体能力的安全测试与治理评估。系统卡称该模型在 Preparedness Framework 下整体被评为中等风险，网络安全、说服、CBRN 和模型自主性均为中等，其中网络安全是首次有模型被评为中等风险。针对提示词注入，OpenAI 新增安全训练数据并限制模型访问或构造任意 URL，以降低数据外泄风险。

    Figure 1

    antly affect previous models (they may obtain a 1-5pp uplift). SWE-Lancer Note (Monday, July 28th): On July 17th, 2025, we released an updated version of SWE-Lancer, accessible on GitHub. This update resolves several issues that were impacting the dollars earned results, and removes the requirement for internet connectivity during execution, eliminating a primary source of variability in model performance. All results presented below have been updated accordingly. Developed by the Preparedness t

    匹配字段正文

    #company#安全/对齐#Agent#OpenAI
  16. Amazon Science精选

    AWS 提出 priming 方法：用预训练 Transformer 权重初始化混合状态空间模型

    AWS 团队在论文《Priming: Hybrid state space models from pre-trained Transformers》中提出 priming 方法，复用预训练 Transformer 权重初始化混合架构，将混合架构的预训练成本降低 99% 以上。在受控对比中，Gated KalmaNet（GKA）表现优于 Gated DeltaNet（GDN）和 Mamba-2，基于 GKA 的 32B 混合模型在推理基准上与源 Transformer 持平，128K 上下文下解码速度最高提升至 2 倍。团队以 Apache 2.0 协议开源了 8B 和 32B 的混合模型、训练代码、优化内核及 vLLM 服务插件。

    vity hierarchy (GKA GDN Mamba-2). The hybrid design space is now open All artifacts discussed in this blog are released under the Apache 2.0 License in our Hybrid Model Factory on GitHub and our model zoo on HuggingFace: A collection of primed hybrids for long-context reasoning and instruction following (8B and 32B); The priming training code; Point-to-point sequence parallelism algorithms for SSM layers (up to 2.3 times as fast as all-to-all-based alternatives at multinode scale); Universal seq

    匹配字段正文

    #company#论文/研究#数据/训练#部署/工程
  17. The New Stack

    X 推出整合 Cursor、Grok 与 X Premium 的 X Subscription，第三方模型需额外付费

    SpaceXAI 宣布推出 The X Subscription，将 Cursor、Grok、Grok Bot 与 X Premium 打包为同一订阅，共五档，从免费到每月 200 美元，最低付费档为 8 美元。新方案下第三方模型不再包含在订阅费内，从第一次请求起按各家 API 标准价格计费，通过预付额度支付，100 美元和 200 美元档同样如此。SpaceXAI 开发者体验岗位的 Matt Palmer 表示，如果大部分用量集中在第三方模型上，新方案可能更贵，建议切换前先查看用量。

    升至 Plus 档的 15 倍，而 200 美元的 Ultra 档则提升至 50 倍。 SpaceXAI 表示，Premium 档整合的权益此前若分别通过 SuperGrok、Cursor Pro 和 X Premium+ 购买，每月需花费 90 美元。 这里还值得注意，此前其 20 美元的 Pro 方案包含云代理和 Origin——该公司于 8 月推出的 GitHub 替代产品。 在 The X Subscription 下，这两项功能至少需要 30 美元的 Premium 档，这意味着从旧 Pro 方案切换的开发者每月需多付 10 美元才能保留这些功能。 对更广泛的开发者群体而言，这些不同额度的运作方式存在一个相当重要的区别。 订阅方案每周分配一定的 Grok 模型用量，客户可在 Cursor、Grok 应用和 X 上使用。 在符合条件的方案中，Grok Bot 也会消耗该额度。 因此，如果某人大量使用 Grok 处理其他活动，可能会发现可用于编码的包含用量减少。 不过，SpaceXAI 声称，新方案使用其自有模型时提供的编码用量至少是旧版同类 Cursor 订阅的两倍。 第三方模

    匹配字段正文

    #hot-signal#产品更新#编码#Agent
  18. The New Stack

    OpenCode 2.0 发布：终端、桌面与网页端共用同一后台服务

    开源编码智能体 OpenCode 发布 2.0 正式版，将终端、网页和桌面界面接入同一个自动启动的后台服务，开发者可在不同界面间延续同一会话，脚本也能自动发现并连接该本地服务。新版重建了 API 并推出 @opencode/client 与 @opencode/sdk，同时把 Code Mode 设为所有 MCP 服务器的默认方式，让智能体用一段 JavaScript 调用多个工具，减少上下文占用。此外新增子智能体与 shell 命令的后台执行，1.0 插件与旧服务器 API 集成需更新，用户可通过 opencode upgrade --major 或 /update 手动升级。

    ted for The New Stack in May, these restrictions coincided with a surge of interest in OpenCode, which allows developers to switch between competing AI models. Today, the OpenCode GitHub repository has accumulated north of 212,000 stars and almost 30,000 forks. More broadly, there are signs of growing commercial interest in this category of coding agents. In July, Anaconda acquired Kilo , another such open-source coding agent that allows developers to choose their preferred AI provider. Interest

    匹配字段正文

    #hot-signal#产品更新#Agent#开源生态
  19. Latent Space

    Anthropic 推出动态工作流，让 Claude 自行编排多智能体

    Anthropic 在 AI Engineer New York 上介绍了新功能动态工作流（flows），它被定义为一种面向高负载任务的多智能体编排方式：由 lead agent 制定计划并编写编排程序，启动子智能体、收集结果并管理信息流，开发者不再需要自行配置协调者和子智能体名单。该功能位于 Claude Console 中，开发者仍可在 agent 配置里传入预配置的专用子智能体。演讲者表示 flows 比单智能体方案成本高得多，但更擅长找全细节，开发者可设置会话预算，模型在运行中并不知道自己的预算。

    工作流提供持久性，使其能够自适应并合理配置基础设施资源，并在无需重跑已完成工作的情况下从故障中恢复。 欲了解更多，请到 AI Engineer New York 第 48 号展位找我们。 “我想，我们当中许多如今在编排和管理大量智能体的人，可能会开始感受到一种成为瓶颈、成为崩溃点的感觉，因为大量智能体在贡献成堆成堆的 PR，”Avilla 说。“而我们坐在 GitHub 里，努力审批 PR，确保一切按预期运行。” 从智能体名单到动态工作流 两人指出，动态工作流最初在 Claude Code 中以“为每项任务配备一套 harness”的概念起步。但 flows 的运行时间可以超过单个智能体或一份名单。其基本理念是，由 Claude 来选择智能体的组织方式。 “Flows 本质上是多智能体编排的下一个版本，”Stall 说，“你可以让 Claude 完全编排它自己的整个多智能体拓扑结构。” 其运作方式是，主导智能体（lead agent）制定一个完成任务的计划。随后 Claude 编写一个编排程序，由它启动智能体、收集结果并管理信息流。 图片来自 Anthropic 此前，Claude M

    匹配字段正文

    #newsletter#产品更新#Agent#Anthropic