Dongxi 东锡 NLP
@dongxi_nlp • 40,426 subscribers
Prev. PhD @Stockholm_Uni | Alumni @KTHuniversity @uppsalauni Sharing insights on AI, autonomous agents, and large language & reasoning models
Videos
我用 MiniMax-M2.5 升级了我的 AI 论文阅读伙伴。 这个应用自动抓取并分析了近一年 1 万篇 AI 论文，建立起数据基础，用来理解 AI 领域的最新的主题和方向，并结合时间序列计算热度趋势。 在这个基础上，每天产生的每一篇新论文，它的主题归属、潜在价值与趋势变化，就非常清晰地展示在眼前。 M2.5 端到端的完成度超强，多个复杂计算和任务完成的非常出色，并且能把复杂的计算做成非常顺手的交互。 Kudos to MiniMax (official) ! 对 MiniMax 的好感，最早来老罗和闫俊杰那期播客，感叹头部模型公司的老板也可以这么真诚。 我只用三家 AI 产品，MiniMax 是唯一的国产 AI 伙伴。
Dongxi 东锡 NLP97,653 görüntüleme • 7 ay önce
如果要为这周的 AI 发展一个关键词，那就是自主进化。 从 Meta-Evolution、AutoHarness、SkillNet、SkillCraft MiniMax-M2.7 等一系列工作可以看到，AI 正在走向自主发现，自主约束，自主学习新 skills，甚至完成模型级别的自我进化。 其中 SkillCraft 给我的启示非常大：我们不需要也不应该为了某一个任务去安装第三方 skills，而应该直接从 tool call 的实践中抽象，构建和复用新的 skills。 今天，用 MiniMax-M2.7 复现了 SkillCraft 关于发现新的 skills 的方法。 几个重要的步骤： Observer -> 观察 tool call Pattern -> 从 tool call 中归纳规律，生成新的 skill Save -> 保存新 skill Reuse ->遇到类似问题时，直接复用 skill，而不再重复tool call MiniMax-M2.7 非常出色的完成了这个任务！ Kudos to MiniMax (official) Skyler Miao Kudos to 做自主进化的AI 研究员，what a week!
Dongxi 东锡 NLP78,124 görüntüleme • 6 ay önce
如何在海量 AI 论文中找到热点、机会与趋势？ 先说我的答案，Papers + Graph + Time 现在 AI 论文的产生速度极快，仅看 Hugging Face 榜单，每月上百篇，一年上千篇，问题来了，如何在海量论文中找到价值与机会？ 其实论文之间天然联系，他们的相近方法会迁移到不同问题，同类问题也会推动方法持续迭代并刷新 SOTA。 领域与方法因此形成若干 node，nodes 之间通过共享的关键论文与方法脉络相互连接，建立edge，即形成了 graph。 如果把这种 graph 与 time 叠加，就能看清热点与方法的流动，抓住当下，并推演未来趋势。 因为最近格外关注中国开源模型厂商，我把 Paper + Graph + Time 这种思路，给到 MiniMax Agent, 让它把我脑海中的这个比较复杂的工具 vibe 出来。 如视频所示，结果非常惊艳，这个工具成功带领我迅速了解了本月上百篇论文，我从中可以沿着自己喜欢的轨迹找到喜欢的话题和方向。 Kudos to MiniMax (official) ! MiniMax Agent Desktop 非常出色，可以直接连接我本地的论文库，与cc比较，以很低的成本，做完了这个复杂度非常高的任务，点赞！ 值得注意的是 MiniMax Agent 的 expert 模式超强，而且非常好看，这对应了他们设计的专门的 benchmark VIBE Bench！ 衡量的不仅仅完成度，还有 vibe，还有外观！
Dongxi 东锡 NLP28,160 görüntüleme • 8 ay önce
Coze 3.0 + Multi-Agent 协作实践 Coze 3.0发布了， 跑通了一个完整的多 Agent 协作流程。 任务：基于一个开源 mini coding agent 仓库 + 一篇深度文章，制作高质量的 learning tutorial。 先制定多 Agent 协作协议（这点在多 Agent 场景中 非常重要）： 明确职责、固定 workspace、约定通知方式。项目文件作为唯一参考数据，版本可追溯。 团队的三个 Agent 各司其职： CodeX Agent（本地） -> 深度理解代码仓库，提取关键代码示例 Claude Agent（本地） -> 精读文章，提炼核心概念与架构分析 Coze Agent（云端） -> 整合两方产出，制作 Apple HIG 风格的交互式 HTML tutorial 过程中产出的 artifacts（learning-coding-agent.md -> tutorial.md -> slides），通过版本号前后衔接，每个 Agent 都基于前序成果继续推进。 多 Agent 协作的核心在于先定规则，再分任务。 协议写清楚谁做什么，产出放哪里，怎么通知下游，整个流程就像一条流水线，每个环节都可控，可追溯。
Dongxi 东锡 NLP13,086 görüntüleme • 3 ay önce
Daha fazla içerik yok.