科技周刊2025第3月第2期
2025-06-04 15:21:09

Manus 的原理

Manus 系统配置的细节：

  • 使用的是Claude Sonnet模型 套壳

  • 配备了29个工具

  • 没有多代理功能

  • 使用了"browser_use"这个开源项目

    OpenAI推出了一系列新的工具和API

旨在帮助开发者和企业更轻松地构建有用且可靠的AI代理（agents）。以下是OpenAI此次发布内容的总结：

  1. Responses API 功能：这是一个新的API，结合了Chat Completions API的简单性和Assistants API的工具使用能力。开发者可以通过单个API调用，利用多个工具和模型解决复杂任务。 内置工具：支持网络搜索（web search）、文件搜索（file search）和计算机使用（computer use）等新工具，帮助模型与现实世界连接。
    改进：提供统一的设计、更简单的多态性、直观的流事件以及SDK辅助功能（如response.output_text），提升易用性。

  2. **网络搜索工具（Web Search Tool）**功能：允许开发者从网络获取快速、实时的答案，并提供清晰的引用。

  3. **文件搜索工具（File Search Tool）**功能：从大量文档中检索相关信息，支持多种文件类型、查询优化、元数据过滤和自定义重排序。

  4. **计算机使用工具（Computer Use Tool）**功能：通过捕获模型生成的鼠标和键盘操作，自动化计算机任务。 技术基础：基于Computer-Using Agent (CUA)模型，在OSWorld（38.1%）、WebArena（58.1%）、WebVoyager（87%）等基准测试中刷新纪录。

  5. Agents SDK功能：一个开源SDK，简化多代理工作流的编排，改进自Swarm SDK。 特性：可配置代理（带指令和工具）。 智能代理切换。 可配置安全检查。 执行追踪，便于调试和优化。 适用场景：客户支持自动化、多步骤研究、内容生成、代码审查。

    image-20250314165548268

    MCP，可以让 Claude 可以直接控制 Blender

    使用提示词就能创建漂亮的 3D 场景 视频是一个“低多边形龙守护宝藏”场景的演示

Self-RAG 一种增强型生成模型方法，旨在通过自我反思机制提高生成内容的质量和准确性

Self-RAG的工作原理可以概括如下：

  1. 检索阶段：像传统的RAG一样，模型首先从外部知识库或数据源中检索相关信息，以补充输入上下文。
  2. 生成阶段：基于检索到的信息和输入，模型生成初步的回答或内容。
  3. 自我反思：模型会对自己的生成结果进行评估，检查是否存在事实错误、不一致性或不完整的地方。这可能通过内置的评判机制或额外的验证步骤实现。
  4. 迭代改进：如果发现问题，模型会调整生成策略（比如重新检索信息或修正表述），然后生成更高质量的输出。

image-20250314164920149

Google Gemma 3：开源大模型支持图像理解

  • 能理解 140 多种语言
  • 多模态图像和视频输入
  • LMArena 分数 1338！
  • 128k的上下文窗口

但是效果一般，在4项编程测试中： 火星任务写得python代码有问题，无法运行，直接0分。 Mandelbrot-set-meet-libai 无法渲染有效的 mandelbrot-set图形，0分 太阳系动画模拟，地球运动速度过快以及计算错误，导致垫底，70分 20小球碰撞模拟，小球掉出了7边形，但比其他的只能渲染出来一个小球的模型好一些，63分。

image-20250314165240556

谷歌发布 Gemini Embedding 模型

Gemini Embedding 是谷歌最近推出的一个实验性嵌入模型（gemini-embedding-exp-03-07），通过 Gemini API 提供服务，该模型在多语言文本嵌入基准测试（MTEB）排行榜上排名第一，超越了之前的 text-embedding-004 模型。

Gemini Embedding 支持长达 8K token 的输入，能够嵌入更长的文本、代码或其他数据，输出维度为 3K，几乎是之前 Embedding 模型的四倍。

谷歌 Gemini 2.0 Flash 原生图像生成功能正式开放

谷歌的 Gemini 2.0 Flash 的原生图像生成功能现已正式开放。该功能首次测试于 2024 年 12 月，现在，开发者可以通过 API 或 AI Studio 的界面测试 Gemini 2.0 Flash EXP 模型的图像生成和编辑功能。

与 Stable Diffusion、Flux 不同，Gemini 2.0 Flash EXP 模型不仅能够通过自然语言生成图片，还能将图像与文本混合输出，甚至支持多轮对话保证人物主体性，逐步调整和优化图像。

image-20250314165723918

image-20250314165736210

image-20250314165803091

image-20250314171230867

Google DeepMind 推出基于 Gemini 2.0 研发的新一代 机器人 AI 模型

无需专门训练，即可适应新的任务、物体和环境 一共核心 AI 模型： Gemini Robotics ：具备“视觉-语言-动作”能力，可直接控制机器人执行任务 Gemini Robotics-ER ：具备 空间理解、具身推理能力， 它能让机器人更好地理解周围环境，例如识别物体及其可交互部分（如杯子的把手），并规划行动路径。

Gemini Robotics 的主要特性：

  • 泛化能力：Gemini Robotics利用Gemini 2.0的世界理解能力，机器人能够处理未见过的新物体、新指令和新环境，甚至完成训练中未见过的新任务。在综合泛化基准测试中，Gemini Robotics的性能比其他最先进的VLA模型高出一倍以上。例如，它能完成未训练过的任务，如扣篮一个新篮球。

  • 交互性：它能理解日常语言指令（包括不同语言），并快速响应环境或指令的变化。例如，当物体被移动时，它能迅速重新规划行动路径，无需额外输入即可继续任务。

  • 灵活性与灵巧性：通过多模态推理（结合视觉、语言和动作），机器人能精确操控物体，完成多步骤任务。支持执行需要精细动作的复杂任务，如折叠纸鹤、将零食装进拉链袋或轻柔放置眼镜。

  • 多形态适应：Gemini Robotics不仅限于特定机器人类型，它可以适配从双臂机器人平台（如ALOHA 2）到人形机器人（如Apptronik的Apollo）的多种形态。

Same dev像素级精度复制任何UI界面

并生成前端代码 只需提供网页 URL、截图或设计文件（如 Figma），Same dev即可生成对应的代码，确保视觉效果与原始界面高度一致。

Same dev宣称可以以像素级精度复制任何用户界面（UI）。 我跑了下免费额度很快被消耗完了， 模式有点类似manus，也是在云端电脑上跑，自定编码。

是基于Claude 3.7的，消耗完需要输入API。

下面是复制的openai网站：

图像

Prev
2025-06-04 15:21:09
Next