Doubao Work предоставляет доступ к моделям Kimi, GLM и DeepSeek для корпоративных клиентов

Компания AgiBot выпустила модель GO-3 Preview 29 октября. Эта воплощенная модель искусственного интеллекта способна продолжать обучение в масштабе на всех этапах: во время предварительного обучения, после него и уже после внедрения в работу. AgiBot намерена сделать полную модель общедоступной к концу 2026 года.

GO-3 Preview основан на архитектуре, которую AgiBot называет WRAM, или Моделью Действий Рассуждения о Мире. Эта архитектура связывает рассуждение о задаче, прогнозирование будущих событий и генерацию действий, позволяя роботу понять инструкцию, предвидеть результат и выполнять соответствующие движения.

Модель недавно завоевала первое место в трех рейтингах для воплощенного ИИ: RoboDojo, RoboTwin и RoboColiseum. AgiBot утверждает, что модель масштабируется по двум направлениям. С одной стороны, богатые примеры обработки объектов и развития задач предоставляются видеозаписями людей от первого лица, а траектории роботов связывают наблюдения с действиями и физическими результатами.

С другой стороны, более высокая обучающая способность модели превращает этот разрозненный опыт в навыки, которые могут быть применены к новым задачам. После предварительного обучения компания отмечает, что роботы могут выполнять незнакомые задачи в домах, на кухнях, в системах с несколькими роботами и осуществлять тонкую манипуляцию без дополнительной тонкой настройки.

При помощи нескольких демонстраций модель способна осваивать длительные и деликатные операции, например, приготовление дзяньбина — китайского пикантного блинчика. После тонкой настройки и координации шагов агентом, робот также может собирать детали Лего.

Для этапа после обучения AgiBot разработала систему распределенного обучения Genie Evolver, которая объединяет около ста реальных роботов с симуляцией физики и моделями мира. В игре по керлингу на столе робот обошел среднего протестированного человека после четырех часов онлайн-тренировок. В игре с башнями из блоков он смог вытащить пять блоков подряд, сохраняя устойчивость башни.

После внедрения агентская структура Genie Master обеспечивает связь между суждением, исполнением и обратной связью, позволяя роботам непрерывно совершенствоваться в процессе работы. Робот AgiBot G2, работавший в реальном круглосуточном магазине, самостоятельно обнаружил причины собственных сбоев, скорректировал свой подход и сохранил полученные знания без участия человека или настройки. Успешность этого робота на полном рабочем процессе возросла с 28,6 процента в первый день до стабильных 85,7 процента через пять дней.

В задаче, подобной повешению небольших крючков, AgiBot заявляет, что этот метод повысил успех выполнения отдельной задачи на 17,7 процентных пункта по сравнению с традиционной контролируемой тонкой настройкой, и процесс обучения продолжается онлайн.

Kuaishou интегрировала цифровых помощников на основе искусственного интеллекта в рабочую среду продавцов Kuaishou Shop, своей платформы электронной коммерции. Эти инструменты предназначены для мелких продавцов, которые ведут магазин самостоятельно или неполный рабочий день. Данные ассистенты доступны круглосуточно и могут быть вызваны через рабочее место на ПК, специальный режим ИИ в приложении или виджет операций ИИ на компьютере, согласно информации, опубликованной IT Home.

Продавцы могут задавать вопросы на простом языке, например, о причинах снижения трафика за последнюю неделю или о текущем состоянии возвратов. Центральный хаб операций ИИ определяет запрос продавца, собирает данные магазина, инструменты и правила платформы, а затем передает задачу соответствующему агенту.

Функционал цифровых сотрудников

Система включает восемь различных ролей. Виртуальный менеджер магазина проводит полную диагностику всего магазина и предлагает стратегии для повышения конверсии новых клиентов, стимулирования повторных покупок, регистрации в кампаниях и корректировки названий товаров. Специалист по данным отвечает на вопросы, касающиеся продаж, трафика и возвратов, а также выявляет первопричины любых отклонений.

Видеоспециалист занимается диагностикой коротких видеороликов, подбором продуктов, генерацией готовых клипов за один шаг, автоматической публикацией и продвижением контента. Специалист по прямым трансляциям помогает с планированием, выбором товаров, написанием сценариев, просмотром и обзорами после эфира.

На стороне обслуживания клиентов, специалист по работе с возвратами изучает обращения, разъясняет правила платформы относительно споров и предлагает решения для снижения высокого процента возвратов. Специалист по обслуживанию клиентов анализирует отзывы и показатели удовлетворенности, а также чаты жалоб. Кроме того, есть специалист по выполнению заказов, который следит за логистическими проблемами, и специалист по соблюдению норм, который объясняет риски нарушений и причины падения рейтинга опыта магазина.

Kuaishou описывает эту систему как замкнутый цикл: сначала диагностируется проблема, затем предлагается стратегия, которая выполняется от имени продавца, и в конце проводится анализ полученных данных. Другая статья IT Home перечисляет более широкий набор инструментов, поддерживающих эту систему. К ним относятся функция пакетного добавления товаров в каталог, автоматическая публикация видео, платформа для генерации сценариев и видео, настройка прямых трансляций с помощью ИИ в один клик, ассистент для живого общения, автоматическое управление партнерскими программами, настройка рекламных кампаний на естественном языке, ИИ-клиентское обслуживание, восстановление после возвратов и автоматическая печать и отправка заказов.

В ходе освещения этой темы один продавец одежды, работающий неполный день, сообщил, что каждый вечер проверяет показатели экспозиции, кликов и возвратов по сравнению с предыдущим днем, а также позволяет агенту автоматически публиковать видео, пока он находится на основной работе. Представитель чайной компании отметил, что благодаря этим инструментам они в значительной степени сократили потребность в найме видеоредакторов.

Shanghai Artificial Intelligence Laboratory представила полную версию своей агентно-ориентированной крупной модели Atria Dawn. Этот релиз состоялся примерно через месяц после появления предварительной версии Atria Dawn в середине сентября.

Модель была обучена на базовой модели GLM-5.2, которая содержит 744 миллиарда параметров в формате mixture-of-experts. Она предназначена для поддержки научно-исследовательской и инженерной работы, требующей понимания окружения, использования инструментов и выполнения многоэтапных задач.

Основное изменение, отмеченное лабораторией, заключается в увеличении контекстного окна с 256 тысяч токенов, доступных в превью, до 512 тысяч токенов в полной версии. Тем не менее, таблица загрузки модели в репозитории проекта на GitHub по-прежнему указывает 256K как для полной модели, так и для ее версии FP8, поэтому разработчикам рекомендуется сверяться с документацией хостируемого API для уточнения применимого лимита.

Лаборатория теперь классифицирует возможности модели по четырем направлениям. Обнаружение (Discovery) включает сбор и систематизацию данных, проведение глубоких исследований и преобразование исследовательских вопросов в исполняемые планы экспериментов. Создание (Creation) охватывает разработку программного обеспечения, интерактивных приложений, игр, систем машинного обучения и визуализаций данных. Доставка (Delivery) позволяет преобразовывать технические задания, данные и требования к дизайну в структурированные отчеты и презентации. Кибербезопасность (Cybersecurity) фокусируется на анализе проблем безопасности, проверке уязвимостей, применении исправлений и повторном тестировании, при этом ограничена авторизованными средами.

По сравнению с превью, лаборатория подчеркивает значительные улучшения: прирост на 7,2 балла в JobBench (57,5 против 50,3), рост на 2,7 балла в WideSearch (84,6 против 81,9) и увеличение на 2,6 балла в PaperBench (89,6 против 87,0). Однако в таблице оценки репозитория, которую лаборатория утверждает как соответствующую ее веб-сайту, показаны меньшие улучшения по большинству других бенчмарков, включая AutomationBench (54,7), SkillsBench (67,8) и SWE-bench Pro (61,7). В некоторых тестах превью показало равные или более высокие результаты, например, в BrowseComp, где 92,5 превью опережает 91,3 полной версии.

Модель доступна через хостинговые API с отдельными международными и китайскими конечными точками. Репозиторий содержит руководства по настройке для SGLang, vLLM и Codex. Модель принимает только текстовый ввод. Код выпущен под лицензией MIT, но веса для полной версии на Hugging Face и ModelScope пока помечены как «Скоро появится»; на данный момент можно загрузить только веса превью.