搜索“其他”

x example.mts 你应该能通过扬声器听到音频播放。使用 cURL 示例时，请务必打开 speech.mp3。 TTS 集成常见错误排查 如果首次请求失败，请对照以下潜在错误列表检查收到的状态码。 状态码 含义 处理方法 400 或 404 validation error、invalid request 或 not found：请求无效，或者音色或其他资源不存在 在重试前先修正请求。错误中的 param 字段会指明无效的值。常见原因包括无效的音色 ID（invalid voice id，或对不存在的 ID 返回 voice not found）、不支持的模型或输出格式，或文本过长（text too long）。 401、402 或 403 authentication error、payment required 或 authorization error：API key、额度或访问权限出现问题 对于 401，请检查你的 API key 和 xi-api-key 请求头。对于 402，请添加额度（insufficient credits）。对于 403，请检查你的套餐是否包含

匹配字段正文

注，完成你交给它的任务，即使你暂时离开也会继续工作，并在代表你采取行动之前先与你确认。我们打造 Claude Duet，是为了帮助那些手头事务多到难以一一追踪的专业人士和小企业主。 它以独立应用的形式在 iOS 和 Android 上提供，也可在 claude.ai 上使用。在本次研究预览期间，Claude Duet 包含在 Pro 和 Max 套餐中，并与其他 Claude 功能共用相同的用量限制。如需获取访问权限，请加入等待名单（在新标签页中打开）。 把注意力放在最重要的事情上 我们将 Claude Duet 设计成一位你可以信赖的伙伴。各类专业人士每天都要应对大量决策，我们认为他们会发现 Claude Duet 格外有用。它能帮助你确定该把时间和精力优先投入到哪里，并为那些过去看似不可能或令人望而生畏的宏大项目留出空间。 Claude Duet 之所以如此有用，在于它的判断力。我们围绕 Claude Opus 5.5（在新标签页中打开）设计它，让它善于随机应变，能够判断哪些事情需要你处理、哪些可以等待，以及何时应先与你确认。 每天早晨，它会就你已连接的各应用中最重要的事项，向你发

匹配字段正文

资本支出预计将接近2万亿美元，占全球GDP远超过1%。 这与投资期望获得的回报形成了鲜明对比。到2030年，来自AI软件、服务和消费产品的总收入预计仅达到4.4万亿美元——而Gartner估计，其中最多30%的收入会记入 underlying capital investments。这意味着剩余现金中的很大一部分流向了销售构建在基础设施投资之上的应用、模型和其他服务的公司。 换句话说，企业可能正在为AI驱动的软件和服务付费，但其中只有一小部分最终会支撑用于提供这些服务的数据中心和计算芯片。 “产品负责人不应将AI资本减记仅仅视为基础设施问题，”Gartner的研究写道。“即使一个产品组织不拥有任何AI基础设施，提供商整合、价格波动、模型停用、服务合理化以及主权AI要求，也可能对产品经济性、路线图执行和客户承诺产生重大影响。因此，产品负责人在设计依赖AI的产品时，应假设到2030年底，当今的AI供应格局将变得明显更加集中。” 对neocloud来说不是好兆头 这家研究公司还预计，经济性将因提供商而异。亚马逊、微软和谷歌母公司Alphabet等大型云公司拥有多元化业务和既有现金流来源，这将

匹配字段正文

业信息很少那么干净。仅医疗领域就可能涉及 EOB、复杂往来函件、理赔信息和以不同格式到达的记录。 更新的方法具有更强的上下文感知能力。你可以接收非结构化信息，理解其中哪些是相关的，并将其转换为下游系统实际可用的结构化输出。这很重要，因为如果底层信息不完整或被错误解读，智能体就无法可靠地编排工作。 规模也会改变问题。我们运营的环境处理海量图像、理赔、支付交易和其他文档。在那个层面上，提取质量的微小差异会变成非常大的运营问题。 因此，IDP 日益位于智能工作流的前端。它把碎片化信息转化为可用数据，为流程的下一环节提供可靠依据，并为下游更多自动化奠定基础。 XBP Global 讨论了将传统的、基于规则的流程迁移到智能体 AI 流水线，并实现更高水平的一次通过解决率。一个 AI 系统在能够交付可靠结果之前，必须对组织的流程、例外情况和机构知识有哪些理解？ 大量机构知识从未被整理进一份清晰的流程文档中。 它存在于旧系统、规则集以及多年来操作该流程的人员的判断之中。他们知道哪些信息重要、在特定情况下适用哪条规则，以及当错误决策发生时下游会发生什么。 当你迁移这项工作时，必须保留这种操作知识。在我

匹配字段正文

Venture Partners、Redpoint Ventures、Salesforce Ventures 和 Sands Capital。 本轮融资紧随公司 3 月完成的 5.5 亿美元 D 轮融资之后，使八轮融资的累计总额达到惊人的 8.66 亿美元。 该公司表示，其年度经常性收入在不到 18 个月内从 100 万美元激增至 1 亿美元，增速超过任何其他通过直销团队销售的企业软件公司。接下来的 1 亿美元用了不到六个月。目前 ARR 已超过 2 亿美元。 Legora 提供法律 AI 智能体，正值各团队开始超越简单的法律工作助手，转向能够执行多步骤工作的全方位服务自动化。该公司表示，它正在扩大地理覆盖范围和产品 offerings，以抓住这一需求旺盛的市场。 “法律领域的机会巨大，而我们仍处于早期阶段，”联合创始人兼首席执行官 Max Junestrand 表示。“AI 正在改变律师的角色，让他们有更多时间用于判断和提供建议，它也在重塑律师事务所和内部法务团队的组织方式及其工作完成方式。” Junestrand 补充说，公司打算在美国和全球引领这一转变。 Legora 成立于

匹配字段正文

工作副本 extensions/ 应被提交。在全新检出时， agents-cli install 会从固定的 SHA 重新物化出经过审核的确切代码，方式与 uv sync 恢复固定依赖的方式相同。该命令永远不会推进固定点，因此扩展无法在同一提交的两次部署之间改变其行为。要将固定点推进到所跟踪引用（分支、标签或 SHA）上的最新提交，开发者需运行 。要切换到其他标签或分支，请使用新的 重新运行 。完整生命周期详见“使用扩展 → 生命周期”一节。下一步Agents CLI 最初是一条在 Google Cloud 上交付 ADK 智能体的既定路径。Wi npm install 恢复固定依赖。该 install 该命令永远不会推进固定点，因此扩展无法在同一提交的两次部署之间改变其行为。 要将固定点推进到所跟踪引用（分支、标签或 SHA）上的最新提交，开发者需运行 agents-cli extension update sbom-deploy。要切换到其他标签或分支，请使用新的 重新运行 。 agents-cli extension add 新的 --ref完整生命周期详见 使用扩展 → 生命

匹配字段正文

Linux 计算机在 MCP 服务器连接期间进入睡眠时，MCP 服务器被报告为超时并在无头运行中持续处于失败状态的问题 - 修复了连接在调用中途关闭时 HTTP MCP 工具调用被发送两次的问题；现在仅重试只读或幂等的工具 - 修复了后台任务运行时，某一轮次有时在没有 SDK MCP 服务器最新工具的情况下启动的问题 - 修复了读取大量 PDF 页面、图像或其他大型工具结果的轮次中出现的部分“Autocompact is thrashing”错误 - 修复了云会话中 /autocompact 在会话重启后恢复为默认窗口的问题 - 修复了使用 /clear 清除的对话在云或自托管运行器会话重启后有时会恢复的问题 - 修复了 Claude 应用网关会话中 CLAUDE STREAM FIRST BYTE TIMEOUT MS 被忽略的问题 - 修复了设置了 OTEL EXPORTER OTLP HEADERS 时，Claude 应用网关之后的 Claude Desktop 会话遥测被拒绝的问题 - 修复了 /permissions 最近拒绝未显示被拒绝的 shell 命令， 以及自动模式的

匹配字段正文

Tower本周早些时候发布的估算数据。 但真正引起CEO马克·扎克伯格注意的是人们的使用方式以及他们的消费金额。扎克伯格表示，目前约25%的Muse注册用户每天都会使用它，这有助于提升用户留存率。 他还透露，在使用Muse智能体购物的活跃用户中，超过四分之一的人平均单笔消费超过200美元，这一点甚至令业内人士也感到意外。 “Plaid告诉我们，他们从未在任何其他服务上看到过其连接器出现这样的活跃度，”扎克伯格说。他指的是这家将支付应用与客户银行账户连接起来的金融科技公司。Muse借助Plaid的连接器实现智能体购物。 除购物外，扎克伯格表示Muse的其他热门用途还包括个人生产力任务，例如将AI智能体连接到用户的电子邮件或日历。这位高管强调，这表明用户信任Muse的安全设置，其中包括一项名为“Muse Secure VM”的功能，旨在保护用户的数据和隐私。他还提到，即将推出的“Muse Confidential VM”将确保连Meta也无法查看用户的内容。 既然Muse已经实现“产品市场契合”，扎克伯格表示Meta的重点将转向扩大该AI智能体的规模、增加收入并优化其算力成本。值得注意的是

匹配字段正文

表用户行动前先进行确认。访问通过等待名单开放，首批面向美国的 Pro 和 Max 用户。 Anthropic 表示，Claude Duet 是为事务繁多、难以全面掌握的专业人士和小企业主打造的。该应用以独立应用形式在 iOS 和 Android 上以及 claude.ai 上提供；在研究预览期间，它包含在 Pro 和 Max 套餐中，并使用与 Claude 其他功能相同的用量限制。Anthropic 表示，一旦等待名单上的用户获得访问权限，就会立即通过电子邮件通知他们。 Claude Duet 的工作原理 Anthropic 表示，Claude Duet 围绕 Claude Opus 5.5 设计，旨在判断哪些事项需要用户处理、哪些可以等待，以及何时应先确认。每天早晨，该应用会就用户已连接应用中最重要的事项发送一份简短简报；白天，它会持续关注这些应用，仅在有事需要关注时发送消息。任务范围从安排会议到使用数十种工具构建仪表板、创建财务或销售预测、制作原型，以及构建 Web 应用。 Claude Duet 会沿用用户 Claude 账户中的记忆、技能和已连接应用，用户可以在一个持续对话线程

匹配字段正文

的创始团队以及以更少数据训练大型模型的目标，令硅谷为之惊叹。周三，该公司宣布已完成 10 亿美元 A 轮融资，由 Index 和 Lux 联合领投，据报道估值达 60 亿美元。 这轮融资距离该公司以 1.8 亿美元种子轮启动仅过去九个月，该种子轮由 GV、红杉和 Index 投资。那轮种子融资对公司的估值为 15 亿美元，因此其估值刚刚翻了两番。 新轮融资的其他参与者包括此前的投资方红杉、GV 和 Kleiner Perkins。Valor、Atreides、Kleiner Perkins、A 和英伟达也是该公司的投资者。 Flapping Airplanes 由 Aidan Smith 和 Asher、Ben Spector 兄弟创立。Smith 是一位前创始人、Thiel 研究员，大学期间曾在脑植入物公司 Neuralink 工作。Asher Spector 曾是斯坦福大学的统计学博士生，而 Ben Spector 曾是斯坦福大学的计算机科学博士生，并在麻省理工学院期间创立了 Prod。 Prod 是一个近乎秘密社团、已有五年历史、由学生运营的创业加速器，它“已成为硅谷最强大的人才

匹配字段正文

题联系起来。首席执行官还在探索如何让这些数据服务于更广泛的受众。借助 Quick Research 中的 版本历史 ，他可以在完善调查的过程中回顾早期版本。 要理解粮食不安全问题，需要了解哪些人正在困境中挣扎，以及这种挣扎背后的具体情况。2025 年 9 月，美国农业部（USDA） 宣布 将终止未来的《家庭粮食安全报告》。随着这一长期运行的报告系列终止，获取其他证据来源变得尤为重要。 U.S. Hunger 希望将其收集的信息开放到自身组织之外。它设想建立一个全国性的饥饿数据资源库，让研究人员和公众可以探索寻求援助家庭的经历。在提供这一访问渠道的同时，该组织还计划推出一项可供企业购买的企业级产品，以帮助为其使命提供资金。 正如 Rick 所说，目标是让“我们正在用来帮助人们的这些数据”成为“反哺我们正努力帮助的那些人的飞轮.” 高管洞察与财务规划 全国仪表盘将粮食不安全与收入、教育、健康和社会需求结合在一起。筛选器帮助领导者考察不同人群，并将这些发现用于与潜在合作伙伴的对话，说明家庭为何需要帮助。 在财务规划方面，Rick 使用一个包含审计报告、现金流信息和董事会预算视图的 Space

匹配字段正文

术，并曾宣布 Google Gemini 将于 2026 年进入车辆系统，但此次发布的 OnStar AI Assistant 则是公司自主研发的产品。其目标是为驾驶员和乘客提供更加个性化、更具互动性的使用体验，并在日常出行之外融入更多生活场景。 通用汽车首席产品官 Sterling Anderson 表示，OnStar 正在从传统意义上的呼叫中心转型为“联网智能平台”。未来，它不仅能够理解和分析车辆状态，还能够向用户提供预测性和主动式支持，帮助车主提前应对潜在问题。 作为升级方案的一部分，车辆摄像头系统也将与 OnStar 深度整合。用户未来可通过软件实时查看车外画面，同时保存碰撞事件及安全相关录像。当车辆感知到可能发生异常情况时，例如遭遇具有攻击性的鸣笛或其他潜在风险事件，系统可以自动激活摄像头进行录制，并将相关视频上传至 OnStar 应用。 除此之外，用户还能够通过语音直接控制空调等车内功能，并向 AI 助手咨询车辆各种功能和设置问题。通过车载系统、移动应用和人工智能能力的结合，通用汽车希望将 OnStar 从单一的救援服务品牌升级为覆盖车辆、出行和数字生活的综合智能服务平台。

匹配字段正文

-效率帕累托前沿： ![RelArena-α 排行榜的散点图：跨任务的相对准确率（以 Elo 表示，y 轴）与每 1,000 个样本的中位推理时间（x 轴，对数刻度）。Kumo Relational 位于帕累托前沿，约为 17 秒，Elo 为 1,842。得分最高的条目 rt-plurel 在约 7,300 秒时达到 Elo 1,878，大约慢 430 倍。其他所有基础模型、特征工程系统和监督模型的得分都低于 Kumo Relational，运行速度也更慢。] 图 3. RelArena-α 排行榜：跨任务的 Elo 与每 1,000 个样本的中位推理时间（对数刻度）。在准确率相近的情况下，Kumo Relational 比得分最高的条目快约 430 倍。 论文还报告称，在 SAP SALT 企业基准上，Kumo Relational 的平均倒数排名（MRR）比大型 AutoGluon 集成高 8%，比近期的表格基础模型高约 25%，而微调将其对 AutoGluon 的领先优势扩大到 16%。它在困难条件下也表现稳健：仅使用 0.2% 的训练数据作为上下文也能表现良好，在移除多达 75

匹配字段正文

学生可以通过语音或文字讨论自己的工作量，把较大的项目拆解成更小的步骤，并围绕已有安排来组织优先级。该公司表示，其助手可以建议何时开始学习，并在日程变化时调整计划。 这种方法弥合了一个人们熟悉的差距：知道有一项作业要交，与知道如何完成它之间的差距。周五要交的论文可能需要研究、提纲、初稿和修改。一个有用的规划助手需要让这些中间步骤变得清晰可见，同时为上课、训练和其他事务留出空间。 “我不需要又一个应用来告诉我什么要交了，”Holt Wilson说，“我需要一个AI伙伴，它能理解我生活中发生的一切，并帮我决定接下来该做什么。” 根据公告，该平台可以从上传的教学大纲中提取作业、考试和截止日期，从而构建学期日历。其网站还介绍了日历连接、日程上传以及对iCal和ICS订阅源的支持。Canvas Calendar和Blackbaud Calendar被明确列为已实时接入。 该公司列出的学校系统包括Blackboard、Schoology、Moodle和Brightspace，以及Google Calendar、Outlook和TeamSnap、GameChanger、SportsEngine等体育日

匹配字段正文

于其人工智能基础设施。 “它让社区重新焕发生机，因为我们将作为其中一部分建设一所职业技术学校，”他说，“纽波特市议会要求建设体育设施和游泳池。我们将代表他们建设这些设施。” 该计划还包括面向学校和大学的保护区和研究区。据哈瓦德介绍，芯片直接液冷将为在拟建游泳池中再利用数据中心热量提供机会。 “如果每一家 neocloud 超大规模数据中心提供商都能以这种方式来做，那么我认为我们不仅会开始看到人们对人工智能及其部署方式的积极反响，还会看到对部署地民众的真正益处：降低能源费率、补贴市政税[以及]让那些长期沉寂的地区重新充满欢乐和笑声，”他说，“这就是我们想要推进的蓝图，我们希望其他人也开始做类似的事情。” 以下是完整的视频采访，这是 SiliconANGLE 和 theCUBE 对“主权人工智能：从战略到现实”视频系列报道的一部分： （ 披露：theCUBE 是“主权人工智能：从战略到现实”视频系列的付费媒体合作伙伴。HPE 作为 theCUBE 活动报道的赞助商，以及其他赞助商，均不对 theCUBE 或 SiliconANGLE 的内容拥有编辑控制权。） 图片：SiliconANGLE

匹配字段正文

3 • 如果你只需要一个测试就能加固系统，会怎样？免费入门基于属性的测试：参加由 Hillel Wayne（近期播客嘉宾）主持的在线直播网络研讨会，他是《Logic for Programmers》的作者，也是 Antithesis 的开发者教育者。在此报名。 • Entire – 为智能体时代重建的 Git 托管。Entire 在区域内托管你的代码，速度比其他任何竞争对手快最多 89 倍。一键从 GitHub 镜像——我已经这么做了。 自 2010 年代以来，工程管理的“潜规则”发生了什么变化？是什么推动了向今天局面的转变？这对从工程师到 CTO 的职业路径产生了什么影响？今天的嘉宾是我认识的最能应对这些问题的人之一。 Will Larson 是 Imprint 的 CTO，曾担任工程高管 10 多年，并著有数本关于工程领导力的畅销书，包括《The Engineering Executive’s Primer》《Staff Engineer, An Elegant Puzzle》和《Crafting Engineering Strategy》。此前，他还曾担任 Carta 和 Cal

匹配字段正文

合所消除的间隙。 你可以将相同的工作流用于更大的模型：在表中找到热点，在跟踪中验证它，然后确定融合操作或 torch.compile 能否降低其成本。 在第二部分中，我们将进入设备级剖析。你将打开 NEFF，检查 TensorEngine、VectorEngine 和直接内存访问（DMA）的细分情况，并将内核放置在 roofline 上，以确定它是受计算限制还是受内存限制。 特别感谢 Aritra Roy Gosthipaty 启发我开启本系列，也感谢我的同事 Pinak Panigrahi、Samir Araujo、Akhil Azhikodan、Esha Lakhotia 以及其他同事的审阅！ 本文提及的数据集 1 jlongen-aws/blog-assets 来自该作者的更多内容 使用 Strands Agents、LeRobot 和 Hugging Face Storage Buckets 在一个地方完成记录、训练和部署 从 Hugging Face 一键进入 Amazon SageMaker Studio 本文提及的数据集 1 jlongen-aws/blog-assets

匹配字段正文

中恰恰最为明显：以中等批量服务的小模型。将请求分批可以把权重读取分摊到多个请求上，从而缓解这一问题，但并不能解决它。在每一个解码步骤中，模型还要读取 KV 缓存，即保存已处理上下文并随上下文增长的注意力内存。在我们测量的案例中，也就是评分模型，生成一个 token 的成本是读取一个 token 的 7.4 倍，但这一比例会随硬件、问题、批量大小、上下文长度及其他因素而变化，并且可能更大。总体而言，方向是成立的：生成比读取更贵。 设想一家航运公司按箱子收费，但寄出箱子的收费是收到箱子的七倍。减少箱子总数有帮助。减少寄出箱子则能带来七倍的帮助。一种对输入和输出同等压缩的方法会错过大部分可能的节省。 账单的第三个组成部分是词表本身。模型的最后一层，即 LM head，会把内部状态转换为对每个可能 token 的分数。为此，它为每个词表条目持有一行参数。在 Qwen3-4B 这种规模的模型中，这个矩阵几乎占了参数的 10%。大模型可以毫无察觉地吸收这一占比，但它会给小模型带来负担。 而且这笔成本并非只付一次。输入层只查找正在读取的那个 token 所在的行，但 LM head 会为每个生成的

匹配字段正文

。该结果在真实资金下是否依然成立，仍是一个悬而未决的问题。 用 System One 做出更快的决策 对于这项任务，我们需要一组固定答案的概率。生成书面回复增加了我们可以跳过的工作。 Fireworks 的 System One API 直接读取选项概率，而不生成答案文本。它还将关于共享上下文的多个问题打包到一个请求中。每个问题都可以使用该上下文，而无需关注其他问题分支，因此我们可以复用上下文，同时保持各项决策相互独立。 在一项单独的合成基准测试中，使用相同的适配器和单块 B200 GPU，System One 的服务器处理中位速度比标准 BF16 聊天补全快 2-3 倍。在每次请求 16-32 个问题时，它每秒做出的决策数最多高出 3.6 倍。 精度和运行时间有所不同，因此这些结果比较的是完整的服务栈。该基准测试与和 Jev 的 Kalshi 对比是分开的。 该 cookbook 包含通过 /inference/v1/systemone 服务训练后模型的说明。 你会训练 Muse Glimmer 做什么？ 你不需要有交易方面的雄心也能尝试这个。你的第一个实验可以从一个你已经纠正过太多

匹配字段正文

续测试。该结果在真实资金下是否依然成立，仍是一个未解的问题。 用 System One 更快地做决策 对于这项任务，我们需要一组固定答案的概率。生成书面回答增加了我们可以跳过的工作。 Fireworks 的 System One API 直接读取选项概率，而不生成答案文本。它还将关于共享上下文的多个问题打包到一个请求中。每个问题都可以使用该上下文，而无需关注其他问题分支，因此我们可以复用上下文，同时保持各项决策相互独立。 在一项单独的合成基准测试中，System One 使用相同的适配器和单块 B200 GPU，中位服务器处理速度比标准 BF16 聊天补全快 2-3 倍。在每次请求 16-32 个问题时，它每秒做出的决策数最多高出 3.6 倍。 精度和运行时间不同，因此这些结果比较的是完整的服务栈。该基准测试与使用 Jev 的 Kalshi 对比是分开的。 该 cookbook 包含通过 /inference/v1/systemone 提供训练后模型服务的说明。 你会训练 Muse Glimmer 做什么？ 你不需要有交易方面的雄心就能尝试这个。你的第一个实验可以从一个你已经纠正过太多

匹配字段正文