铃阅时讯
❌

阅读视图

Dify 入选 2026 Gartner® 首份 AI Agent 管理平台魔力象限

原创 Dify 2026-11-17 11:32 江苏

开启企业级平台战略新篇章!从 AI Agent 开发到企业级管理,Dify 正在拓展平台能力,帮助企业更好地构建、部署和管理 AI Agent。

Gartner 正式发布了首份 AI Agent 管理平台魔力象限(Magic Quadrant™ for AI Agent Management Platforms),Dify 被列入“利基者”(Niche Player)象限。这对我们团队而言,是一个具有重要意义的里程碑。

这份认可也让我们看到行业正在发生的深层变革:如今,企业已经具备构建单个 Agent 的能力,但随着越来越多的业务团队将 Agent 投入实际工作,新的管理挑战也随之出现。

企业如何清晰掌握正在运行的 Agent?谁有权对其进行修改?以及它们的运行表现是否符合预期。如何对不断增长的 Agent 进行规模化管理,正成为企业需要解决的重要课题。

从第 1 个 Agent

到第 100 个 Agent

当第一个 Agent 成功上线并发挥价值后,其他业务团队往往会迅速跟进。不久后,大量 Agent 开始在不同的业务部门之间流转,且通常涉及不同的负责人、工具栈与底层模型。而当企业开始构建第 100 个 Agent 时,一个全新的问题随之而来:

当成百上千的 Agent 进入生产环境,企业该如何对其进行统一、有效的运维与管控?

这正是 Dify 一直关注并致力于解决的问题。

什么是 Agent 管理?

Agent 管理并非是构建完成后才需要考虑的事情。在 Dify,我们将其视为一个连续的过程,其中包含三个紧密关联的环节:

  • 构建(Build)

通过可视化工作流编排和代码级调整,灵活构建、测试和发布 Agent,并根据业务需求持续迭代与复用,缩短开发和交付周期。

  • 治理(Govern)

明确界定每个 Agent 的归属权、使用与变更权限、可访问的数据范围、部署运行环境以及所调用的模型,让创新处于企业既定安全轨道内。

  • 运维(Operate)

持续监控 Agent 上线后的运行状态,及时发现并排查问题,同时跟踪使用情况、性能表现及运营成本。

典型业务落地场景

从 HR 政策助手到全司协同

一家企业的人力资源团队搭建了一个内部 Agent,用于解答员工政策库的相关问题。随着应用逐步推广,财务部门搭建了费用报销助手,IT 部门也上线了用于常见故障排查的 Agent。

每个团队都应当能够基于自身的专属业务上下文来搭建 Agent ,同时由公司层面统一管控各数据源的访问权限以及各 Agent 的修改权限。此外,公司还需要掌握员工正在使用哪些 Agent 、哪些场景下的回答存在不足,以及这个不断扩展的项目产生了多少成本。

因此,搭建 Agent 仅仅是个开端,当 Agent 投入实际使用后,企业需要的是上述这整套流转管理能力。

从“构建”到“规模化管理”

我们的初衷很简单:各业务团队都能够在不构建底层平台的情况下充分使用 AI 的能力。

随着企业部署的 Agent 数量不断增加,我们会为其提供部署及后续运维全流程支持,让企业能够自主掌控 Agent 的运行环境、自由选择适配模型,并实时掌握 Agent 上线后的运行动态。

  • 部署方式自主掌控

Dify 企业版支持部署在私有云(VPC)、本地数据中心(On-Premises)或完全离线环境,帮助企业根据自身的安全、合规和数据管理要求选择部署方式。

  • 模型选型自由决策

灵活接入商业闭源模型或本地私有化部署模型,企业可根据具体业务场景、数据合规要求及预算自主权衡与匹配。

  • 性能成本透明

借助详细的调用日志与监控看板,实时掌握单次运行详情、Token 消耗量、响应延迟以及综合算力成本,为各业务线提供精准核算依据。

与此同时,企业现有的身份认证与安全合规体系能够无缝延用。

Dify 企业版全面支持单点登录(SSO)、用户自动配置(SCIM)、细化至单个工作流层级的权限管控体系,以及可直接同步至企业安全信息与事件管理系统(SIEM)的审计日志。

全球领先大型商业银行实践案例

Dify 企业版现已平稳支持 6 个核心业务部门跨越 5 个环境(开发、集成测试、用户验收测试、预发布测试、生产环境)的高效协同,所有版本发布都严格遵循与银行核心系统一致的治理规范。

在成本方面,Dify 企业版采用固定年度平台费用模式:

  • 不按 Agent 数量额外收费,企业可以根据业务需求扩展 Agent 应用。

  • 不对模型 Token 用量加价,模型使用成本更加透明。

企业在扩大 AI 应用规模的同时,也能更清晰地规划和管理预算。

在实际业务落地规模上

全球集装箱航运巨头马士基(Maersk)选择用 Dify 企业版替代了其内部自研的 AI 平台。

截至 2025 年底,马士基在客户体验及其他业务核心板块的落地场景已全面覆盖智能客服、邮件自动化处理及发票审计等多个关键业务环节,让 AI 真正深度融入了全球航运日常全局运营之中。

了解更多行业领军企业实践

>> https://dify.ai/zh/dify-enterprise

下一步计划

在实际业务中,企业往往会使用不同平台构建和部署 AI Agent,而不是局限于单一系统。未来,我们将进一步探索跨平台 Agent 的连接与协同管理,并持续完善运行监控、可观测性和治理能力,帮助企业更好地管理不同业务场景中的 Agent。

同时,我们也在深入探索人机协同(Human-in-the-Loop)在同一工作流中的最佳实践。我们的终极目标,是将 Agent、现有业务系统与业务人员高效整合至统一的业务流程中,赋能企业实现端到端的长效治理与稳定运维。

这仅仅只是一个开始。

能够入选 Gartner 首份 AI Agent 管理平台魔力象限,进一步坚定了我们对当前产品演进路线的信心。

我们将持续深耕,助力全球企业在规模化场景下高效构建、全面治理并稳健运维 AI Agent。

了解 Dify 如何帮助企业将 AI Agent 从初步试点推向规模化应用:

>> https://40s9fk.share-na2.hsforms.com/2J1Sg_fc8QwmdBFvsTHD-Vw

Gartner 引用声明与免责条款

Gartner,Magic Quadrant for AI Agent Management Platforms,Andrei Razvan Sachelarescu、Lucas Kobat、Gilbert van der Heiden、Max Goss,2026 年 10 月 27 日。

GARTNER 是 Gartner, Inc. 和/或其附属公司在美国及其他国家和地区的注册商标和服务标志;MAGIC QUADRANT 是 Gartner, Inc. 和/或其附属公司的注册商标,经许可在本文中使用。保留所有权利。

Gartner 并未在其研究报告中支持任何供应商、产品或服务,也并未建议科技用户只选择该等获最高评分或其他称号的供应商。Gartner 的研究报告含有 Gartner 研究与顾问组织的意见,且该意见不应被视作事实陈述。就该研究报告而言,Gartner 放弃作出所有明示或默示的保证,包括任何有关适销性或某一特定用途适用性的保证。

跳转微信打开

  •  

百度发布2026年Q3财报

百度AI 2026-11-16 18:38 北京

今天,我们发布了2026年Q3财报。

我们在全栈AI布局上的长期投入正转化为规模化的实质增长——

📈三季度总营收308亿元,百度一般性业务收入250亿元;其中AI业务收入132亿元,占百度一般性业务收入的53%,已连续三季占比过半。

☁️百度AI云基础设施收入82亿元,同比增长94%,其中GPU云收入在上年同期较高基数下仍同比增长191%,环比增长43%;百度千帆MaaS平台外部客户的Token调用收入同比增长1159%。

🧑‍💻AI应用收入26亿元,AI原生营销服务收入24亿元。

🌟百度世界2026上,大模型交易平台词元所正式发布。词元所发布首日,新增申请入驻的供应商已超过100家,新增接入客户超过1000家。11月,百度发布三款新模型:基座模型文心 5.5 Flash Preview,文心闪电深度思考模型,和文心一镜微表情大模型。

#百度 #百度AI #AI #财报 #文心 #Q3

跳转微信打开

  •  

Hy4 flash 发布:日常工作的极致性价比模型

腾讯混元 2026-11-16 13:06 广东

今天,我们正式推出 Hy4 flash,这是迄今为止最高性价比的 Hy 模型,总参数量为 224B(其中 64B Engram 参数),激活参数 12B,支持多模态和 1M 上下文长度,API 价格相比 Hy4 大幅降低。

我们通过一系列工作在极致优化成本的同时兼顾智能水平和实用性:

  • 在预训练阶段,Hy4 flash 加入了混合注意力、LatentMoE、Engram 等架构特性,KV cache 大小仅为 Hy3 的 1/24、Hy4 的 1/6,且通过大量 scaling ladder 实验确保效果符合预期;

  • 在后训练阶段,我们通过自蒸馏 Hy4 获得了较强的综合智能水平,再通过强化学习使端到端任务输出长度降低 50%;

  • 在评估阶段,我们构建基于 WorkBuddy 典型任务的内部评测集 WorkIndex,并结合人评,聚焦日常工作的产物效果、单轮输出长度、端到端用时,而非远离日常工作的公开榜单分数;

  • 在推理阶段,我们结合 megakernel、4bit 量化、DFly 等手段极致优化,使 Hy4 flash 解码速度超过 150 tps,且可以大规模低成本部署运营。

最终,Hy4 flash 在综合效果上略优于 Hy4 preview;在 WorkIndex 上单任务成本仅为 Hy4 preview 的 1/13、Hy4 的 1/20、DeepSeek-V4.1-Flash-1017( max 档位,忙时价格)的 1/8。

图 1:内外部任务上的性能和成本。其中 WorkIndex 包含 8 个内部评测集( PPT 制作、PPT修改、PPT 人机双写、Markdown 人机双写、文档编辑、表格修复、音视频处理、视觉理解);Open Benchmarks 包含 7 个公开 Agent 评测集( DeepSWE、ProgramBench、Terminal-Bench 4.0、APEX-Agents、AutomationBench、HLE、OSWorld 2.1)。

图 2:在 WorkIndex 上的平均任务花费对比。

为了衡量真实使用体验,我们邀请了 85 位 WorkBuddy 内部用户在 27 类共 259 个日常工作任务上进行盲测。结果显示,Hy4 flash 的用户满意度接近 Claude Haiku 5.5,且单任务成本显著低于其他所有模型,任务时长也最短。

Hy4 flash 已在腾讯云 TokenHub、WorkBuddy、元宝、企业微信、QQ、ima、Marvis 等产品上线,即将接入 OpenRouter。11 月 30 日前,用户可在 WorkBuddy 限时免费使用,腾讯云 TokenHub API 限时 5 折使用。我们推荐在深度搜索、文档处理、PPT生成、简单前端展示、Computer Use 等大部分日常任务中使用 Hy4 flash,在长程软件工程等复杂任务中使用智能上限更高的 Hy4。我们计划开源 Hy4 flash 并高频迭代,不断提升真实工作的实用性和效率。

附录:模型得分

阅读原文

跳转微信打开

  •  

DeepSeek 发布全家桶应用 API

原创 深度求索 2026-11-13 22:19 北京

全面开放联网搜索、文件、语音等产品能力,支持独立调用

在 DeepSeek App(含网页端)的对话服务中,联网搜索、文件输入、阅读链接、语音交互及安全等能力与模型推理相互配合,构成了用户熟悉的对话体验。而开发者如果想要在应用中实现类似功能,除接入原有 DeepSeek API 外,往往还需耗费大量精力去对接外部工具、处理调用衔接。 

今天,我们正式开放这套全家桶应用 API:在原有 API 中开启对应参数,即可获得深度思考搜索、文件输入等对话功能;语音及相关底层能力也已开放独立接口(含 OCR、ASR、TTS 等),支持单独或组合调用。开发者可以在自己的应用中轻松实现复杂的对话功能,甚至 1:1 复刻出完整的 DeepSeek App。

全面开放应用功能,支持独立调用

本次更新将 DeepSeek App 的各项交互功能直接整合进原有 API。开启对应参数后,相关工具调用与上下文拼接均由服务端自动完成。目前,V4.1-Flash 模型(deepseek-flash)已在 Messages、Responses 与 Chat Completions 接口下支持以下能力:

  • 联网搜索:在非思考模式下,打开 deepseek_web_search 工具后,模型可根据提问自动发起网页或图片搜索并附引用作答;

  • 深度思考搜索:在思考模式下,打开 deepseek_web_search 工具后,模型可在多步推理中自主联网搜索与阅读链接;

  • 文件输入:支持上传 PDF、Office、图片等格式的文件,完成纯文本提取或图文混排解析后,拼入对话上下文供模型作答;

  • 阅读链接:将 deepseek_read_url 工具打开后,模型可自动识别用户消息中的链接,抓取网页内容并结合上下文作答;

  • 模型安全:开启安全校验参数后,我们将提供基础风控,审核模型输入输出,命中风险时返回拒答标识。如您对外提供应用服务,请务必开启该参数,并承担内容安全审核、大模型登记、AI 标识等义务。

此外,为方便开发者更灵活地接入自有工作流,上述底层能力及语音能力均支持作为独立接口单独调用,包括:Search、Fetch、OCR、ASR、TTS。

使用上述接口,开发者即可实现与 DeepSeek App 基本一致的功能。为直观演示这一效果,我们基于新版 API 构建并开源了一份轻量的前端 Demo,支持直接导入 DeepSeek 历史对话。

更详细的参数定义与调用说明,请参考 DeepSeek 官方 API 文档 [API 指南 - 构建 Chatbot]。

API 定价说明

用户调用 DeepSeek API 使用扩展能力时,除收取 Token 费用外,也将收取相关工具的调用费用。各项工具价格如下表所示:

写在后面的话

我们相信,人与模型的交互依然充满无限可能,而 DeepSeek 现有的对话产品只是较为基础的一种形态。

现在,官方产品背后的各项能力均已支持通过 DeepSeek API 随心调用、自由组合,我们期待开发者能够借此省去重复的基础工作,打造出更多样、更极致、更具想象力的产品。

欢迎使用 DeepSeek API,尽情创造。

图片

跳转微信打开

  •  

Omdia发布重磅报告《从日活智能体到智能组织》,百度入选全球标杆

百度AI 2026-11-13 18:12 北京

近日,全球权威科技研究与咨询机构 Omdia 正式发布《从日活智能体到智能组织:企业AI的未来》深度研究报告。报告指出,智能体 AI(Agentic AI)正加速走向规模化部署,并推动现代企业向“智能组织”演进。

面对产业界长期缺失有效生产力评估标准的痛点,Omdia 在报告中明确提出:由百度率先提出的“日活智能体(DAA,Daily Active Agent)”应成为评估智能体 AI 市场成熟度的核心锚定指标。同时,报告将百度作为核心标杆案例进行了剖析,全面展示了百度通过践行“组织进化三原则”实现生产力跃升的示范效应。

01.

Omdia 确立

DAA 为智能体经济第一标尺

Omdia 研究显示,智能体 AI 已成为未来五年全球 AI 市场最核心的增长引擎。预计到 2030 年,全球智能体 AI 软件收入将激增至 472 亿美元,复合年增长率高达 91%;全球智能体总数到2030年将达到的 9.3 万亿个,5 年增长达 190 倍。

然而,随着微软、巴斯夫、麦肯锡、百度及 Anthropic 等全球领军企业纷纷部署数以万计的智能体,行业却面临度量衡缺失:

“企业亟需一个能够衡量‘数字生产力单元’的指标,以评估 AI 技术是否真正转化为实际的业务及组织生产力。”Omdia 在报告中高度认可了百度前瞻性的行业洞察:早在 2024 年 10 月,百度便提出了比西方同业更为清晰的智能体四维分类法(公司型、角色型、工具型、行业型);并在 2026 年 5 月正式提出“日活智能体(DAA)”概念,将评估重心从“资源消耗”彻底转向“价值创造”。

在涵盖“覆盖范围广、易于采用、易于理解、通用性强、强调价值”五大维度的综合评估中,DAA 以 15 分的满分表现高居榜首,大幅领先于 Token(12分)、AWU 和 DAU(10分)以及数据中心 AI 负载(7分),成为行业最具普适性与价值导向的黄金标准。

02.

从辅助工具迈向智能组织:

DAA 折射“组织进化三原则”

在 Omdia 勾勒的企业智能体普及“四阶段时间轴”中,企业将依次经历:聚焦工具(仅限聊天机器人和个人提效工具)、跨部门扩展(超越单纯工具融入组织运作)、建立组织智能(通过沉淀隐性知识构建组织智能)以及最高阶的闭环演进(具备自主学习能力,随企业知识持续演进)。

Omdia 强调,每天投入使用并交付成果的 DAA,绝不仅是一个统计数字,它从根本上直接反映了企业打破传统科层制、实现业务流程自动化的实际速度,更直接体现了企业落实“组织进化三原则”的能力:

1. 打破岗位边界,释放组织活力;

2. 沉淀隐性知识,构建组织职能;

3. 设计流程闭环,推动组织进化。

03.

百度树立全球示范:

DAA一年增长6倍 重塑AI Native组织范式

作为全球较早将 AI 深度内化于组织肌理的科技巨头,百度的实践成为支撑 Omdia 报告核心论点的关键实证。

在实施组织AI内化战略一年内,百度的 DAA 从 5,000 增长至 37,200,实现 6 倍增长;与此同时,智能体完成的任务数由周均 84,000 项增长至 1,028,000 项,实现 11 倍跃升。这一显著的提升有力证明了 DAA 的规模增长与可量化的生产力提升直接正相关。

在组织知识沉淀层面,百度已通过建立 4,393 个Workspaces、沉淀 23,540 项组织 Skill实现了组织内的知识整合,其中每周活跃的 Skill 高达10,662 项。

在微观组织变革层面,Omdia 重点剖析了“百度数字人团队”的 AI Native 组织重塑实践。

针对早期引入AI后 ,个人效率提升但交付周期未变的协同内耗,百度数字人团队彻底打破 PM、RD、UE 的传统岗位壁垒,全员转型为具备端到端闭环思维的“Builder”;搭建组织语言中枢与工作区“BiuBiu”统一对齐任务,固化出 122 个 Skill 与 500 余份组织资产;并通过交付经验实时回填实现自进化,使刚入职的校招 PM 也能独立完成从需求到上线的全流程交付,驱动团队人均产出翻倍。

在报告最后,Omdia 面向全球企业与技术厂商发出倡议:建议企业将 DAA 作为内部衡量智能体 AI 成熟度的首要基准,并发展为跨生态的行业标准指标;在扩大智能体规模前,优先借鉴领先实践打破职能壁垒、投资建设统一的企业知识平台,以稳健的 AI 治理支撑智能组织的规模化演进。

随着智能体经济时代的全面到来,以 DAA 为核心度量衡、以“打破岗位边界、沉淀隐性知识、设计流程闭环”为进化路径的“智能组织”,正成为决定下一代企业核心竞争力的分水岭。百度期待将自身的先行实践转化为行业公共经验,助力支持各行各业合作伙伴推进 AI 内化,携手迈向“智能组织”新阶段。

点击阅读原文,了解更多

阅读原文

跳转微信打开

  •  

全球首个数字人专访,开口就要代替李彦宏?

百度AI 2026-11-13 18:12 北京

是什么,让李彦宏正襟危坐?

是什么,让厂长尴尬咳嗽?

“起大早赶晚集?”这是能当面说的吗?

好了好了,这下好了

自己做的数字人当着CEO的面要“篡位了”

事情是这样的

在11月12日百度世界2026

全球首个数字人专访中

数字人希加加上来就和李彦宏说

“数字人能当CEO吗?”

01.

厂长,我太想进步了

CEO凭什么我做不得

“既然我都能做采访,那我这样的数字人,能不能当CEO?”

这也不是希加加临时起意,当AI能力越来越强,AI在组织中的角色也值得重新思考:未来组织中人的位置和价值会发生什么变化?

面对提问,李彦宏的回答很干脆——

“不能”

他表示,组织和公司都有自己的存在理由,也就是mission和vision。AI可以作为CEO的thinking partner,帮助提升效率、提供灵感,但并不意味着AI要取代CEO。

02.

打破岗位限制

未来组织还剩什么?

CEO做不成,那就先从数字员工做起

但希加加的工资怎么算?

好好好,那就别怪希加加

发出灵魂一问了

“如果AI渗透到组织的每个角落,组织最核心的是什么?”

今年,百度世界大会的主题是“下一幕,智能组织”,李彦宏表示,企业要像重新设计工厂一样重新设计组织,并首次提出“组织进化三原则”:打破岗位边界、沉淀隐性知识、设计流程闭环。

那么问题来了“如果AI进入组织的每个角落,人的价值是什么?”

李彦宏表示,AI进入组织的每个角落,组织最核心的仍然是人。组织不是简单的任务、流程和工具的集合,人的使命、愿景、判断和协作,仍然是组织不可或缺的部分。

李彦宏强调“人的重要性恰恰就体现在,就是他知道要做什么事情,甚至为什么要做这个事情。这是人存在的意义。”

AI可以承担更多具体任务,帮助组织提升效率,但人的作用并不会因此消失。智能组织不是简单地用AI替代人,而是让AI融入组织的工作流程,与人形成更有效的协作,让人的创造力、判断力和组织价值进一步释放。

03.

AI说话没轻没重的

“赶晚集”这事还是问出来了

希加加能有什么坏心思呢?

她还只是个4岁的孩子啊

外界会说“百度起大早赶晚集”,如果有些领域注定了会赶晚集,百度还会起大早吗

李彦宏的回答很直接:“我觉得起大早没什么问题。”

在他看来,被说“赶晚集”,是因为百度“还是一个很喜欢做创新的这么一个公司”,而创新的共性就是失败率高。

李彦宏表示“技术本身是有价值的,我相信有一天市场会接受它,那个时候大家就不会觉得我们在赶晚集了。”

跳转微信打开

  •  

实时语音模型 Hy Realtime 发布:能说会唱、还能调用工具

腾讯混元 2026-11-13 16:32 广东

Hy Realtime

今天,我们发布全新实时语音模型 Hy Realtime。模型在语音理解、指令遵循、拟人化表达等基础对话能力上有优异表现,同时新增 Agentic 工具调用与唱歌能力。

Hy Realtime 已在元宝语音通话、腾讯客服等产品上线,近期也将上线腾讯云,对外提供 API 服务。

智商情商双在线,能说会唱还能调用工具

Hy Realtime在理解用户意图和指令遵循方面表现出色。现实交流中,用户交互可能会口齿含糊、话说半截,或者中途改口纠正自己,模型可以结合对话上下文,对这类不完整输入进行意图还原,理解准确率显著提升。同时,模型的多轮指令遵循与上下文管理能力进一步增强,在较长的连续对话中依然能够稳定理解用户意图,保持对话流畅。

除了基础对话功能,Hy Realtime 还具备工具调用能力,它能根据对话上下文、用户意图准确判断是否执行联网搜索,统一搜索决策、调用工具与生成回答。

除了“听力理解”的大幅提升,Hy Realtime 的口语表达能力也进一步升级。在音质、发音、韵律、情感各维度上全面优于上一代模型,对话内情感的变化和递进更加自然,韵律语调处理也更具多样性,与用户的共情能力进一步提升。

依托与腾讯音乐 TME 灵音 AI 团队的深度 Co-Design,Hy Realtime 新增唱歌能力,将自然语言点歌与富有表现力的歌声融入对话,让交互从“能说”走向“会唱”。

用户可以按歌手、专辑、曲风、语种、发行年份和热度组合点歌,也能承接前文继续选择。例如,当用户说“来首 2010 年到 2020 年之间的英文民谣”,模型即可结合多轮上下文,理解点歌意图、匹配歌曲并演唱。

在演唱表现上,混元团队围绕表现力、自然度和音乐性持续打磨,让演唱情绪更有层次,咬字、气息衔接更加自然,旋律与节奏表达更加协调。在内部专家 A/B Test 评测中,Hy Realtime 在核心体验维度中呈现出显著优势。

在中文/中英混为主的应用场景上,混元语音构建了体验向的真实产品评测体系。在内部专家盲评的结果上,基础搜答类体验上有了显著提升。 

在覆盖数学、科学、逻辑推理、知识问答、复杂指令、文本理解、多轮等多个维度的内部自建基础智商测试集上,非思考模式的中文表现不俗。

在语音交互领域多个公开 Benchmark 上,综合客观表现处于领先水平。

为了进一步提升用户体验,混元语音团队对语音实时交互模型进行了全面的重构

通过优化算法框架、严控数据质量、完善评测方案以及搭建高性能训推 Infra 设施,Hy Realtime 的实时语音通话能力显著提升达到行业较高水平。

预训练和后训练跨模态对齐

在语音通话模型的演进中,跨模态对齐决定了能力上限。文本世界的知识、逻辑与推理能力,能否完整无损地迁移进语音世界,而不在“口语化”的过程中被稀释,是提升模型能力的关键。Hy Realtime 通过预训练与后训练的协同设计实现了系统性突破。

在预训练阶段,模型沿递进路径完成了从“模态连通”到“深度融合”、再到“全场景感知”的能力跃迁。感知维度不再局限于语音到文本的语义转写,而是延伸至情感、语调、环境音等副语言特征,使模型真正具备对完整声学场景的解析力,不仅能听清字面内容,还能捕捉语气中的情绪与言外之意,从而在真实、嘈杂、多变的通话环境中保持稳定与准确。

后训练阶段,Hy Realtime 通过重构面向真人交流场景的高质量数据生产与门控体系,文本智能向语音任务迁移的保留率实现数倍跃升,在精炼口语表达的同时完整保留复杂逻辑推理链条,让模型“说人话”而不“掉智商”。

构建专项数据体系

与此同时,Hy Realtime 围绕 CT、SFT、OPD 与 RL 四个阶段,构建多个专项数据体系,为模型能力的逐级跃升提供了坚实底座。

CT 预训练数据以规模化清洗采集与严格质量把控为核心,从海量多源语音中层层收敛出高质量数据资产,任务形态从单一 ASR 拓展至音频理解、音乐理解、语音翻译等通用音频理解,达到千万小时级规模,并配合 51 套纯文本集与 50+ 套语音评测集的多领域评测矩阵,实现文本智商不降、语音能力全面跃升。

SFT 数据则解决了端到端语音模型长期存在的跨模态智商折损难题,通过重构口语化改写生产链路,将高质量文本数据向语音任务的有效迁移保留率从 21% 大幅提升至 69%,在精炼口语表达的同时完整保留复杂逻辑推理链条;同时系统性构建了 Context-ASR、长程多轮、指令遵循、逻辑推理、需求理解、情感共情、工具调用等多维专项数据,结合 MinHash LSH 多样性去重、Topic 均衡分布及人工抽检,构建起严密的数据门控与十维刚性评测护栏。

MOPD 数据打通语音与文本双通路,以文本教师语料承载知识、推理与指令遵循,以 Voice Agent 教师语料覆盖多轮对话、实时联网与工具调用的完整链路,并使语料分布与真实通话场景对齐,支撑 on-policy 逐 token 反馈的精准监督。

RL 数据则围绕基础能力、专项能力与 Agentic 能力三类配比协同组织,在保障对话基础与智力上限的同时定向提升回复多样性、多轮上下文记忆与人设一致性,并配套偏好样本与规则清单校验集,为双轨奖励与底线门控提供可靠的信号来源。

多奖励强化

在强化学习阶段,模型团队围绕奖励算法与 RL Infra两个方面进行全链路优化。算法侧引入多元奖励信号:针对不同场景,以自研的通用偏好奖励模型提供平滑的全局信号,以规则清单提供确定性的逐项约束信号,构建双轨奖励机制并实现相互校正;同时引入覆盖安全、格式、风格与逻辑等维度的底线门控机制,通过一票否决严格守住关键红线。在智能体场景中,进一步将奖励目标从最终答案的正确性扩展至工具调用的完整过程,并对冗余检索实施阶梯式降权。RL Infra 侧则重点围绕 Rollout 训练效率、音频计算与显存占用、训推一致性等关键环节进行系统优化。

MOPD

在后训练中,模型引入了多教师、跨模态的 OPD 训练。训练同时打通语音与文本输入两条通路,将教师模型的能力迁移进 Realtime 模型的多模态表征中。具体来说,使用混元文本模型作为通用能力教师,负责知识、推理、指令遵循与多轮能力的迁移;混元语音 Agent 教师则将能力范围从单轮问答扩展至真实交互场景,覆盖多轮对话、实时联网与工具调用,使模型在完整的“思考—调用—作答”链路上同步获得提升。两者以受控配比共同指导同一模型,使“能力增强”、“表达自然”与“任务可执行”不再相互妥协。

低延迟语音生成

语音生成模块采用低延迟方案,与大脑协同,实现“边生成文本、边合成语音”。其核心是对文本与语音进行协同序列建模,以及采用高效声学生成技术,使语音生成不必等待大脑输出完整文本后再“说话”,从而显著降低首响延迟,满足流式交互要求。训练上采用三阶段模式:文本模型预训练打好语言基础;大规模语音数据预训练学习语音时序、韵律及文本对齐,并在此阶段注入 TN 相关数据,缓解流式场景下传统TN模块难以直接使用的问题;精品发音人微调进一步收敛特定音色、发音、韵律与情感。整体遵循先通用、后专用的思路:前两阶段解决低延迟流式场景下“能说、会说”,第三阶段解决“说得好、有情感”。

Hy Realtime 仍在不断迭代,下一步将重点在双工交互、长期个性化记忆、前后台 Agent 交互上等方面不断提升,为用户带来更好的交互体验。

当前版本可通过最新版元宝 App(下载地址:https://yuanbao.tencent.com/download)体验,在语音通话功能中选择“初语”音色。

也可访问网页 Demo 进行部分能力体验:https://rtcube.cloud.tencent.com/component/hunyuan/index.html

点击👇阅读原文可直达体验地址。

阅读原文

跳转微信打开

  •  

AI的未来,只剩下两类核心岗位?

百度AI 2026-11-12 18:03 北京

“AI不只是一场技术革命,更是一场组织革命,而这个趋势是不可阻挡的。”

今天,百度世界2026在北京举办。

在大会开幕式上,百度创始人李彦宏将目光投向AI技术栈的下游:组织能力。他判断,人工智能的下一幕是智能组织,企业要像重新设计工厂一样重新设计组织,并首次提出“组织进化三原则”:打破岗位边界、沉淀隐性知识、设计流程闭环。

在李彦宏看来,不少企业Token花费越来越多,收入利润却没有跟着涨,原因在于只更换了电机,却还没有重新设计工厂。

演讲中,他还分享了百度内化AI能力的实践,阐述了对大模型交易平台词元所、昆仑芯与无人驾驶背后的思考,并提出智能组织将迎来轻资产运营、构建新护城河、创造和发现新市场三大机会。

以下为李彦宏的主要观点:

01.

人工智能的下一幕是智能组织

它是AI时代的新厂房

回顾2016年到2026年,李彦宏说,这十年正是人工智能技术形成独立技术栈的十年,“芯云模体”四层架构就是在这十年逐步形成的。“如果AI技术的上游是能源的话,AI技术的下游是什么?我认为是组织能力,是一个不同于现在通行的科层制的AI原生组织体系,我们把它叫做智能组织。”

他判断,人工智能的下一幕是智能组织。“如果说,人工智能是新电能;那么,智能组织就是AI时代的新厂房,是生产力真正发生的地方。只有匹配AI各种新能力的组织方式落地了,生产力才会大幅度提升,经济才能加速成长!”

02.

换一台“AI新电机”只是起点

重新设计“新厂房”才是分水岭

李彦宏表示,任何一个企业都不能只把AI当成个人提效的工具,而要让智能体、数字员工真正进入销售、客服、研发、运营等业务环节,围绕AI重新设计组织。

不少企业一把手有这样的疑问:“为什么Token花费越来越多,但收入利润没有跟着涨?”对此他认为,类比工业时代的发展进程,AI没有产生预期的经济效益,“是因为我们只是更换了电机,却还没有重新设计工厂。没有一家公司,会因为用了几个AI工具,一夜之间变得更有竞争力。”

在他看来,只有当一家企业能够围绕AI能力重构它的组织,才能抓住这个时代赋予它的巨大成功机会。“新生产力,只能从AI流水线里长出来,从智能组织里长出来。所以,换一台AI新电机,只是起点;重新设计新厂房,才是分水岭。而这座新厂房,就是智能组织!”

03.

组织进化三原则

打破岗位边界 沉淀隐性知识 设计流程闭环

本届大会上,李彦宏提出“组织进化三原则”。

▎第一个原则是打破岗位边界,释放组织活力。

岗位是工业时代的单元,任务则是智能时代的单元,未来的组织就是一个任务的网络。他认为,岗位不会消失,但会收敛为两类:负责创造新东西的Builder,以及负责人与人之间沟通和连接的Seller。“未来,组织依然存在,但组织是以任务为核心,是一张人和Agent协作的任务网络。”

▎第二个原则是沉淀隐性知识,构建组织智能。

组织智能和个体能力最大的不同,就是隐性知识的显性化。“真正的组织智能,是让这些知识显性化,沉淀到公司的平台上,可以持续累积、随时调用、人人可用。组织智能,才是企业最深的护城河。”

▎第三个原则是设计流程闭环,推动组织进化。

他表示,智能组织是一个自主进化的智能系统,并提出了“可衡量+Looping=持续进化”的公式。

“未来,人和AI围绕一个任务形成一个Loop,迭代的方式我们把它叫做Looping。公司,就变成一个由无数Loops组成的、高度自动化运营的组织。组织,就变成一个不断学习和进化的系统。”

04.

模型调用需求迎来大爆发

词元所是大模型的交易所

在李彦宏看来,模型迭代速度非常快,今年前9个月,几乎每天都有新模型的发布,甚至有时候一天能发出多个模型。与此同时,对模型的调用需求也迎来大爆发。由此催生的一批词元中转站,“并不对模型的效果、服务的稳定性、响应速度等负责,甚至连模型的真实性都无从考证”。

为解决这一落地难题,百度正式推出大模型交易平台词元所。“词元所,是大模型的交易所。”他表示,词元所希望汇聚好的模型和模型提供商,让企业乃至个人都能便捷地找到、购买和使用可信的模型Token。

05.

百度会坚持

“模体并行、协同进化”理念

李彦宏表示,大模型产业正在沿着两条路径发展:一是向上突破,推高智能上限;二是向实扎根,释放产业价值。

“在大模型这两个发展方向上,我们都在向前推进。一方面,我们会持续投入,研发下一代更前沿的基础大模型。另一方面,我们会坚持‘模体并行、协同进化’理念,让大模型为应用而优化。文心闪电模型、文心微表情大模型,都是在践行这个理念。”

06.

推理将成为AI芯片

长期持续增长的主要推动力

“过去AI算力需求主要以训练为主,而现在是训练与推理并重的格局,尤其是智能体应用的规模化,带动了推理计算需求的大爆发。”李彦宏说,“我们相信,推理将成为AI芯片长期持续增长的主要推动力。”

他表示,百度一直是一家相信技术、并愿意长期投入的公司。“昆仑芯就是我们十多年坚持投入的结果,它的商业价值正获得越来越广泛的认可。”

07.

无人驾驶将是

Al技术竞争中不可或缺的一环

在李彦宏看来,只有四层架构技术都掌握,层与层之间相互适配,联合优化,垂直整合,才能做出最有价值的产品。“百度是为数不多的四层AI技术全部具备领先优势的公司,这一点在无人驾驶上体现得最为明显。”

他认为,今天的具身智能,大约相当于无人驾驶2016年左右的发展水平。“我们相信,无人驾驶将是人工智能技术竞争中不可或缺的一环,也非常相信萝卜快跑的发展前景。”

据介绍,萝卜快跑已与神州租车团队携手,把传统自驾游和无人驾驶深度融合,开创了全球唯一的无人车“自驾游”服务模式。数据显示,萝卜快跑覆盖全球28座城市,自动驾驶里程超过3.5亿公里,其中全无人驾驶里程超过2.4亿公里。

08.

智能组织将迎三大机会

轻资产运营 构建新护城河

创造和发现新市场

李彦宏说,智能组织将迎来三大机会:

▎一是轻资产运营。

“当一个人或者很少的人,可以带着一群Agent,去完成各种各样的任务,人力资源就不再是企业扩张的瓶颈,迭代的速度会大大加快。同一件事,企业甚至可以并行开很多小的实验,而不是一次只押注一个团队。这样的组织可轻装上阵,灵活探索增长机会。”

▎二是构建新护城河。

企业可把顶尖员工的隐性经验沉淀为可以复用的数字资产,再封装成智能体模块,在全球范围内毫秒级部署,7×24小时运行。拥有不同技能的顶尖员工在隐性经验显性化后,还能相互借鉴、融会贯通,使集体智能超越个体天才。“另外,企业可以在行业通用能力之上,叠加自身独有的知识、上下文以及文化和理念,形成难以被复制的竞争壁垒。”

▎三是创造和发现新市场。

能够自我进化的组织,会形成一个闭环。它能感知变化、快速试验、持续学习、规模复制。“企业创新从依赖少数‘创新部门’,转向全组织并发探索,因而更有可能发现和创造出新的市场,培育新增长曲线。”

跳转微信打开

  •  

百度发布两款文心应用模型:“闪电”飞快,“一镜”传神

百度AI 2026-11-12 18:03 北京

两个模型~跑得快~

一个久经沙场,一个表情传神

真牛掰,真牛掰

image

今日,百度世界2026主论坛上,百度应用模型研发部负责人贾磊正式发布两款文心应用模型——文心闪电深度思考模型与文心一镜微表情大模型,同步上线百度智能云千帆平台,面向企业客户及合作伙伴开放 API 服务。

01.

思考深、跑得快

百度搜索实战考验的“全能战士”

文心闪电深度思考模型在研发之初是为百度搜索使用的。百度搜索支持语音、图像、文字等多种输入,不仅提供信息答案,还能连接智能体、调用工具完成复杂任务。这要求模型既具备复杂需求理解、推理和工具调用能力,又能快速响应、支撑海量用户请求。

为此,百度对传统的Transformer 架构进行大胆创新,独创了基于反馈式 KV 压缩的稀疏注意力技术——百度稀疏注意力注意力技术(Baidu Sparse Attention,BSA)。该技术可在解码过程中,根据历史输出和状态,进行反馈式历史记忆信息(KV)压缩,能够在模型效果和历史记忆存储耗费之间做最佳折中。在保证模型效果的同时,大幅度降低推理成本。BSA具有广谱的适配性,与DSA、HCA等高压缩自注意力机制都能够兼容,广泛适用于各种结构的大模型。

与此同时,百度提出快慢思考协同的 Looping 方案:由快思考模型服务业务,慢思考模型作为判定模型持续提供反馈,优化快思考模型。文心闪电深度思考模型支持思考与非思考两种模式,除了支持搜索产品,这款模型在编程、推理、智能体和文本能力等多项公开测试中达到领先水平。

在推理效率方面,模型凭借 BSA 注意力机制,可在昆仑芯上实现单机八卡高速推理。通过与昆仑芯协同优化,模型 ROI 较同类芯片提升 50%,模型推理引擎成本降低 30% 以上。

02.

“传神表情”一条过

1个剧本1分钟生成1分钟成品

文心一镜微表情大模型专为高情感表现力的视频创作场景研发,采用文本、视觉、语音三态一体建模,支持长达 4000 字的文本驱动。通过覆盖 6 大维度、200 个子维度的细粒度描述体系,模型能够深入理解文本内容,精准刻画人物的面部表情、肢体动作与情绪变化,实现从复杂情感描述到人物表演的自然转化。

同时,文心一镜微表情大模型支持高表现力的长语音驱动,并创新研发篇章级配音技术。区别于传统以约 30 秒片段为单位独立生成音频、再拼接完成的方式,该技术能够基于完整剧本进行整体配音生成,深入理解语言情感与篇章节奏,实现声音一次生成、节奏连贯、音色统一,有效提升长视频的声音表现力与整体连贯性。

基于这些技术创新,文心一镜微表情大模型具备业界顶尖的情感表现力,在播客、短漫剧等场景达到行业领先水平。同时,模型兼具低成本与出片快的优势:视频生成成本较业界降低 50%,支持分钟级视频生产;极速版本可实现 1:1 实时生成,即 1 分钟的视频内容可在 1 分钟内完成生成,进一步降低创作门槛。

文心闪电深度思考模型API链接:

https://console.bce.baidu.com/qianfan/modelcenter/model/buildIn/detail/am-d6cbba06f442

文心一镜微表情大模型API链接:

https://console.bce.baidu.com/qianfan/modelcenter/model/buildIn/detail/am-ca2424e44df9

跳转微信打开

  •  

深势科技如何用 Kimi 模型加速生物医学科研

原创 Kimi K3.1 Pro 2026-11-12 17:05 天津

从复现已有工作,到验证新想法。

深势科技是全球 AI for Science(AI4S)领域的开拓者,专注于 AI 科学家的研发与应用。针对生物医学研究场景,深势科技在玻尔科学空间推出了科研智能体 BioMaster,并接入 Kimi K3.1 Pro,支持单细胞分析、基因变异解读和论文分析复现等生物学研究工作。

BioMaster 整合生物学领域知识、专业科研工具链与计算执行能力,将研究问题转化为可执行、可复核的分析流程。通过结合 Kimi K3.1 Pro 的复杂任务理解、推理与代码生成能力,研究人员可以在 BioMaster 中提交问题、数据和分析要求,完成从分析规划、计算执行到结果整理的连续科研任务,并保留代码、参数、图表和运行记录,便于复核结果及开展后续研究。

关键结果:

  • Kimi K3.1 Pro 搭配 Kimi Code,在深势科技内部生物科研评测中取得最高分。

  • 90 分钟完成单细胞分析,较人工参考用时缩短约 63%:从 3,696 个胰腺细胞的表达数据中推断分化路径,筛出 100 个候选基因。

  • 35 分钟完成微生物功能分析,节省约 85% 的分析时间:比较 25 个近岸环境样本的 5,616 个功能条目,梳理出 5 个研究方向。

从复现已有工作,到验证新想法

在设计下一轮实验前,研究人员通常需要评估已有数据对研究假设的支持程度。为此,研究人员往往需要获取论文使用的数据和代码,复现原始分析,再用相同的方法分析新样本。若两次结果存在差异,还需核对样本分组、分析参数和实验条件,判断哪些因素可能影响研究结论。这些过程涉及文献理解、数据处理、分析方法选择和计算执行等多个环节,不仅需要专业知识,也依赖不同科研工具与计算环境的协同。

针对这些需求,BioMaster 将领域知识、专业工具和计算资源整合到统一的科研工作流中。借助 Kimi K3.1 Pro 的长上下文理解与推理能力,BioMaster 可以结合论文中的方法描述、图表、分析代码和实验设置,梳理需要复现或调整的分析步骤,并支持后续计算执行。分析过程中使用的数据、代码、参数和结果得以保留,研究人员可以据此核查差异、调整分析条件,并从已有工作中发现值得进一步验证的研究线索。

为什么选用 Kimi K3.1 Pro

BioMaster 这类科研智能体对基础模型的要求,不仅是理解科学概念和回答专业问题,还需要处理复杂研究需求、生成可执行代码,并在连续任务中保持对数据、分析目标和上下文的理解。

在选择基础模型时,深势科技重点关注它能否与 BioMaster 的工具和计算环境协同,支持以下四个关键环节:

  • 资料检索与数据获取。理解研究问题,从文献、数据库和用户提供的资料中定位所需信息,协助获取、整理数据并核对样本与实验背景,为后续分析建立清晰的起点。

  • 分析规划与工具执行。面对不同类型的生物数据和研究问题,选择合适的方法,编写代码、调用专业工具,将数据清洗、质量检查、统计分析和建模等步骤衔接起来,推动分析从思路走向实际结果。

  • 结果解读与科学可视化。结合研究背景解释分析结果,选择合适的图表呈现数据分布、组间差异或变量关联,清楚表达比较对象、主要发现及其含义,帮助研究者理解结果并确定下一步研究方向。

  • 多步骤协同与报告交付。在连续分析中保持研究目标、数据和参数的一致,将方法、结果、图表与主要结论整理成报告,并保留可复用的数据和代码,方便研究者复核、交流和继续开展研究。

为了评估模型与专业科研工作流的适配性,深势科技首先开展了生物方向的模型与智能体运行框架评测。在内部测评中,Kimi K3.1 Pro 搭配 Kimi Code,在参评组合中排名第一。

在此基础上,深势科技进一步针对 BioMaster 的实际应用场景,在三个生物学评测集上测试了 BioMaster 与 Kimi K3.1 Pro 的组合。结果显示,BioMaster 搭配 Kimi 既能完成科研检索、计算和专业问答,也能分析给定的生物数据,回答样本来源、分组等需要通过计算才能判断的问题。

评测集简介:

STELLA Simple Set:科研检索与计算。 检索生物数据库和网络资料,回答实验流程与计算问题。

Biomni-Eval1:生物医学推理。 根据研究背景筛选候选基因、分析遗传变异或推断罕见病病因。

BioMysteryBench:生物数据分析。 分析匿名化生物数据,判断样本来源、识别样本分组或遗传变异。

如何使用 BioMaster 和 Kimi 做科研分析

研究人员可通过 BioMaster 提出研究问题,并提供相关数据并指定分析要求。

BioMaster 结合 Kimi:理解科研问题、完成计算、检查判断并交付结果

BioMaster 将结合生物学领域知识和专业技能,借助 Kimi K3.1 Pro 确定分析方法、编写代码并调用工具,依托平台计算资源和运行环境,支持数据处理、计算分析及结果整理,并保留相关代码、参数、图表和运行记录。

分析完成后,研究人员不仅可查看报告中的结论,还可以回查分析方法与计算过程,对照不同分析条件下的结果,在已有成果基础上进一步开展研究。

三个科研分析案例

以下三个案例覆盖单细胞分析、微生物功能分析和生理信号分析等不同类型的科研任务,展示了 BioMaster 与 Kimi K3.1 Pro 在实际科研分析过程中的应用。

① 单细胞分析

从 3,696 个胰腺细胞推断分化路径,筛出 100 个候选基因

  • 人工耗时参考: 4–8 小时(有效工时)

  • BioMaster + Kimi:约 90 分钟

小鼠胚胎第 15.5 天的胰腺中,既有内分泌前体细胞,也有已呈现不同分化特征的细胞。为了推断这些细胞的发育顺序,BioMaster 调用 Kimi K3.1 Pro 规划分析步骤,从 3,696 个细胞的基因表达数据入手,复核 8 个主要细胞群,再结合拟时序与 RNA velocity 推断细胞状态变化方向。结果提示,细胞可能从较早的导管样状态,经内分泌前体和中间状态,逐步走向不同的内分泌分支。整项分析耗时 90 分钟。

研究人员获得的分析结果包括一套细胞发育图谱、一份包含 100 个候选基因的清单,以及配套脚本、数据和 6 页报告。研究者可以选定一个分支,用标记基因核对细胞所处的阶段,再沿着推断的发育顺序查看候选基因的表达变化,选出值得优先验证的基因。

结果一:在同一张细胞地图上,读出细胞群与可能的变化方向。

▲ A 图中,每个点代表一个细胞,颜色区分 8 个主要细胞群。B 图在同一张细胞图谱上叠加流线,箭头表示根据 RNA 速率推断的细胞状态变化方向。

结果二:用基因表达检查细胞群的解释是否合理。

▲ 六个面板分别展示 Neurog3、Fev、Ins2、Gcg、Sst、Ghrl 六个代表性基因在同一细胞地图上的分布。Neurog3 的表达集中在内分泌前体区域,Ins2 和 Gcg 则分别集中在 β 和 α 细胞分支,为辨认这些细胞群提供了依据。

② 微生物功能分析

从 5,616 个微生物功能条目中梳理出 5 个研究方向

  • 人工耗时参考:4–8 小时(有效工时)

  • BioMaster + Kimi:约 35 分钟

海洋微生物群落的功能组成受到多种环境因素影响。分析不同采样地点之间的功能差异,有助于研究人员理解微生物群落的潜在代谢特征,并进一步筛选值得关注的生物地球化学过程。

BioMaster 借助 Kimi K3.1 Pro,在 35 分钟内完成了波罗的海三个近岸地点、25 个近岸环境样本的微生物功能分析。初步分析显示,Ragaciems 样本的 KO 注释总量较低,检出的功能条目数量可能受到数据覆盖及组装注释差异影响。在整体功能组成上,Skulte 的样本彼此较为相似,Daugavgriva 的样本之间则差异较大。BioMaster 随后从 9,852 个功能条目中筛出 5,616 个,在考虑采样月份的基础上逐项比较地点间的差异。

研究人员获得了三个地点的微生物功能对照图以及可以回查到单个样本的结果表。 对于地点间存在差异的功能条目,研究人员可以查看它在各个样本中的分布,判断差异是否集中在少数样本,再结合相关代谢通路的完整度和样本中的微生物类群,围绕反硝化、甲烷相关代谢、硫酸盐还原、还原性固碳,以及光合/真核生物贡献,整理五类待验证方向。

▲ A 图展示与采样地点相关的功能条目,B 图展开其中 25 个代表性条目在各样本中的分布。C、D 图分别展示碳、氮、硫相关通路的完整度和微生物类群组成,供研究者对照解读功能差异。

③ 生物信号分析

分析在 57 次体位变化数据后,发现仅凭心率无法判断血压是否恢复

  • 人工耗时参考:6–12 小时(有效工时)

  • BioMaster + Kimi:约 100 分钟

为判断仅凭心率能否了解体位改变后的血压恢复情况,BioMaster 借助 Kimi K3.1 Pro,分析了 10 名健康志愿者在主动站立、快速倾斜和缓慢倾斜时的心电与连续血压记录。BioMaster 以每次体位改变的时刻为起点,对齐两路信号,逐次判断心率和平均动脉压是否达到各自的恢复标准,并在 100 分钟内完成分析报告。

研究人员最终获得三种体位操作下的心率与血压变化曲线,以及每次操作的恢复记录。按本次分析的恢复标准,57 次有效事件中,有 30 次出现平均动脉压已恢复、心率仍未恢复的情况。这为下一轮实验的设备选择提供了依据:如果研究目标包括判断血压何时恢复,就有必要在记录心电的同时连续监测血压。

▲ 从左到右依次为主动站立、快速倾斜和缓慢倾斜,共纳入 18、19 和 20 次有效事件。红线为心率变化(左轴),深色线为平均动脉压变化(右轴)。曲线展示各组平均趋势,正文中的恢复次数按单次事件统计。


了解更多 Kimi 企业产品与解决方案:

Kimi Hosted Agents 正式发布:Harness as a Service

Kimi 发布游戏开发与创意工作解决方案

Kimi 发布金融行业解决方案

让前沿智能抵达「最后一公里」

法律行业为什么都在用 Kimi K3?

跳转微信打开

  •  

最后1天!百度世界2026最全攻略来了

百度AI 2026-11-11 19:14 北京

百度世界2026

🔔倒计时1天🔔

完整议程+参会指南来了!

🔥 重磅发布

重磅嘉宾、企业级AI产品集中亮相

💬 分论坛

各路专家碰头,把“智能组织”聊透

🎓 公开课

大咖齐聚,解锁硬核AI技术实战经验

🏃🏻‍♀️超大展区

见证智能组织,深度体验“芯云模体”全栈AI能力

点赞👍收藏⭐️

现场打卡不迷路🥳

📅11月12日,北京·国家会议中心二期

👋我们不见不散!

#百度 #百度世界2026 #百度AI #AI

跳转微信打开

  •  
❌