铃阅时讯
❌

普通视图

MiniMax Code CLI 正式开源

2026年9月18日 20:25

原创 MiniMax 2026-09-18 20:25 上海

今天,MiniMax Code CLI 的 v0.4.12 版本面向全球开发者正式开放,并且以 MIT 协议正式开放源代码。

MiniMax Code CLI 是 MiniMax Code 客户端的核心组件。在基于 FrontierHarness Eval 的本轮评测中,取得了 76.7% 的任务通过率,成功任务耗时中位数为 4 分 33 秒,两项指标均优于报告所列公开基线。我们希望通过优秀的 harness 设计,持续释放模型能力,缩短任务等待时间。*1

我们希望通过开源,让开发者能够审视工具调用和权限处理,构建可靠的企业级应用。也让社区参与发现问题、贡献修复。让使用更放心,让安全机制在实际使用和审查中持续完善。

快速体验:

curl -fsSL https://filecdn.minimax.chat/public/install.sh | bash

Github 源码:

https://github.com/MiniMax-AI/minimax-code

客户端下载:

https://agent.minimax.cn/download

MiniMax Code 仍然在高速迭代中,我们愿和社区共建安全、可靠、高性能的 harness,持续释放模型的智能水平。

Intelligence with Everyone.

备注:

跳转微信打开

奇舞周刊第597期:Agent 工程与研发实践

2026年9月18日 18:50

小编 2026-09-18 18:50 北京

Agent 工程与研发实践                                                

📄 大淘宝技术|淘宝百亿补贴数据分析助手 Agent 实战

发布日期:2026 年 9 月 4 日

文章介绍淘宝百亿补贴如何在自然语言与 SQL 之间增加业务语义层,并通过多 Agent 编排、知识检索和执行校验串联取数、分析与归因流程。系统先校验字段和指标口径,再生成 SQL,同时结合血缘溯源与 Python 沙箱分析;案例查询耗时由 30—120 秒缩短至 3—10 秒。

📄 腾讯技术工程|DeepSeek Harness 背后的“心脏”:Cordis 到底是什么

发布日期:2026 年 9 月 4 日

文章拆解 DeepSeek Harness 的底层插件框架 Cordis,说明它如何统一管理插件生命周期、依赖关系、事件分发与资源清理。插件通过上下文注册服务和事件,依赖变化可触发生命周期处理;卸载时则执行关联清理逻辑,使模型、工具和会话能力能够动态装配、替换并保持运行时可控。

📄 阿里技术|AI Agent 应用精细化评测:评测体系设计与工程实践

发布日期:2026 年 9 月 2 日

文章将 Agent 评测拆为端到端效果,以及感知、规划、记忆、工具调用等模块指标,并建立评测范围、数据集与埋点之间的映射。端到端指标负责判断任务是否完成,模块指标用于定位具体缺陷。文章还强调,回答是否忠于检索材料,与检索来源本身是否正确,需要分别评估。

上下文与开发工具

📄 字节跳动技术团队|换工具、换 Agent,不换上下文:OpenViking 让研发 Context 始终在线

发布日期:2026 年 9 月 2 日

OpenViking 将资源、记忆与技能组织为统一的上下文文件系统,帮助研发资料在不同工具和 Agent 之间持续复用。内容通过 L0 摘要、L1 概览、L2 详情分层加载,减少完整资料反复进入上下文;会话结束后还能提取长期记忆并保留检索轨迹,便于追踪信息为何被选中。

📄 ByteDance Web Infra|Rslib 1.0 正式发布:面向多场景的 JavaScript 库开发工具

发布日期:2026 年 9 月 3 日

文章发布 Rslib 1.0。该工具基于 Rsbuild,统一 JavaScript 库的编译、类型生成与资源处理,覆盖工具库、组件库和 CLI 等场景,可输出 ESM、CJS 等格式,并支持打包或保留模块结构。类型生成适配 TypeScript 7,开发流程还可与 Rstest、Rspress 等工具组合使用。

📄 腾讯云开发者|删掉 80% 的 Prompt 规则,Agent 交付成功率反而更高了

发布日期:2026 年 9 月 1 日

文章反思依赖超长 Prompt 约束 Agent 的做法,主张把规则分别落实到上下文索引、可信事实来源、工具能力和验证关卡中。这样既能减少提示词负担,也能让关键要求变成可执行、可检查的交付约束。核心思路是让系统承担确定性控制,而不是要求模型记住所有规则并始终正确执行。

产品与业务技术实践

📄 美团技术团队|美团智播——数字人直播技术创新与实践

发布日期:2026 年 9 月 3 日

文章介绍美团智播如何围绕形象生成、动作驱动、流式语音手势协调和直播内容量产构建完整技术链路。系统在换装、换背景时保持人物身份一致,通过因果生成模型提升动作自然度,并配套业务知识库支持实时应答和批量内容生产,展示数字人模型走向商家直播场景的工程化过程。

📄 小红书技术 REDtech|小红书 × vivo 首发!从相册到社交,一文读懂 3D 图片技术实践

发布日期:2026 年 9 月 3 日

小红书与 vivo 基于三维高斯泼溅技术,打通 3D 图片从相册生成、社交发布到移动端消费的完整链路。方案通过几何与外观压缩、结构剪枝和分级细节控制内容体积,并以早期裁剪、并行解码和实例化绘制优化渲染;文中测试设备帧率由 30 FPS 提升至 45 FPS。

📄 搜狐技术产品|广告埋点参数自动化校验的 AI 升级实战

发布日期:2026 年 9 月 3 日

文章介绍搜狐如何在原有广告埋点规则引擎旁增加 AI 校验链路,用于补充跨参数关联等复杂检查能力。新旧链路并行运行,AI 检查设置超时、缓存和熔断,异常时自动回退到确定性规则;结果融合时只补充新发现的问题,不推翻传统引擎结论,从而控制模型接入风险。


-END -

如果您关注前端+AI 相关领域可以扫码进群交流

添加小编微信进群😊

关于奇舞团

奇舞团是 360 集团最大的大前端团队,非常重视人才培养,有工程师、讲师、翻译官、业务接口人、团队 Leader 等多种发展方向供员工选择,并辅以提供相应的技术力、专业力、通用力、领导力等培训课程。奇舞团以开放和求贤的心态欢迎各种优秀人才关注和加入奇舞团。

跳转微信打开

蟠桃会设计播客第一期VOL.1团队AI能力构建:Al让我们更像设计师还是更不像?

2026年9月18日 18:44

淘宝设计 2026-09-18 18:44 中国香港

📷仅仅关于一个业务特定的团队如何用Al能力进行日常设计?

👫仅仅关于一个人数众多的设计团队的如何选择前行和谨慎?

🔌仅仅关于一个整体的设计团队如何因为AI

进行设计的协同?

📡仅仅关于为何选用设计工作流的方式解决我们的日常任务?

📋仅仅关于如何重新审视各自类型的设计流

程和Al能力矩阵?

🧲仅仅关于如何判断该由团队自建还是对外选用AI工具能力?

……

⛑️但,不知道,

❌我们的探索也许都是错的。

跳转微信打开

山行公司 | 自闭症新解法 未知君XA-9111菌株获得国家发明专利

2026年9月18日 17:11

山行资本 2026-09-18 17:11 北京

XA-9111 专利的获得,是未知君 AI+BT 研发平台与 XGB 国人肠道菌株库持续产出创新菌株的又一重要成果。

自闭症谱系障碍(ASD)是一种多在婴幼儿阶段显现的神经发育障碍,全球患病群体巨大,目前缺乏根治手段,干预与支持主要着眼于改善沟通、行为适应和生活质量。近年来,依托肠脑轴研究,肠道微生物与该病症的关联受到广泛关注,具有特定功能的菌株的研究也为这一领域提供了新方向。

近日,未知君自研功能菌株 XA-9111 正式获国家发明专利授权,专利名称为《能够缓解自闭症谱系障碍的长双歧杆菌婴儿亚种及其应用》,专利号码为ZL 202311637430X。

专利资料显示,在使用 XA-9111 进行干预后,两类具有自闭症相关行为特征的小鼠模型均出现了重复行为减少及社交表现改善。此外,MIA 模型小鼠的部分炎症指标降低,BTBR 小鼠的脑内神经活动相关指标也发生了变化。

图 1|XA-9111 相关发明专利证书

XA-9111 是未知君自主研发的原创功能菌株,属于长双歧杆菌婴儿亚种(Bifidobacterium longum subsp. infantis),分离自深圳地区健康、纯母乳喂养的5月龄女性婴儿粪便样本,是“Made in Shenzhen”的“本土菌+本地菌”。目前,该菌株保藏于中国微生物菌种保藏管理委员会普通微生物中心,保藏编号为 CGMCC No.26615。

图 2|长双歧杆菌示意图(AI 生成)

在研究XA-9111 对自闭症相关行为的影响时,未知君科学团队使用了两类小鼠模型。其中,MIA 即母体免疫激活模型,研究人员在孕期激活母鼠的免疫反应,再观察其后代的行为变化,本次选用的是这些后代中的雄性,也就是“雄性子代小鼠”;BTBR 小鼠是指具有自闭症相关行为特征的实验品系,这类小鼠会表现出社交减少、重复理毛增多等行为,因此被用于自闭症相关研究。本次同样选用雄性的 BTBR 小鼠。

研究结果显示,在 MIA 和 BTBR 两类小鼠模型中,XA-9111 的干预均带来了包括“重复行为减少”和“社交表现改善”在内的显著行为改善。

  • 重复行为减少:研究人员记录了小鼠梳理毛发的时间,以及将玻璃珠埋入垫料中的数量。与模型组相比,接受 XA-9111 干预的小鼠,理毛时间显著缩短,埋珠数量显著减少。

  • 社交表现改善:研究人员通过“三箱社交测试”,观察小鼠对陌生同伴的探索行为。结果显示,接受 XA-9111 干预后,两类小鼠在陌生同伴所在笼子周围的探索时间均显著增加。

研究人员还围绕 XA-9111 展开多项测试。结果显示,MIA 模型小鼠在 XA-9111 干预后,焦虑行为有所改善,BTBR 小鼠的过度活跃和焦虑行为也有所改善。此外,在 MIA 模型小鼠中,与模型组相比,XA-9111 干预组血浆中的 IL-6、TNF-α 两项炎症相关指标降低,提示 XA-9111 对 MIA 模型小鼠的炎症反应具有一定抑制作用。而在 BTBR 小鼠中,研究人员对大脑纹状体中的神经元进行染色和计数,发现 XA-9111 干预后,c-FOS 阳性神经元数量显著减少;专利据此提出,重复刻板行为的改善可能与纹状体神经元过度激活的减轻有关。

图 3|XA-9111 在 MIA 与 BTBR 小鼠中的行为学结果及 BTBR 神经活动相关指标

XA-9111 专利的获得,是未知君 AI+BT 研发平台与 XGB 国人肠道菌株库持续产出创新菌株的又一重要成果。这株源自深圳本土的长双歧杆菌婴儿亚种,在动物模型中展现出改善小鼠的自闭症相关行为、抑制炎症的潜力,为自闭症谱系障碍领域的微生态干预研究提供新的研究思路。

未知君将持续深挖 XA-9111 的应用及转化价值,推进后续研究探索,期待用来自中国、来自深圳的本土功能菌株,为神经发育相关疾病的患者带来新的曙光。

山行公司 | 东方空间首次承载巨型星座组网任务  一箭9星发射圆满成功

山行公司 | 谦合益邦打造全球首款4层3D DRAM存算一体芯片

山行公司 | 科辉智药完成近亿元A轮融资

山观 HIKE Insight | AI4AI:让AI成为自己的科学家

山观 HIKE Insight | 从带宽到容量:HBF技术演进与VC投资机会

跳转微信打开

jina-ocr-v1:在低成本 GPU 上更快解析文档

2026年9月18日 15:00

原创 Jina AI 2026-09-18 15:00 新加坡

570M 激活参数,将吞吐推向帕累托前沿。

HF 🤗 https://huggingface.co/jinaai/jina-ocr-v1 

魔搭 🧙 https://modelscope.cn/models/jinaai/jina-ocr-v1

技术报告 📖 https://arxiv.org/abs/2609.03181 

API 💻 https://jina.ai/models/jina-ocr-v1

我们正式发布 Jina-OCR-v1。

这是一个总参数 3.4B,解码时每个 Token 仅激活 570M 的紧凑型端到端文档解析模型。在 OmniDocBench v1.6 (91.14) 与 olmOCR-Bench (83.4) 两大基准上,它均刷新了同级别最佳成绩;在 14 款主流端到端系统的吞吐实测中,它以 2.57 页/秒 领跑全场。

在单张 NVIDIA L4 这样的低成本显卡上,通过专门设计的推测解码草稿头,生成速度 几乎翻了一倍,而且输出序列与标准自回归解码严格一致,完全无损。

我们延续了 DeepSeek-OCR 的紧凑视觉编码与 MoE 解码路线,重点做了两处改动:

  1. FastMTP:用单个共享 dense block 递归前向 K=3 步生成候选 token,草稿参数量与前瞻深度解耦,不再随 lookahead 增长;

  2. Dense Verifiable Rewards(GRPO):每一项奖励都由确定性代码对照参考真值计算,并按部分正确程度分级给分,而非简单的 0/1 判定。

仅靠后训练改进,模型在 olmOCR-Bench 上就涨了 7.4 分,OmniDocBench 各细分维度也全面提升。

(a) 统计了单个视觉 Token 分摊的像素面积(对数坐标):DeepEncoder 将 1024×1024 画面直接从 4,096 个 Patch 压缩至 256 个 Token,平均单 Token 承载 3,887 像素;相比之下,主流编码器单 Token 仅覆盖 783~1,022 像素。前置压缩比越高,多模态 Prefill 阶段的计算与自回归期间视觉上下文占用的 KV Cache 就越低。

(b) 图是单张 A100、并发 32,olmOCR-Bench 上每秒做完几页。

(c) 图的横轴是激活参数,纵轴是基准分。实线连的是帕累托前沿。570M 这个点上,jina-ocr-v1 精度和吞吐两个都位于帕累托前沿。

14 个系统在单张 A100、并发 32 下的实测对比:(a) 每秒输出 token 数、(b) 每页输出 token 数、(c) 每秒处理页数(即 a 除以 b)。

Surya OCR 2 每秒能吐出 3,760 个 token,看起来最快,但单页要写 3,568 个 token,算下来实际吞吐只有 1.05 页/秒;而 jina-ocr-v1 输出极其精炼,1,085 tokens/页,配合 2,792 tokens/s 的生成速度,端到端吞吐达到了 2.57 页/秒。

模型与训练

文档解析在实际生产中最烧钱的环节,就是长序列的逐 token 生成(自回归解码)。

DeepSeek-OCR 已经帮我们砍掉了前置开销:它用高压缩视觉编码器配紧凑 MoE 解码器,把视觉 token 和激活参数压到了极低水平。jina-ocr-v1 继承了这套底座,将优化重点直接对准剩下的自回归生成瓶颈。

上面是整体架构图。

DeepEncoder 与 MoE 解码器延续 DeepSeek-OCR:单页先生成 1024x1024 全局视图(压缩为 256 个视觉 token),再切出 n 个局部 tile(每个 tile 100 个 token)。FastMTP 头(橙色)通过单个共享稠密块递归前向,一次提出 K = 3 个候选 token 交给主解码器验证。

文档 OCR 有个天然优势:排版局部结构高度确定,预测难度低,天生适合做推测解码(Speculative Decoding)。

传统的多 token 预测(MTP)方案很笨重:每多看一步就要多挂一个独立 draft head,前瞻越远参数越膨胀。我们用 FastMTP 换了个思路。只用一个共享 dense block,靠 hidden state 反馈递归执行 K=3 步前向预测,参数量与 lookahead 解耦。

因此,推测解码产出的文本与主模型直接自回归贪心生成完全一样:只提速,不降质。

组件

规格

视觉编码器

DeepEncoder (~380M): SAM (80M) → 16x conv → CLIP-L (300M)

视觉 Token

256 @ 1024x1024 (Base); 256+100n, n ≤ 9 (Gundam, ≤ 1,156/page)

解码器

DeepSeek-3B-MoE:12 层,d = 1280,64 个路由专家 + 2 个共享专家,top-6

激活参数 / 总参数

~570M / ~3B(解码器);< 1B / ~3.4B(整个模型)

词表

129,280

位置上限

32,768 (RoPE, θ = 106)

MTP 头

1 个共享稠密块,递归 K = 3 步(FastMTP)

输出格式统一为 Markdown,表格使用 HTML 结构,公式使用 LaTeX 语法。

预训练语料混合了主流公开 OCR 数据集(olmOCR-mix、FinePDFs、LightOnOCR、MMTab、UniMER 等),并针对性补充了高难度真实排版源,例如 Europeana 历史报纸、美国国会图书馆缩微文献和 NARA 档案。清洗时先用规则过滤掉死循环与重复退化内容,再用高精度视觉大模型做单次前向重打标。

为什么必须引入合成数据(JinaOCRSynth)?

真实文档里的复杂公式和深层表格分布太稀疏了。在强化学习(RL)阶段,如果直接用自然页面做采样探索(rollout),绝大多数样本根本碰不到几个结构奖励项,梯度直接停滞。JinaOCRSynth 专门在合成页面中高密度塞入结构化表格和公式,并自带单元测试断言,给训练提供充足信号。

后训练流程由监督微调(SFT)、长尾劣化页面鲁棒性微调以及 GRPO 强化学习交替迭代。GRPO 阶段的奖励函数由多个确定性可验证项相乘得出:

组件

信号

作用

内容

混合 LaTeX/HTML 上的归一化编辑距离

文本保真度

公式

公式字符串匹配

公式正确性

表格

TEDS、TEDS-S、表格编辑距离

结构还原

结构有效性

花括号配对、标签闭合、表格完整性

格式规范

单元测试

olmOCR 风格的存在性、顺序、数学与表格测试通过率

高密度反馈

重复与格式

重复惩罚、HTML 符合性

退化控制

总奖励是各项乘法,这相当于一票否决:任何一项得零分,整页产生的梯度就直接清零。

  • 对大部分检查项(文本、公式、表格),我们都设置了底线分(floor score),允许局部扰动,避免单项偶发失误毁掉整页更新。

  • 唯独重复惩罚坚决不设下限:因为自回归模型很容易靠陷入死循环复读来投机“刷高”局部文本重合度。只要出现这种退化死循环,直接给零分一票否决。

每轮迭代会产生一批候选检查点。我们用自动化 agent 在固定评测预算下搜索最佳模型融合(checkpoint merge)配比;优胜模型暴露出的错误案例,直接驱动下一轮数据的针对性采集。FastMTP 草稿头放在整个训练循环的最后,直接在最终定型的验证器上完成拟合。

评测结果

模型

参数

ArXiv

OldScans-Math

Tables

OldScans

Multi-col

LongTiny

Hdr/Ftr

Base

总分

Gemini 3 Flash

–

80.1

73.6

64.6

45.8

75.3

90.3

27.4

–

–

Qwen3-VL-235B

235B/22B

88.4

81.2

86.7

49.6

85.9

88.9

33.6

–

–

DeepSeek-OCR

3B/570M

77.5

74.5

77.3

33.1

67.3

83.0

96.1

99.3

76.0

dots.mocr

3B

85.9

85.5

90.7

48.2

85.3

81.6

94.0

99.7

83.9

olmOCR-2

8B

82.9

82.1

84.3

48.3

84.3

81.4

–

99.7

82.4

LightOnOCR-2

1B

89.6

85.6

89.0

42.2

84.8

91.4

19.7

99.6

83.2

chandra-ocr-2

4B

86.9

89.192.151.1

82.1

93.7

91.4

99.985.8
jina-ocr-v1

3B/570M

86.1

82.3

88.8

42.6

85.5

93.2

88.7

99.9

83.4

在 olmOCR-Bench 上,jina-ocr-v1 拿到 83.4 分,比基座 DeepSeek-OCR 高出 7.4 分,也超过了 8B 规模的 olmOCR-2。

这里说明一下 Hdr/Ftr(页眉/页脚)这一列:该基准的设计偏向剔除边角杂质,越是主动省略页眉页脚的模型得分越高;老老实实整页转录的系统在这项上反而会扣分。

方法

参数

总分 ↑

TextEdit ↓

FormulaCDM ↑

TableTEDS ↑

TableTEDS-S ↑

ROEdit ↓

Gemini 3 Flash

–

92.62

0.066

95.16

89.29

93.51

0.172

Qwen3-VL-235B

235B/22B

89.78

0.063

92.55

83.07

86.75

0.166

DeepSeek-OCR-2

3B/570M

90.25

0.050

91.84

83.89

87.75

0.144

HunyuanOCR-1.5

1B

94.74

0.039

94.50

93.67

94.71

0.129

PaddleOCR-VL-1.6

0.9B

96.340.03397.5394.7697.100.128
jina-ocr-v1

3B/570M

91.14

0.046

93.28

84.68

89.01

0.142

在 OmniDocBench v1.6 评测中,jina-ocr-v1 以 570M 激活参数拿到 91.14 分,各项指标全面领先 DeepSeek-OCR-2,也超过了参数大得多的 Qwen3-VL-235B。

在 L4 上的推测解码实测

模式

k

输出Token/秒 ↑

加速比 S ↑

接受率

τ

c ↓

Eager

0

42.7

1.00x

–

–

1.00

Eager

1

64.0

1.50x

82.6%

1.83

1.22

Eager

2

77.9

1.82x

69.1%

2.38

1.30

Eager

3

83.11.95x

57.6%

2.73

1.40

Graph

0

158.3

1.00x

–

–

1.00

Graph

1

185.61.17x

82.9%

1.83

1.56

Graph

2

183.8

1.16x

69.3%

2.38

2.05

Graph

3

172.9

1.09x

57.9%

2.74

2.51

测试环境:olmOCR-Bench,单卡 NVIDIA L4,vLLM 0.20.1,并发 batch size = 1。τ 代表单次推测平均接受的 token 数(含验证带出的 bonus token);c = τ/S 是单个推测步折算成多少步标准自回归。

这里有一条工程经验:基线自回归跑得越快,留给推测解码的边际收益空间就越窄。

先看 τ。k = 3 时,Eager 是 2.73,CUDA Graph 是 2.74,说明 draft head 质量根本不受运行环境影响。两边的最优前瞻步数却走到了两个极端,一个拉满 k=3 最快,一个退到 k=1 才快。

  • 在 Eager 模式下(CPU 调度受限,主模型太慢):原生自回归单步要 23.4ms,大半时间耗在 CPU 一遍遍发射 CUDA kernel。这时让 draft head 一次多带几个 token,等于少付几次发射税。所以激进推测最合适, k = 3 最优,加速 1.95x。

  • 在 CUDA Graph 模式下(显存带宽受限主导):Graph 打包了 kernel 发射,自回归单步耗时只需要 6.3ms(吞吐从 42.7 跃升至 158.3 tokens/s)。但推测解码由于有动态分支,依然要承担 9ms 的固定开销。此时多猜一步的成本已经比再生成一个 Token 更贵了,前瞻收益被严重摊薄。因此在 Graph 模式下,单步推测 k = 1 才是收益最高的最优解(1.17x)。

生产部署建议:无法使用 CUDA Graph 的环境(或轻量 Eager 实例)直接拉满k = 3;已经跑通 CUDA Graph 环境下,只开 k = 1。

快速上手

最简单的调用方式是走 Jina Reader API。

直接把文档或网页 URL 传给 r.jina.ai,并附带对应请求头:Reader 会自动抓取、渲染并调用 jina-ocr-v1,直接返回 Markdown:

curl "https://r.jina.ai/https://example.com/document.pdf" \
  -H "Authorization: Bearer $JINA_API_KEY" \
  -H "X-Respond-With: jina-ocr-v1"

如果只要转录多页 PDF 中的某一页,加一个 X-Page 请求头即可。这两项开关在 Reader Web 控制台 https://jina.ai/reader/ 都支持可视化勾选。

若要直接调用模型,托管端点完全兼容 OpenAI 接口规范:

curl https://api.jina.ai/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer ***" \
  -d '{
    "model": "jina-ocr-v1",
    "messages": [{
      "role": "user",
      "content": [
        {"type": "text", "text": "Transcribe the provided document image into a clean Markdown format, preserving the natural reading order."},
        {"type": "image_url", "image_url": {"url": "https://example.com/document.png"}}
      ]
    }]
  }'

Document OCR

把扫描页、照片或 PDF 转成干净 Markdown,表格和公式一并带上。 

我们准备了一个 demo,方便先 vibe check。 

https://jina.ai/api-dashboard/document-ocr-test

若要在本地私有化部署,权重与自定义建模代码均托管在 Hugging Face,加载时指定trust_remote_code=True。启用 FastMTP 推测加速需要 vLLM 0.21 以上,且在启动引擎前注册一次架构:

import sys
from huggingface_hub import snapshot_download
from PIL import Image
from vllm import LLM
sys.path.insert(0, snapshot_download('jinaai/jina-ocr-v1'))
from deepseek_ocr_mtp import DEFAULT_OCR_PROMPT, register, vllm_llm_kwargs, vllm_sampling_params
register()
llm = LLM(**vllm_llm_kwargs('jinaai/jina-ocr-v1',
                            num_speculative_tokens=3,
                            mtp_heads=1,
                            mtp_recursive=True))
image = Image.open('document.png').convert('RGB')
outputs = llm.chat(
    [{'role': 'user', 'content': [{'type': 'image_pil', 'image_pil': image},
                                  {'type': 'text', 'text': DEFAULT_OCR_PROMPT}]}],
    sampling_params=vllm_sampling_params(max_tokens=4096),
)
print(outputs[0].outputs[0].text)

部署避坑提示:

  1. 显式指定 method="eagle":FastMTP 草稿头是用递归隐状态反馈训练出来的。如果误用 vLLM 默认的 method="mtp",引擎会在每步草稿时重新对齐目标特征,导致推测加速失效。我们的注册辅助函数已经默认处理好了这一点。

  2. 原生 Transformers 不会加速:如果仅通过 Hugging Face 的 transformers 库加载,只会执行主 MoE 解码器,FastMTP 草稿权重会被直接忽略。想要翻倍吞吐,请使用 vLLM。

模型同时支持表格和数学公式的逐元素提取、图像图注生成、文档 VQA(视觉问答)以及关键信息抽取,中英文双语均支持。

模型权重遵循 CC BY-NC 4.0 协议开源。

结语

激活参数仅 570M 的 jina-ocr-v1 在两大主流评测同时位于“精度与计算效率”的帕累托前沿,实测整页吞吐同样是稳居第一梯队。

能用如此克制的体量榨出顶尖性能,核心来自两项精简的架构创新:一是针对可验证规则的分级密集奖励,二是通过递归推测解码,配合主模型实现无损加速。

这次实测也打破了一个常见选型误区:Token 吞吐高,并不代表实际解析速度快。

做选型时,大家往往只盯着每秒能吐多少个 Token(tokens/s),但如果模型结构冗余,输出臃肿,单页要生成 3,500 多个 token,哪怕能跑出 3,700 tokens,每秒也只能处理 1 页文档(比如 Surya OCR 2)。

只要解析质量不打折,输出越精炼,端到端吞吐就越高。

这才是 jina-ocr-v1 的核心优势所在,单页平均仅输出 1085 个 token。是所有 83 分以上高精度模型中最精炼的一个,正是这种不带水分的紧凑表达,让它在 A100 上跑出了 2.57 页/秒 的全场第一。

跳转微信打开

GLM-5.3-FlashX上线:大大方方、好好用用、嗖嗖嗖嗖

2026年9月18日 12:37

智谱 2026-09-18 12:37 北京

GLM-5.3-Flash此前以“Ox Alpha”之名与全球开发者见面,获得海内外开发者的广泛认可,调用量持续攀升。面对快速增长的需求,我们在10万张国产芯片提供的推理算力基础上,进一步加大对Infra侧的投入与推理优化。

今日起,我们正式推出GLM-5.3-FlashX(最高200 tokens/s),为企业与开发者带来更快、更流畅的模型体验。GLM-5.3-Flash长期保持同尺寸最强智能水平,并具备极高性价比,本次提速进一步形成智能、价格、速度的全面竞争力。

GLM-5.3-FlashX API现已上线,Model Key:GLM-5.3-FlashX。

使用方式:

跳转微信打开

如何既享受期待,又避免失望

2026年9月17日 21:30

原创 李睿秋Lachel 2026-09-17 21:30 广东

真正有效的期待,是允许现实跟想象不一样

Photo by Gaelle Marcel on Unsplash

本文共有 3600 字

欢迎星标 L先生说

避免收不到推送喔

我们总是生活在期待中。比如,期待一场愉快的旅行,期待一个惬意的周末,期待一次升职加薪,期待跟朋友相聚……

这些期待会给我们快乐,但同时,现实结果又很容易不如人意,反而让我们失望。

那么,如何做到既享受期待,又避免实际结果带来的落差感呢?

今天的文章,我想跟你好好探讨这个问题,希望能给你一些启发。

首先,简单聊一聊:为什么期待会给我们快乐?

大脑的本质是什么?是一台预测机器。既然是预测,那么它的重心就是未来。实际上,大脑所做的一切事情,归根结底都可以总结为一句话,那就是如何让我们更好地适应未来。

因此,我在《打开心智》中讲到一个很重要的原理:多巴胺的奖赏预测误差理论。它就是大脑为了这个目标所建立的一套机制。

简单来说,我们是为什么有动力去做一切事情的呢?最核心的原因就是:我们做了一件事情,从中得到了收益。这种收益带来了多巴胺的释放,于是给大脑打下了一个标记。

下一次再遇到这样的事情,大脑就会自动从中预支一部分奖赏。这部分奖赏就会成为我们的动力,推动我们去做这件事情。

日常生活中,我们所说的内驱力,其实就是这种效应所带来的。

它的有趣之处在于:这种对奖赏回路的激活,在实际收益得到之前,是持续不断产生的。

比如:你跟朋友约好周五晚上聚一下,在聚会之前,你可能会不断想象这次聚会的景象。每想象一次,都会给你带来一点快乐和激励,让你觉得手头的工作也变得更轻松,更有动力去应对各种问题了。

但是,当聚会真正到来了,这种奖赏就得到了、落地了,于是它对大脑来说,就已经变成了过去时。大脑会降低对它的权重,把重心调整到新的事情上面。

这就是大脑的功能和天性。它无所谓好坏,重要的是我们如何掌控它,让它为我们的生活点亮一盏盏灯火,引导着我们不断向前、不断前进。

不过,这个做法会有一个显而易见的问题,在之前的文章里,也有读者提出过了:

不断的想象会不会拉高期待?万一我对它的期待值变得很高,但真正发生的时候,发现它并没有想象的那么好,会不会有很大的落差?会不会让我变得对它更失望了?

确实会的。实际上,这是非常自然、几乎必然会发生的事情。用前面的理论来解释,就是因为我们的预期太高,导致结果发生时不如预期,那么大脑接收到的反馈就变成负的了(结果减去预期为负数),反而会让我们感到很失望。

比如你马上要开始一趟旅行。一般情况下,你肯定会不断想象美好的景象,比如自己旅行过程中会有多开心,认识不同的人会有多好玩,吃到不同的美食会有多快乐,等等。

这就很容易把期待值拉高。一旦实际旅行的时候不如期待,就会感到落差,从而更容易感到失望。

事实上,实际的经历几乎必然不如期待。因为我们期待的时候,往往会期待一些美好的事物,而不会去期待一些不好的东西,比如旅途中的疲惫、劳累、危险、陌生……但这些又是很可能发生的,你不可能保证不遇到它们。

所以,结果不如预期导致产生落差,也是几乎必然会发生的事情。

那么, 如何应对这种情况呢?

一个很有效的方法就是:不要期待具体的结果,而是允许它有不同的可能性。

具体可以怎么做呢?我想分享一个很有用的方法给你。

首先,请允许自己开心地期待。

期待就是为了快乐。如果只关注在未来可能发生的问题、困难和挑战上面,那生活得也未免太辛苦了。千万不要让自己为未来还没发生的事情去烦恼,这就是在「贷款焦虑」。

所以,请开心地想象未来,想象这种美好的生活和经历正在一步步靠近自己,想象自己在到时的场景里会有多开心、多放松、多舒服。

但是,一旦出现具体的「脚本」,就多想象几种不同的路径。

什么意思呢?简单来说,一旦你发现自己陷入「对某个具体结果的想象里」时,就不妨多想几种可能性。

比如,你要计划一场旅行,可能会这样想象:到时天气可能会很好,不冷不热不下雨,每天都能出门,我第一天要逛哪里哪里,要拍什么照片,要吃哪里的什么美食……

这时,你就会发现,自己可能已经过度专注在某个「过于顺利」的结果上面了。那么就不妨再想象两个版本:一个是普通顺利的版本,一个是不太顺利、但还能接受的版本。

比如,第二个版本就可以是:天气没有那么好,下了几场小雨。但是,在蒙蒙细雨里走在街上,随机拐进一家小店,跟当地人聊一聊,是不是也是一件很有趣的事情?

第三个版本就可以是:去到某个景点,发现大排长龙,自己又不想排队。那么,果断先放弃这个景点,去一些比较小众、很少人提到的地方,随意地逛一逛、走一走,会不会也挺有意思的?

依此类推,你还可以想象四个、五个……但是也不需要特别多,一般来说三个就可以了。关键是两点:

一是错开层级,分别想象最顺利的、一般顺利的和没那么顺利的;

二是不要只关注可能遇到的问题和不舒服的地方,而是关注自己的主观能动性:即使发生了这些不愉快的事情,我可以做些什么,可以如何度过它们,可以有哪些替代方式,可以如何调整和转变状态。

你会发现,一旦用了这个方法,你就不容易因为落差而感到失望了。相反,无论发生什么,你都能够更从容地应对。

这个方法的机制是什么呢?简单来说,就是通过事先的想象和推演,让大脑展开充分的预测,更有效地拟合可能的现实。

大多数时候,当我们遇到问题时,真正困住我们的是什么?其实很可能并不是问题本身,而是我们对它的想象。

我们总是倾向于把问题想得太困难、太复杂,把自己能做的事情想得太少,从而才容易在问题前面止步不前。

但是,一旦你事先做过预演,告诉自己:

我可能会遇到这样那样的问题,但是这些问题都不会影响我,我都可以有不同的应对方式,同样可以过得很好。

这时,你就不容易被问题所困住了,因为你已经通过事先的预演,来校正了大脑对威胁和风险的习惯性放大,能够更好地应对问题和困难。

实际上,这也就是我们所说的「松弛感」的来源。

所谓的松弛感,其实来源于什么呢?来源于这么一种心态:一切非常顺利当然好,但如果没那么顺利也没关系,反正只要不会特别糟糕就行。无论如何,我都要享受我的每一天,享受每一种不同的可能性,它们都是在丰富着我的生活。

很多你在当下觉得很困难、很难受的问题,其实如果过了五年、十年,你回过头来看,也许会觉得:它们都是生活中一些小小的、有趣的涟漪。正因为有了这些经历,生命才变得更丰富、更充实。

那么,为什么不把这种心态,放在一切发生之前,让自己能够更好地享受未来呢?

不止如此,还有一个小技巧也很有用。当你完成一次期待和实际之后,不妨做这么一件小事情:记录下自己的预测,并在实际发生之后的不同时期做几次记录,把它们放在一起对比。

举个例子:比如你正在计划一次搬家,你可能会非常期待搬到新家的感受,这时,不妨问自己这几个问题:

比如:

  • 我预计搬到新家会有多开心?从 1 - 10 打分。

  • 我预计这种开心会持续多久?

  • 我预计最令我开心的是什么?

  • 我预计它对我改变最大的是什么?

  • 我预计可能会遇到什么问题?

……

然后,当你搬到新家之后,分别在一周后、一个月后和三个月后,重新回答上面的问题。

你可能会发现一些很有趣的事情。比如:

  • 你当初预测自己的开心会持续三个月,结果可能只持续了一个月;

  • 你当初觉得最令你开心的是新装修,结果发现最令你开心的是楼下的烟火气;

  • 你当初觉得对你改变最大的是增加了在家里的满足感,结果发现改变最大的是你更愿意下楼去散步了;

  • 你当初预计最大的问题是开支,结果发现是新鲜感消退之后,维护和打理它的日常工作更让你厌烦……

日积月累,你就能更好地建立一套属于自己的「预测框架」。你会更清晰地看到:自己更容易误判什么,重视什么,关注什么,应该如何调整和校正自己的预测。

那么,你就不再容易产生落差,因为你会更了解自己,更加知道自己想要什么。

最后,我想跟你分享一些看法。

很多人可能会有这么一种思维:因为总是产生落差,所以告诉自己「不要期待」或者「降低期待」。这虽然避免了落差,但是也丢失了期待所带给你的快乐。其实并不划算。

更好的做法是什么呢?也许是保持期待,但是不过度沉浸在期待里,而是清晰地知道:

  • 我期待的是它所带来的美好。

  • 它有很多种可能性,我脑海中浮现的画面,只是众多版本之一。

  • 不管面对什么样的可能性,我都有能力去应对和调整。

这样,既不会把快乐完全寄托在一个小概率的期待上,也不会为了避免失望而变得悲观。

一言以蔽之,我们需要训练的,也许是这种「对期待的校准能力」。也就是尽量把它所带来的收益曲线,变得更平滑、更贴合现实。同时,也让自己在实际结果到来的时候,能够有更好的心态去应对。

生命只有一次。我们所经历的一切,无论好坏,是否符合预期,都是我们生命的一部分。正是这些体验,以及我们面对它们的态度,构成了我们的一生。

一旦让自己抱着「丰富生命体验」的心态,而不是「我一定要得到最好的结果」,也许,一切困难就会迎刃而解。

简单总结一下今天分享的三个方法:

1)当感觉到自己陷入对某个过于顺利的结果的想象时,请多想象两个「不那么顺利」的版本,并关注自己能做的事情。

2)不妨做一个预测和实际对比的记录,培养一套更适合自己的「预测框架」,自动校准预测。

3)抱着体验生活的心态,而不是一定要得到最好结果的心态,往往会舒服得多。

希望今天的推送对你有帮助。

我是 李睿秋Lachel

欢迎关注 L先生说

每周四晚 21:30 更新

一起探索心智成长的奥秘

THE END

-  晚  安  -

跳转微信打开

东方空间首次承载巨型星座组网任务 一箭9星发射圆满成功

2026年9月17日 18:20

山行资本 2026-09-17 18:20 北京

四次成功、连续两次远海发射,以及此次进入巨型星座组网任务,构成了东方空间进一步商业化的依据。

2026年9月16日6时,山行资本被投企业东方空间的引力一号(遥三)·千帆全顺号运载火箭,在上海东部海域点火升空,将8颗千帆星座组网卫星与1颗EUHT(超高速无线通信)技术试验卫星送入预定轨道。至此,引力一号四次海上发射全部成功。

这也是东方空间首次承接巨型低轨卫星互联网星座组网发射任务。对于一家商业火箭公司,进入星座建设的实际交付环节,意味着产品要面对更具体的客户要求,也要开始回答一个长期问题:如何把经过验证的运力,转化为可持续的发射服务。

引力一号遥三发射实录· 东方空间提供

从2024年1月11日首飞成功,到2026年9月16日完成第四次发射,引力一号的任务范围由海阳近岸拓展至东海远海,并首次承接巨型低轨卫星互联网星座组网任务。连续成功验证了引力一号重复执行商业任务的能力,也让东方空间积累了远海机动发射、不同载荷适配与多星分离的工程经验。此次距上次发射仅56天,为后续提高发射频次、服务规模化组网积累了新的任务经验。

组网任务考验整套交付体系

卫星互联网星座需要分批、持续地部署卫星。对发射服务商而言,运力只是其中一项要求,还需要适配不同的卫星构型、入轨需求与发射安排。客户关心的是卫星能否按要求送达,以及后续任务能否得到稳定支持。

此次任务同时搭载堆叠星组合体与平板星,对星箭接口适配和多次分离控制提出了更高要求。据东方空间披露,本次净载荷重量超过3吨,入轨高度达800公里,创造了我国单次海上发射载荷重量及轨道高度的纪录。这些具体的工程经验,将为后续承接同类任务提供依据。

另一个值得关注的变化是制造与发射的衔接。本次卫星在上海制造,在附近海域发射;海上机动发射让发射点可以更灵活地选择,也为缩短星箭转运链条、协调产业资源提供了更多空间。

引力一号遥三升空画面· 截自东方空间提供的视频

靠谱发射验证交付能力

东方空间在实际任务中完成验证,发射服务能够跟上客户的组网计划。

四次成功、连续两次远海发射,以及此次进入巨型星座组网任务,构成了东方空间进一步商业化的依据。

与此同时,东方空间正在推进引力二号可重复使用大型液体运载火箭研制。按照公司披露,其低轨目标运力为21.5吨,计划通过可回收复用进一步降低发射成本。

山行期待引力二号在后续首飞与复用验证中取得进展,与引力一号共同满足不同载荷和任务的需求。

祝贺东方空间团队完成本次发射,山行将继续陪伴团队,把一次次成功积累为可靠的商业交付能力。

山观 HIKE Insight | 商业火箭进入兑现期:从技术验证到资本化窗口

山行公司| 谦合益邦打造全球首款4层3D DRAM存算一体芯片

山观 HIKE Insight | 从带宽到容量:HBF技术演进与VC投资机会

山行公司 | 东方空间引力一号(遥四)运载火箭一箭9星远海发射任务圆满成功

东方空间入围国家空间站货运飞船发射服务

跳转微信打开

我和媳妇,想在家里做一场 AI 教育实验

2026年9月17日 18:17

原创 AI产品黄叔 2026-09-17 18:17 北京

AI发展这么快,我女儿9岁多了,我一直在思考一个问题:在学校学习之外,怎么让她学会借助AI主动探索,更好地适应,直到。。。

AI发展这么快,我女儿9岁多了,我一直在思考一个问题:在学校学习之外,怎么让她学会借助AI主动探索,更好地适应未来?

 ㅤ

这里面有两个核心要点:

  1. 1.孩子要能非常有兴趣,自己去主动提问和探索;
  2. 2.不能只是玩,还要能用AI来提高学习效率。

 ㅤ

周末和媳妇商量后,她也欣然同意,我们之前也一直用学练机给孩子学习,但功能都很传统,于是这次拿出最近猛猛更新的豆包爱学来做了实际的尝试:

Image

(媳妇带着娃在用豆包爱学理解数学错题)

正好今天豆包爱学功能全面升级,大家可以也可以看一下官方视频了解下:

从结果来说,孩子学习的体验比过去的传统学习方案,有了一个巨大的飞跃,各位家长们,有福了!看几个很典型的Case:

 ㅤ

01 从一道错题讲解开始

 ㅤ

孩子现在上四年级,开学的数学第一单元上来就是给了我当头一棒。75分!看的老父亲那个脑血上涌。。。

 ㅤ

打开豆包爱学,打开摄像头拍摄错题,可以看解析,再往下一滑,嘿嘿,进入AI老师1v1,这个很黑科技,到最后再来添加到错题本就行:

Image

Image

Image

 ㅤ

黑科技在哪呢?给大家录一段屏看看:

这,是不是相当有AI老师的风范,并且在整个交互流程里面,AI老师的思路非常清晰。在表达的时候,也有非常多样的格式、动效、弹窗来引导孩子的思考,以及对解题过程思路的展开。做得真的非常到位。

 ㅤ

并且在整个过程里面,孩子是可以随时打断来提出自己的问题的。因为之前有用过豆包,所以孩子对于这一块的交互理解是非常自然的。

 ㅤ

比如在上面的题完成教学之后,我让它继续,它就先出了左图进一步讲了一个题,然后我又让它给我举一反三,又给我出了三道类似的题:

Image

Image

Image

 ㅤ

大家感受下,各种通用AI,哪一个能做到这种效果的?!站出来!真的是一个都没有啊好不好!

 ㅤ

当然,我想进一步让孩子去复盘错题,只有孩子真的能够自己通过和AI交流复盘,来理解她错在哪,才说明她掌握了更好的和AI沟通的方式。

 ㅤ

02 用AI问答,一起复盘!

 ㅤ

第一次我们帮孩子把试卷拍照,以及引导 AI 老师不要讲题,而是帮助孩子复盘。

 ㅤ

可以看到,AI老师会做非常清晰的引导:先让孩子回想自己当时是怎么想的,再一步步往下问。

当孩子说是漏写了一个9之后,它就会继续引导孩子往深想一层:

 ㅤ

Image

Image

Image

Image

 ㅤ

然后,会给出更多具体的思考策略,当最后要求给更多练习题时,也可以很清晰的给出,然后再就答卷进行交流:

Image

Image

Image

Image

 ㅤ

因为孩子第一次用,还不大能很好的深度和AI老师交流复盘,但是这整个过程已经让我看到了非常好的一个预期。

 ㅤ

然后,还可以直接生成豆包爱学独特创新的知识闪卡,让孩子通过互动卡片继续复习。直接看视频,这次体验大约10秒就生成了:

结合知识点快速就能完成复习了~

 ㅤ

03 跟着豆包课堂,边学边问

 ㅤ

其实前面是错题/复盘,那还有预习/复习有没有办法呢?必须的,豆包爱学还有个豆包课堂,里面已经有数学同步课,可以选择对应年级和知识点来学习。另外还有古诗文课程,以及按需求生成的定制课程:

Image

Image

Image

 ㅤ

比如我们打开最近的 求近似数这一课,它可以跳转章节,显示的样式也是看起来太太太舒服了,数学也能学的明明白白:

Image

Image

包括中间还是可以随时打断提问,给你讲的明明白白,然后再继续上课:

 ㅤ

Image

随时也能给孩子来个小测验:

Image

 ㅤ

真的是从弄懂一道题,到深入学习一个知识点啊。。。

 ㅤ

要是看语文,更加神奇,高保真的AI视频我都觉得很不错,比如黄叔去过成都的武侯祠,但是那会并不大了解史实,在豆包课堂里看的津津有味:

又能看的爽,又能学知识,有点牛的。

 ㅤ

04 定制AI课程!

 ㅤ

Image

更有意思的是,我们家孩子周末看了一下《俗世奇人》的阅读内容,对天津很感兴趣。于是我媳妇儿就跟我说,中秋节我们干脆去天津旅游一趟,带孩子顺带了解《俗世奇人》的历史。她居然让我直接把飞书文档喂给豆包爱学,在路上给孩子做讲解员。

 ㅤ

真的是太能想了,也没想到居然可以实现:

Image

Image

 ㅤ

豆姐上线,非常亲切!还可以随时语音输入提问交流,相当舒服!好的,孩子又有福了:)

 ㅤ

怎么实现的呢?超级简单,在豆包课堂/定制/图文课程里,把飞书文档中整理好的资料和具体要求输入进去,这次等了大约3分钟,课程就生成了!

 ㅤ

05 和过去用学练机的不一样在哪

 ㅤ

有家长肯定要问:这不还是个学习机吗,我们家学练机也号称AI啊。

 ㅤ

真不一样。学练机我们家之前一直用,还真的不便宜,特别大一台,带着都很费劲,光上面的笔就掉了好几次。。。

 ㅤ

第一,学练机给的是题,豆包爱学给的是互动。

 ㅤ

我们家之前用学练机,主要是这套路子:拍照、批改、定位知识点、推同类题、播一段提前录好的讲解视频。孩子是接收端,跟着走就行。

豆包爱学是AI老师1v1,讲解现场生成,孩子随时能打断。卡在哪一步就停在哪一步,不需要为了等那个点把整段视频看完。

 ㅤ

学练机管的是这道题对不对,AI老师管的是你这一步为什么想不到。一个纠答案,一个纠思路,你说哪个更好!我可不希望自己的孩子只会刷题,并且教改后对于孩子的思维能力要求是非常高的,刷题已经不行了!

 ㅤ

第二,错题的处理逻辑是反过来的。

 ㅤ

学练机的错题本,本质是再做一遍。

 ㅤ

豆包爱学会先让孩子问自己三个问题,当时是怎么想的。孩子说漏写了一个9,它还往下追一层。这个学练机做不了,它不知道孩子当时脑子里在想什么。

 ㅤ

一个练手,一个练脑子。

 ㅤ

第三,举一反三这件事,是现场生成的,不是从题库里抽的。

 ㅤ

题库抽题容易重复、容易超纲,孩子做两道就烦。豆包爱学直接生成三道类似的,不够还能说再来三道,做完还能就着答卷继续聊。

 ㅤ

第四,也是最根本的一条:学练机是封闭的,豆包爱学是开放的。

 ㅤ

学练机的内容是提前做好的,同步教材、知识点视频,有多少用多少。

 ㅤ

现在,除了选择豆包课堂里的数学同步课、古诗文课程,还可以提出自己的学习主题,生成定制课程。像这次准备去天津,我们也能围绕整理好的资料继续问,把孩子对一本书、一个地方的兴趣接着展开。

 ㅤ

现在它跟着人走了。所以,媳妇给孩子买了个小巧的设备,装上豆包爱学,一秒孩子爱上:

Image

 ㅤ

第五,孩子的角色变了。

 ㅤ

这是黄叔觉得最值钱的一点。

 ㅤ

以前我们用学练机时,孩子更多是跟着题目和讲解往下走。这次体验里,她有了更多主动提问的机会,能随时打断、能追问、能直接说没听懂。

 ㅤ

这个转变特别大,还记得我们开头说的么?孩子要能非常有兴趣,自己去主动提问和探索。

 ㅤ

不过,这条路也不是没门槛。孩子第一次用,还不大能很顺畅地跟AI老师深度交流复盘,得大人陪着带一带,但太值得了,一旦养成习惯,可以极大的解放孩子的思考和主动性!期待啊!

跳转微信打开

GLV号外|高瓴创投持续加码地瓜机器人,助推机器人产业迈向品类爆发

2026年9月17日 16:07

高瓴创投 2026-09-17 16:07 北京

GLV划重点

机器人规模化落地

机器人从技术验证走向规模化量产,需要算力、硬件可靠性与软件工具链的协同支撑。面对不同形态、不同场景的开发需求,软硬一体的平台能够帮助创业团队减少重复开发,提升从模型到产品的落地效率,让更多创新更快转化为可交付、可普及的机器人产品。

从家庭陪伴、AI运动教练,到工业作业、通用人形机器人,越来越多机器人产品正在走出实验室,进入真实场景。如何让不同形态的机器人更高效地完成开发、验证与量产,成为产业发展的共同课题。

9月17日,地瓜机器人宣布完成4亿美元C轮融资,高瓴创投持续加码。本轮融资由未来资产领投,美团战投及多家投资机构、政府投资平台联合参与,众多老股东继续增持。

本轮融资将用于强化旭日芯片的全算力段产品布局,建设贯通数据采集、模型训练、仿真验证、推理部署的全链路软件平台,满足从成熟品类到通用人形机器人的多样化开发需求,加速机器人产品从创新走向规模化落地。

从芯片到软件平台

支撑机器人规模化落地

GL Ventures

机器人走向规模化应用,需要算力、硬件可靠性、软件工具链与开发效率的协同提升。

地瓜机器人以旭日系列芯片为核心,持续完善软硬一体的产品与开发平台。2026年上半年,公司营收较去年同期实现数倍增长,旭日系列芯片累计出货量突破800万片,软硬一体的基础设施进一步得到规模化验证。

面向具身智能开发需求,2025年11月发布的旭日S600,凭借单芯片全栈算力、高可靠性硬件设计与端云一体的开发工具链,半年内即获得它石智航、千寻智能、自变量机器人、优必选、帕西尼感知、北京人形机器人创新中心等20余家头部客户采用。

这些合作覆盖人形机器人、工业轮式、3C柔性作业、具身大模型、全模态感知等多个领域,多数项目已迈入量产级出货阶段。从技术验证到量产交付,地瓜机器人正与行业伙伴共同推进具身智能产品的落地。

随着本轮融资完成,公司将进一步拓展全算力段芯片布局,打通数据采集、模型训练、仿真验证与推理部署,支持不同发展阶段、不同产品形态的机器人开发需求。

让更多创新团队

把机器人做成产品

GL Ventures

机器人品类的丰富,既需要底层技术持续演进,也需要更多创业者围绕真实需求探索产品。

地瓜机器人全新升级的DGP地心引力计划,致力于为机器人创业公司提供从产品研发、供应链选型、市场推广到融资路演的全链路支持,帮助创新团队跨越从想法到产品、从产品到量产的关键环节。

目前,该计划已服务乐享科技、英汉思、求之科技、萝博派对等创新企业,覆盖开源人形、AI运动教练、具身模型、AI影像、家庭陪伴等10大前沿赛道,多款产品已实现规模化量产出货。

围绕教育孵化、创客赋能、创新加速与行业先锋,地瓜机器人逐步构建起贯穿不同成长阶段的开发者生态。迄今,全球已有超过500家中小创客、500余所院校,以及来自20多个国家的超过10万名开发者,基于其平台累计创造出数百种形态的智能机器人产品,服务全球数百万用户。

作为由地平线孵化的企业,地瓜机器人与地平线在机器人领域保持紧密合作,双方互为重要的战略合作伙伴,并持续携手生态伙伴推动机器人产品普及。

推荐阅读

跳转微信打开

Kimi 发布金融行业解决方案

2026年9月17日 15:19

原创 Kimi Work 2026-09-17 15:19 天津

涵盖 10+ 权威数据源、9 项金融技能和 5 项合规安全措施

今天,我们推出 Kimi 金融行业解决方案。这套方案整合了 Kimi 面向金融行业的产品与能力,涵盖 10+ 权威数据源、9 项金融技能和 5 项合规安全措施,以及机构级的数据建模和报告交付能力。 

从持仓早报、财报点评,到项目筛选、深度研究和组合复盘,Kimi 将数据获取、专业分析与成果交付连接起来。在已落地的机构合作中,这套方案已将过去以天计的资料处理和初稿制作压缩到小时级,让专业人员把更多时间留给分析与判断。

目前,已有数十家金融机构基于 Kimi 模型、Kimi 企业版和 Kimi Work 等产品开展业务创新,或与 Kimi 共建金融方案,覆盖头部券商、商业银行、风险投资基金、投研数据机构:

左右滑动,查看全部 →

工商银行客户证言

中信建投客户证言

汇添富客户证言

红杉中国客户证言

真格基金客户证言

蓝驰创投客户证言

讯兔科技客户证言

中金公司、中信建投证券和德意志银行的管理者,与 Kimi 分享了他们眼中金融 AI 的下一步:

 金融行业的痛点与挑战 

金融是数据与信息最为密集的行业之一。长久以来,行业的生产力受限于两个要素:数据处理的速度,和信息搜集的广度。

第一个挑战,是市场对时效性的要求越来越高。研究员的信息来源主要是公告、新闻和研报,此前一份研究结论往往要一天才能整理出来;而现在市场要求分钟级的响应,全球市场结构的变化需要被即时吸收。

另一个挑战,是信息高度碎片化。关键数据散落在财报、法律文件、研报和公告中,专业人员需要花大量时间完成数据查询、比对和整理,再去进行分析工作。

2026 年,随着大模型推理与工具调用能力的提升,AI 正在从单点辅助,走向完整金融工作流的端到端交付:理解工作目标,搜索专业数据,执行分析与建模,并做成机构级的交付成果。但金融行业对准确性和合规性要求极高,AI 的输出必须结构专业、来源清晰、便于核查,才能真正进入业务流程。

这也是 Kimi 金融行业 AI 解决方案设计的出发点。

 Kimi 金融行业解决方案 

❶ 10+ 权威数据源,一站式接入实时可靠数据

数据驱动着金融行业的方方面面,从投研决策到风险管理,无一不以数据为基础。

Kimi 全套产品,包括网页版 kimi.com、桌面端 Kimi Work、Kimi Code,内置了 Wind 万得、东方财富、标普全球(S&P Global)、财联社、财新数据等海内外权威数据源。

这些数据通过 MCP 直接接入研究任务,关键数字可以回到原始出处核对,来源、口径清晰可查。研究人员无需在行情终端、公司公告、宏观数据库及企业信息平台中反复检索、下载和整理,省去了跨平台查找与搬运的工作量。

进行公司研究时,研究人员还可以通过天眼查、元典法律补充工商、司法、知识产权及法规信息,拓展财务报表之外的维度。

点击图片,放大查看 ↓

  

除了数据源,Kimi 还内置了一整套研究和生产插件:Scholar 学术论文全文检索能力,Word、Excel、PDF 等 Office 格式产物生成工具,图片和语音生成工具等等。

此外,Kimi 浏览器扩展(前身为 Kimi WebBridge) 和 Computer Use 可以让 Agent 在相应的授权下,使用浏览器和本机桌面应用,让没有 API 的系统也能接入工作流;金融投研套件覆盖二级投研、一级 deal 全流程与企业财务关账等相关能力,Cloudflare 开发者工具则提供 2500 多个官方 API 端点,支撑进一步的定制与集成。

我们也在推进与飞书、腾讯文档、WPS 等中文办公系统的连接,让研究资料和分析成果更顺畅地进入团队协作。


❷ 九项技能,将 AI 能力沉淀成专业金融工作流

对金融从业者来说,AI 的价值,在于把通用模型的能力落到专业的工作流中。

Kimi 与一线机构分析师、基金经理和投行团队合作,将金融工作的关键环节封装为 9 个专业技能(Skill):机构财务建模、机构研究报告、机构 PPT、金融动态图表、业绩点评、一致预期地图、组合复盘、持仓早报、HK IPO 透镜。每个技能对应一类有稳定分析步骤和交付标准的工作:

这些技能已经在二级、一级、银行、保险等不同金融机构的各类真实任务中跑通:

●投资银行/私募股权:财务建模

安装并使用「机构财务建模」技能,基于管理层报表、审计报告和尽调资料,为一家商业航天公司搭建财务模型,输出可继续调整假设的 Excel 模型与可比公司估值表。财务建模的人力投入由 5–7 人天降至 0.5–1 人天。

●行业研究:深度研究

安装并使用「机构研究报告」技能,结合专家访谈与业绩说明会材料,完成量子科技行业的深度报告,研究周期从 10-20 天缩短至~2天。

●商业银行:授信报告

基于招股书、调研纪要和征信数据生成授信调查报告,给出明确准入结论,方案建议与风险提示,单户材料准备效率提升5倍以上。

●保险:宠物险分析报告

安装并使用「机构 PPT」技能,将竞品宠物险的市场规模、定价设计与产品单位经济模型(UE) 分析整理成 21 页投决汇报材料,PPT 制作的人力投入由 7–10 人天降至约 2 人天。

在这些金融技能之外,Kimi 还提供几项通用能力:

研究成果,直接做成可交互的 HTML 报告:相比静态文档,HTML 能承载更高的信息密度,一个链接即可传播,还支持读者拖动参数、检验假设。「灵动报告」技能可以将卖方深度研究转化为适合对外展示的可视化报告,用于研究营销、客户沟通与公开发布。

长期关注的信息,汇集一处:Kimi Work 中「看板」由可自由安排的「组件」构成,能固定到桌面随时查看。比如可以通过金融终端插件搭建一个金融终端看板,将专业信源、组合持仓和覆盖公司关联起来,打开页面就能看到最新变化,不必每天重新检索。

专业金融交互图表,直接标注、编辑数据:在 Kimi Work 产出的专业机构级图表上通过「圈画」功能,直接完成一系列的快速标记和修改操作,包括但不限于CAGR 与差值标注,切换图表类型(堆积柱状图,簇状图,折线图,Mekko),切换配色,修改标签格式,编辑数据等。

自定义插件,将任何系统接入工作流:通过 Kimi Work 的自定义插件(Plugin Builder)功能,用自然语言描述需要连接的系统和操作流程,即可按 MCP、API 或浏览器技能三条路径创建自定义插件。您已有的数据订阅、内部资料和业务系统,都可以在可控安全的权限下,进入 Kimi Work 工作流。


❸ 五项安全合规措施,让 Agent 接入真实业务

金融是对准确性和合规性要求极高的行业。任务中哪些信息可以传给外部模型,数据源和工具的访问是否经过授权,输出是否有据可查,执行过程能否追溯——只有解决了这些,AI 才能真正进入业务流程。

围绕这些问题,我们正在与中信建投证券共同探索一条 AI Agent 合规接入金融业务的路径。我们正在共建「风险评估网关」,将金融机构的安全合规要求,落实为智能体接入与运行中的5项具体措施:

  1. 数据分类分级:依据机构制度明确不同敏感等级数据的使用和外发边界,网关按规则检查任务、附件及工具返回内容;

  2. 个人信息保护:遵循最小必要原则,对个人信息按规则过滤、脱敏或拦截,仅向模型传递任务必需且获准使用的内容;

  3. 数据源与工具访问授权:将授权要求落实到每次调用,拦截未经授权的数据查询或工具操作,并检查返回内容;

  4. 生成内容核验与人工复核:输出标注来源、时间和待核实事项,支持回查依据;初步材料经业务人员复核,不直接形成立项结论,业务判断仍按既有审批流程作出;

  5. 审计与责任追溯:任务、数据来源、处理决定和工具调用记录关联保存,支持按任务回查执行过程。在这些金融技能之外,Kimi 还提供几项通用能力:

这套「风险评估网关」已在业务场景中完成了试点验证。中信建投证券将临时受托报告生成作为首个验证场景,基于 Kimi 托管智能体构建了「临时受托报告生成」智能体。首轮验证重点覆盖发行人公告内容识别、受托管理债券筛选及报告初稿生成等环节,保留业务人员的复核与决策职责。

此次试点覆盖 50 余家发行人、100 余只存续公司债券的 60 余份临时受托管理事务报告制作,带来以下效率提升:

  • 「临时受托报告生成」智能体与既有业务系统的接入工作,原计划需要 2 个月,实际在 3 个工作日内完成;

  • 单份报告人工制作时间由约 30 分钟缩短至 10 分钟,人工投入下降 67%

更重要的是,这套网关可以跨场景复用,新场景可以沿用同一套合规检查机制完成接入与上线评审,为智能体向更多业务场景规模化拓展奠定了效率基础。

 应用与部署 

Kimi 金融行业解决方案已全面上线:

  • 所有用户都可以在 kimi.com 安装体验 9 项金融技能和 10+ 数据源插件;

  • 专业知识工作者和开发者可以在 Kimi Work 桌面端、Kimi Code 中安装调用数据源插件、金融技能,体验自定义插件和电脑本地 Agent 能力;

  • 面向企业的 Kimi 托管智能体(Kimi Hosted Agents)服务,则为智能体进入真实业务流程提供可配置、可审计的运行环境

欢迎体验:

  • Kimi 企业版:kimi.com/business

  • Kimi Work:kimi.com/products/kimi-work

  • Kimi Code:kimi.com/code

  • Kimi托管智能体:platform.kimi.com/docs/hosted-agents/quickstart

  • Kimi API 开放平台:platform.kimi.com

如需企业版、定制化 Skills 或专属数据接入,欢迎联系 Kimi 团队(sales@kimi.com),一起探讨适合你的业务方案。

↙ 点击「阅读原文」了解更多

阅读原文

跳转微信打开

真AI手机!豆包手机助手来了~【全网首发】

2026年9月17日 10:00

原创 秋芝2046 2026-09-17 10:00 广东

让全网震惊、活在传说中的豆包手机助手,终于正式发布了!

我已经到手用了快一个月,所以今天这是一期全网首发实测!

来吧,我们一起看看它到底怎么样~

图片

结论

先说结论,我确实没见过这么交互丝滑,能帮你做如此多事、还能记住你的手机Agent~ 

这台努比亚NaviX Ultra,就是原生搭载了豆包手机助手的手机,它物理上跟普通手机的区别,是多了一个AI键,或者说“豆包键”。

1.1 按住 AI 键,直接提问

你不用解锁手机、找到 App、打开 App,再打字输入。只要按住 AI 键,就能直接问:

按今天的汇率200刀是多少人民币

但是!如果你要问涉及隐私的问题就会被拒绝,比如

我的港澳通行证什么时候过期

这是因为这个AI键同时可以指纹识别,

只有使用录入过指纹的手指按下按键,它才会调用你的个人上下文来回答。

比如这是我刚录完指纹后,再发起的对话就成功啦! “你的港澳通行证目前未过期”。

1.2 连按两下,开启视频通话

如果连续按两下 AI 键,就可以直接和它视频通话。比如我问“这花要浇水了吗”。

1.3 识别当前屏幕

更爽的是,正在使用手机的时候,随时按下按键,就能读取当前的屏幕截图,并根据屏幕内容回答问题。“这人是谁?”

你看看 ~

1.4 语音唤醒

当然,除了按键,你也可以直接用语音唤起,比如让它帮你关上窗帘。

Tip

用户首次使用操作手机功能时,需被操作的应用需获得相应授权,
操作手机功能支持系统及中兴应用、字节系应用和部分已接入的第三方应用,具体支持范围以实际体验为准,更多应用将持续扩展。

图片

执行复杂任务

刚才这些小任务很轻松,但它更值得说的是复杂任务的执行。

以前,我想出门吃个好吃的,需要完成一连串操作:

  1. 打开社交媒体,看看大家有什么推荐;

  2. 打开导航,查看路线和路况;

  3. 计算来回需要多长时间;

  4. 把定位发给朋友;

  5. 准备出门后,还要确认车的电量够不够。

那现在不一样了。比如我刷着社交媒体,看上一家必吃店,直接按键跟豆包帮我判断,这家店开车过去要多久、当前电量够不够来回。确认没问题后,直接发起导航,并把消息同步飞书的联系人~

然后我们可以继续刷手机,它会在后台默默把这一串事办了,办完告诉我们一声。

Tip

用户首次使用操作手机功能时,需被操作的应用需获得相应授权,
操作手机功能支持系统及中兴应用、字节系应用和部分已接入的第三方应用,具体支持范围以实际体验为准,更多应用将持续扩展。

那我们打开聊天记录看,你会发现它先是从我们屏幕截图中记录了这家店的位置信息,然后打开地图,搜索糖水店的位置。

然后又自己打开了特斯拉APP,查看了我们的电量。

诶,他发现电量足够,它就直接调用飞书消息的接口,发送完成~非常丝滑。

其实整个过程中,去年震惊大家的“操作手机”只是它执行任务的其中一种手段,它不止可以视觉操控手机、还能

  • 调用手机系统工具;

  • 使用类似小程序的第三方应用接口;

  • 调用内置的 Skill;

说白了,它就像我们电脑上的Codex、龙虾一样,是个能执行长任务的Agent!

图片

记忆

除了执行任务,豆包手机助手还能帮你记住很多信息。

首先你本地那些最懒得翻的什么相册、短信、便签、日历,它都可以索引到。

3.1 从本地资料中查找信息

比如开头提到的“港澳通行证什么时候过期”,它参考的就是一份本地数据,是我相册里存的通行证截图!

妙不妙 ~ 

当然,得是你发起需求且确认它才会去看你的资料。

3.2 记住电话和会议内容

除了手机里的已有资料,电话和会议内容它也能记住。

因为它接入了飞书妙记,不管是直接录音还是通话,都能生成图文总结~

会议结束后,你可以随时问:“昨天团建的会,小陈说它去还是不去来着?”

如果更贪婪一点,还可以直接让它把会上的事做掉,

你直接按照团建会上说的,帮我做一个飞书文档,整理谁去、谁不去,
再查一下机票和住宿费用,按照一人一房计算,
在文档里统计好总预算,做完之后直接发给小陈。

Tip

用户首次使用操作手机功能时,需被操作的应用需获得相应授权,
操作手机功能支持系统及中兴应用、字节系应用和部分已接入的第三方应用,具体支持范围以实际体验为准,更多应用将持续扩展。

你看看 ~ 我连要去哪都没说,活都干完了。

3.3 主动把屏幕内容存成记忆

除了被动索引本地资料,我们也可以主动告诉它要记住什么。

比如刷到一家糖水店,可以对着屏幕三指上滑。它会根据当前图片和页面内容,将相关信息保存成一条记忆。之后我们再问,它就可以根据之前保存的记忆继续查询。

无论是被动的本地资料,还是你主动告诉她的,她都能记住~

图片

好啦!总体来说,它的确突破了这么多年来大家对AI手机的想象!而且就这么水灵灵的能买上用上了。

当然!我也要打破一些朋友的“幻想”,它现在并没有到“任何事都能替你做”的地步,目前比较明显的问题主要有两个:

第一:小众点的app,按钮藏得深了它第一次还是会迷路;

第二,我也还很期待它能像有些电脑端Agent一样,只要做错过的事情,它就可以沉淀成经验不再犯~ 

但即便如此,只要你用上了,一定还是会觉得未来感非常强,也真的在很多生活场景里便捷了太多。

再用回我的老手机,我解锁、打开app的过程都开始嫌累了,所以也很适合本来就不怎么会用手机的家人 ~ 

ok,这个有新版豆包手机助手的努比亚既然已经开售了,

那么,你会想入手吗?如果买了,是自己用还是送人呢?

评论区聊聊,我们下次见啦~

跳转微信打开

❌