Amazon.com Inc. 今日推出了一款名为 Nova Act 的全新人工智能代理,该代理能够控制网页浏览器并自主执行操作。
这款新的 AI 代理是由 Amazon 新成立的 Amazon AGI 旧金山实验室开发的研究预览版本。该实验室此前在 12 月发布了 Amazon Nova 基础模型。Amazon Nova 最初推出了三个文本生成模型 —— Micro、Lite 和 Pro,具备文本摘要、问答和理解上下文的能力。公司同时还发布了两个能够根据文本和图像输入生成图像和视频的模型,分别名为 Canvas 和 Reel。
公司表示还将通过推出新网站 nova.amazon.com 来扩大 Amazon Nova 的访问范围,开发者和技术爱好者可以在这里探索这些基础模型。
Amazon 人工通用智能高级副总裁 Rohit Prasad 表示:"我们将 Amazon 的前沿智能技术赋予每一位开发者和技术爱好者,让他们能够前所未有地轻松探索 Amazon Nova 的能力。"
Amazon Act 能够代表用户在网页浏览器中完成基本任务,如点击按钮和在输入框中输入文本。随着 AI 代理的发布,Amazon 还扩展了 Nova Act 软件开发工具包 (SDK) 的访问权限。开发者可以利用该工具包构建能够将复杂指令分解为一系列动作的代理,比如"帮我找到从家出发依次访问这三家商店,然后在晚上 6 点左右看电影的最简单路线。"
Amazon 表示,他们希望教会 AI 代理"对用户界面元素具有与人类相同的直觉"。这意味着以与人类相同的方式与网页交互,能够理解图标、表单、网页元素等一切内容,在提出问题或任务时做出类似人类的反应。
在其他大型企业如 Google LLC、OpenAI 和 Anthropic PBC 都在开发日益强大的代理型 AI 解决方案的背景下,Amazon 做出了这一举措。Anthropic 在 10 月推出了其 AI 模型 Claude 的实验版本,该版本可以使用计算机界面,包括网页浏览器。而 Google 在 12 月透露正在测试其旗舰 AI 模型 Gemini 的浏览器控制功能。
Prasad 补充道:"我们创造这种体验是为了激发建设者的灵感,让他们能够使用 Nova 模型快速测试想法,然后在 Amazon Bedrock 中大规模实施。"
Amazon Bedrock 是一项完全托管的 Amazon Web Service Inc. 服务,提供来自公司及其他供应商的云托管前沿 AI 模型访问权限和构建 AI 应用程序的工具。开发者现在可以在 nova.amazon.com 注册下载 Nova Act SDK 或测试各种 Nova 模型。
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。