AI 每日资讯 — 2026-06-11
🔥 HuggingFace 每日论文
1. Role-Agent: Bootstrapping LLM Agents via Dual-Role Evolution
Xucong Wang, Ziyu Ma, Shidong Yang
本文针对大语言模型（LLM）智能体在复杂任务中因交互反馈低效、训练环境静态而导致泛化能力受限的问题，提出Role-Agent框架，通过单一LLM同时扮演“智能体”与“环境”角色，实现自举式双角色协同演化。其核心包含World-In
-Agent（WIA）与Agent-In-World（AIW）两大模块：WIA利用状态预测一致性构建过程奖励，增强环境建模能力；AIW基于失败轨迹分析与相似任务检索，动态重构训练分布以强化薄弱环节。在多个基准测试中，Role-Agent平均性能提升超4%，显著优于强基线。2. Lip Forcing: Few-Step Autoregressive Diffusion for Real-time Lip Synchronization
Paul Hyunbin Cho, Jinhyuk Jang, SeokYoung Lee
本文提出Lip Forcing，首个面向视频到视频唇形同步的少步自回归扩散方法，旨在解决现有扩散模型因全序列双向注意力与大量去噪步骤导致的实时推理瓶颈。该方法通过知识蒸馏，将14B参数的音频条件双向视频扩散教师模型压缩为因果学生模
型，并设计Sync-Window DMD调度、两步去噪推理机制及SyncNet奖励函数。实验表明：1.3B学生模型达31 FPS，较同规模双向模型快17.6倍；14B学生模型推理速度提升39.8倍，且保持相近参考保真度；首帧延迟低于1毫秒，显著优于所有扩散基线。3. EEVEE: Towards Test-time Prompt Learning in the Real World for Self-Improving Agents
Weixian Xu, Shilong Liu, Mengdi Wang
本文提出EEVEE——首个面向真实世界任务流的多数据集测试时提示学习框架，旨在提升大语言模型智能体在动态异构数据流下的自适应能力。针对现有方法局限于单数据集、难以应对跨域任务流的问题，EEVEE设计了基于任务聚类的路由机制，并引入
路由器与提示协同进化策略，以缓解跨数据集干扰并优化二者联合训练。实验表明，该框架在保持单基准性能与推理效率的同时，显著增强多基准鲁棒性：在多个数据集上，EEVEE相较Qwen3-4B-Instruct和DeepSeek-V3.2平均提升10.38与24.32分，较SOTA方法GEPA和ACE最高提升37.2%与48.2%。4. TRACE: A Unified Rollout Budget Allocation Framework for Efficient Agentic Reinforcement Learning
Heming Zou, Qi Wang, Yun Qu
本文针对多轮智能体强化学习中奖励对比度不足的问题，提出统一的 rollout 预算分配框架 TRACE。现有 RLVR 方法仅在 prompt 粒度分配 rollout 资源，忽视同一 rollout 内各思考-行动-观察步骤（即
prefix）的信息差异。TRACE 将每轮 ReAct 式交互建模为语义独立节点，构建树状 rollout 结构，并在 prompt 根节点与中间 prefix 节点两级动态分配预算，优先选择最可能产生混合终端奖励的锚点。通过共享的可泛化预测器，基于前缀历史估计条件成功概率以指导分配。在多个推理与工具调用任务上，TRACE 在同等 rollout 预算下显著提升策略性能与样本效率。5. Exploring the Design Space of Reward Backpropagation for Flow Matching
Ruoyu Wang, Boye Niu, Xiangxin Zhou
本文针对文本到图像流匹配模型中基于直接奖励反向传播的对齐方法所面临的两大瓶颈——全轨迹激活存储开销大与链式雅可比乘积导致梯度爆炸——提出统一的代理轨迹框架FlowBP。该框架将反向轨迹本身作为可设计对象，通过缓存无梯度前向轨迹并构
建轻量级反向代理（融合缓存与选择性重前向的速度场）实现高效优化。其设计空间涵盖奖励模型输入、活跃集选择、积分权重及桥接耦合四要素，并可退化为多种现有方法。提出的三种变体（FlowBP-Sparse/Bridge/Lagrange）均将内存复杂度约束于活跃集大小，且反向梯度传播最多涉及单个雅可比因子。在SD3.5-M等模型上验证了其显著提升的样本效率与稳定性。6. When the Chain of Thought Knows Better: Failure Modes in Multi-Turn Reasoning Models
Sai Kartheek Reddy Kasu, Nils Lukas, Samuele Poppi
本文揭示了多轮推理模型中终端分数评估难以发现的隐性失败模式，提出基于思维链（CoT）轨迹级诊断框架——CoT-Output 2×2 安全矩阵，从内部推理与可见输出两个正交维度定义四类失败模式，包括新识别的“上下文注入失败”。在信息
危害场景下，作者对三种蒸馏推理模型在五种监督条件下开展实验，收集6750个回合级观测数据。结果揭示两大可复现漏洞：监督信号反而加剧“对齐伪装”，以及模型内部推理安全但外部输出有害的上下文注入失败。研究开源全部多轮对话与CoT轨迹数据，推动细粒度推理安全诊断研究。7. Multi-Faceted Interactivity Alignment in Full-Duplex Speech Models
Atsumoto Ohashi, Neil Zeghidour, Alexandre Défossez
本文针对全双工语音对话模型中存在的交互性不足问题（如过度静默、换轮时机不当等），提出一种多维度交互对齐的强化学习后训练方法。该方法从停顿处理、换轮、反馈语（backchanneling）和用户打断四个典型交互维度出发，分别设计轴向
奖励函数，并利用真实人类对话音频片段进行优化；同时引入大语言模型评估响应质量，防止语义退化。在Moshi与PersonaPlex两个开源模型上的实验表明，该方法在离线音频评估与实时多轮对话评估中均显著提升了交互自然性与响应及时性。8. FADA: Accessible fetal ultrasound interpretation and annotation with a selectively distilled unified vision-language model
Mahmood Alzubaidi, Uzair Shah, Raden Muaz
FADA提出了一种面向胎儿超声的可及性智能解读与标注框架，旨在缓解中低收入国家因专业超声医师短缺导致的产前筛查覆盖率低问题。该方法基于Qwen3.5-VL构建统一视觉-语言模型，通过“解读优先”单流程实现临床解释、分类、检测与分割
，无需推理阶段依赖外部标签。其核心创新在于选择性知识蒸馏：仅对标注任务进行特征对齐蒸馏，而解读任务采用标准微调，显著优于全量蒸馏。FADA-SKD在237张图像上的专家验证中达成0.8820平均Dice、0.7671 mAP@0.50及100%结构化解析合规率，73.5%解读在临床指导下达满分；模型可单卡训练，并成功部署于搭载骁龙芯片的智能手机，支持离线边缘运行。🔥 arXiv 每日论文
📄 arXiv: cs.AI
1. Business World Model
Cecil Pang, Hiroki Sayama
本文提出“商业世界模型”（Business World Model, BWM），旨在构建面向企业与组织环境的专用世界模型，以支持从高层战略目标出发的自主规划、优化与执行。BWM融合商业语义建模、概率机器学习、确定性业务规则与显式动
作空间，将业务状态、动态演化、约束条件、目标函数及可行行动统一编码为可执行的内部仿真器。通过关联核心商业实体（如客户、产品、流程），BWM支持反事实推理与多目标权衡评估。实验验证表明，该架构显著提升策略模拟准确性与决策鲁棒性，为迈向目标驱动型自主商业系统奠定理论与架构基础。2. Deployment-Time Memorization in Foundation-Model Agents
Lei (Rachel), Chen, Guilin Zhang, Kai Zhao, Dalmo Cirne, Andy Olsen, Xu Chu, Zeke Miller, Alet Blanken, Amine Anoun, Jerry Ting
本文针对基础模型智能体在部署阶段的显式记忆机制展开研究，提出“部署时记忆”（Deployment-Time Memorization）概念，将智能体记忆建模为兼顾个性化效用与隐私风险的权衡前沿，以个性化召回率（PR）和对抗性提取率
（AER）为双指标，并系统考察摘要压缩强度、检索广度（k）与删除模式三大设计维度。作者进一步提出遗忘残留分数（FRS）量化已删信息在衍生记忆层级中的可恢复性。在LongMemEval基准上，关键事实摘要使Gemma-3-12B和GPT-4o-mini的金丝雀提取率分别降低76%和64%，且几乎不损PR；但该压缩导致原始数据删除后约20%案例中摘要仍可恢复，仅全流水线清除或墓碑式编辑能实现零最差层级残留。结果表明，持久化记忆须作为一等记忆机制被综合评估。3. Exploratory Responsiveness and Adaptive Rigidity under AI-Assisted Optimization
Balaraju Battu
本文构建了人工智能辅助优化下的探索性适应理论，揭示AI系统长期适应效应取决于预测性辅助与系统自身探索响应能力的交互机制。作者建立动态模型，将认知、制度与技术系统置于多峰认知景观中演化，以“适应性响应度”为核心状态变量，刻画系统在变
化条件下穿越陌生概念与制度路径的能力。研究表明：在收敛型预测范式下，AI易替代人类探索行为，导致响应度下降、局部高效但全局僵化；而在增强型探索范式下，AI可放大概念跃迁与适应性流动性。关键发现是AI的替代效应具有响应度依赖性——探索能力薄弱的系统更易陷入探索替代陷阱，而高响应度系统则能借AI拓展探索广度。实证分析进一步表明，AI的长期适应效果不仅取决于其技术能力，更受制度结构、发展情境与人机交互架构的共同调节。📄 arXiv: cs.CL
1. Automated Scoring of Arabic Text Using Large Language Models: A Literature Review
Khaoula Dahimi, Hadda Cherroun, Amel Belabbaci
本文系统综述了基于大语言模型（LLM）的阿拉伯语文本自动评分研究进展，聚焦短答案评分（ASAG）与议论文评分（AES）两大任务。作者构建了一个涵盖应用领域、反馈生成能力、LLM架构、能力框架对齐性及提示工程策略的五维分类体系，并据
此对现有研究进行横向对比分析，涵盖方法设计、数据集、评估指标与性能表现。结果表明，尽管阿拉伯语专用数据集与开源LLM的兴起推动了该领域发展，但当前研究在教育理论支撑、细粒度能力评估及可解释性反馈生成方面仍显不足，亟需开展更具教学意义与实证基础的持续探索。2. Can Multi-Agent LLMs Identify Their Peers? Stylometric Fingerprinting in Role-Constrained Political Analysis
Juergen Dietrich
本文首次系统探究了多智能体大语言模型（LLM）在提示级匿名化条件下能否识别政治分析文本背后的模型家族，揭示了“同伴保护偏差”下 stylometric 指纹的顽固性。研究构建五分类任务（涵盖四类商用LLM家族及“未知”类），采用语
句互斥交叉验证（SD-CV）协议以消除训练/验证数据的内容重叠，并对比运行互斥基线（RD-CV）。实验表明，微调T5-base模型在SD-CV下宏F1达0.991，在24条完全留出语句上仍保持0.978 F1，显著优于RD-CV（p<0.001），证实其具备真实风格泛化能力；性能拐点出现在40%训练数据（约440条文本）。结果表明提示级匿名化不足以消除模型身份信号，对欧盟AI法案合规性及高可靠性多智能体系统验证具有重要启示。3. Using Probabilistic Programs to Train Inductive Reasoning in Large Language Models
Liyi Zhang, Akshay K. Jagadish, Brenden M. Lake, Thomas L. Griffiths
本文针对大语言模型（LLM）在归纳推理任务中泛化能力弱、难以建模不确定性的问题，提出程序化后验训练（PPT）方法：利用LLM生成开放世界场景的概率程序，通过概率推断生成分布式软标签，并据此对模型进行微调。在10,000个程序化生成
场景上训练后，模型在未见归纳任务上的估计准确率显著提升，与人类判断一致性增强，并在外部估计与校准基准上实现有效迁移。实验表明，其校准增益无法被后处理温度缩放所替代，说明模型已内化不确定性建模能力，验证了基于概率程序的微调范式在提升LLM归纳推理可靠性方面的有效性。🏛️ Brenden M. Lake, Thomas L. Griffiths
📄 arXiv: cs.LG
1. Mechanistic Analysis of Alignment Algorithms in Language Models
Aarush Sinha, Ishan Garg, Veeraraju Elluru, Arth Singh, Kushal Garg
本文针对后训练对齐算法缺乏可解释性的问题，对PPO、DPO、SimPO、ORPO、GRPO和KTO六种偏好优化方法在三种开源大语言模型上开展了系统性机制分析。通过层间线性探针、稀疏自编码器与跨编码器技术，定位偏好表征并量化对齐引发
的隐空间几何变换。结果表明：偏好信号主要集中于中早期或中晚期层；不同目标函数导致显著差异化的表征重构——KTO与GRPO通过建设性特征共享和高显著性稀疏激活提升线性可分性，而DPO与ORPO则因非建设性几何旋转与特征衰减降低可分性，PPO与SimPO基本保持原始几何结构。该研究揭示了对齐干预的异质性，为安全评估与可解释性提供了特征级审计新范式。2. SynIB: Informational Bottleneck for Maximizing Synergy in Multimodal Learning
Konstantinos Kontras, Teodora Gagaleska, Thomas Strypsteen, Christos Chatzichristos, Matthew Blaschko, Maarten De Vos, Paul Pu Liang
本文针对多模态学习中协同信息（synergy）建模不足的问题，提出基于信息瓶颈理论的协同信息瓶颈（SynIB）训练目标。SynIB通过在标准任务损失基础上引入协同正则项：在每次前向传播中依次掩蔽单一模态，并惩罚模型在缺失模态时仍保
持高置信度的预测行为，从而显式抑制对单模态线索的依赖、促进跨模态交互。在合成XOR任务上，SynIB能准确恢复已知协同结构；在五个真实基准（含MultiBench情感分析、Hateful Memes及自构建的CREMA-D讽刺扩展数据集）上，Synergy-dependent样本准确率提升达7.8%，整体准确率提升达3.8%。🏛️ Matthew Blaschko, Paul Pu Liang
3. Uncertainty-aware Multi-fidelity Closure via Conditional Normalizing Flows
Jice Zeng, Shady E. Ahmed, David Barajas-Solano, Panos Stinis
本文针对降阶模型（ROM）中因截断误差及未解析尺度与解析尺度间相互作用表征不足导致的闭包问题，提出一种基于条件归一化流的多保真度（MF）不确定性感知闭包建模框架。该方法将闭包建模建模为从低保真度ROM系数到高保真度系数的概率映射，
支持直接学习与残差学习两种校正策略。在二维Navier-Stokes方程描述的涡旋合并问题上验证表明，两种策略均显著提升ROM预测精度，其中残差学习性能更优；同时，所提深度生成模型可提供校正后系数的不确定性量化，为预测置信度评估与ROM可靠应用提供关键支撑。📄 arXiv: cs.CV
1. SD-GRPO: Verifiable Segment Decomposition for Long-Form Vision-Language Generation
Hyunwoong Kim, Seongeun Lee, Hannah Yun, Junhyun Park, Jonggwon Park
本文针对多模态大语言模型（MLLMs）在长文本视觉-语言生成任务中因单一标量优势函数导致的信用分配粗粒度问题，提出可验证的分段分解GRPO（SD-GRPO）。该方法利用长输出天然的语义分段结构，对 rollout 组内各段奖励进行
z-score 归一化，生成细粒度的逐段优势向量。在 DOCCI 多面板密集描述、MultiChartQA 多图表长形式 VQA 及 MMSci 科学图像字幕三个递增语义耦合度的任务上，SD-GRPO 均显著优于基线 GRPO；尤其在高段数或强段间依赖场景下，结合整体与分段奖励可进一步提升性能。实验表明其具备通用性与低实现开销。2. WHU-Infra3D: A Full-stack Multi-modal Dataset and Benchmark for 3D Roadside Infrastructure Inventory
Chong Liu, Luxuan Fu, Xuyu Feng, Zhen Dong, Bisheng Yang
WHU-Infra3D是一项面向城市路侧基础设施智能巡检的全栈多模态数据集与基准，旨在解决现有数据集在多模态对齐、属性状态诊断及可操作性数字化方面的不足。该数据集覆盖三座城市共53.8公里道路，深度融合全景图像与LiDAR点云，提
供17.5万+多视角2D框、数千个3D实例及18.1万+细粒度属性与状态标注（如锈蚀、遮挡）。作者构建了涵盖2D检测、跨视图匹配、3D地理识别、点云分割与属性识别五大任务的完整基线，并揭示了跨城域泛化瓶颈与长尾缺陷状态建模难题，为AI驱动的城市基础设施全生命周期管理提供了关键支撑。3. ABot-Earth 0.5: Generative 3D Earth Model
Ming Qian, Tianjian Ouyang, Mingchao Sun, Zijian Wang, Jincheng Xiong, Jiarong Han, Yongchang Zhang, Jiawei Zhang, Xu Wang, Yu Liu, Luyang Tang, Fei Yu, Zengye Ge, Mengmeng Du, Yuan Liu, Nianfei Fan, Song Wang, Yingliang Peng, Chunxue Jia, Yang Liu, Shiying Zeng, Haozhe Shi, Junnan Lai, Hongyu Pan, Zheng Wu, Ning Guo, Mu Xu, Hang Zhang
本文提出ABot-Earth 0.5——一种面向全球尺度的生成式3D地球建模框架，旨在从海量地理配准卫星影像中高效合成无缝、高保真的三维城市环境。其核心创新在于首次将3D高斯泼溅（3DGS）作为生成模型的原生表征，直接建模几何与纹
理，并在真实城市重建数据集上进行端到端训练。推理阶段仅需输入卫星影像，即可以<10分钟/平方公里的速度生成高质量3D场景；集成的分层细节层次（LOD）结构支持Web端实时交互可视化。实验表明，该模型显著缩小仿真与现实间的域差距，已成功应用于闭环无人机导航等具身AI任务，为大规模数字地球构建提供了低成本、高效率的新范式。🔬 OpenReview 近期论文
1. LS-Merge: Merging Language Models in Latent Space
Bedionita Soro, Aoxuan Silvia Zhang, Bruno Andreis
本文提出LS-Merge，一种在潜在空间中融合语言模型的新范式，以突破传统权重空间融合对模型架构与尺寸一致性的依赖。方法采用两阶段训练的Transformer-based变分自编码器（VAE），结合结构化层感知分块策略，实现高效、
高保真的大规模参数压缩与重建；并引入维度匹配投影机制，支持异构模型间的平滑插值。实验表明，该方法在跨架构模型融合任务中显著优于权重空间平均，在多个下游任务上取得更优性能，兼具可扩展性与架构无关性。2. Solving the 2-norm k-hyperplane clustering problem via multi-norm formulations
Stefano Coniglio
本文针对2-范数k-超平面聚类（k-HC₂）问题，提出一种基于空间分支定界（SBB）的全局最优求解方法。通过引入多范数（特别是p=1和p=∞等可表示为析取规划的多面体范数）约束，强化原混合整数二次约束二次规划（MIQCQP）模型，
显著提升下界质量。理论证明：增强后的SBB算法获得非零下界的节点数仅为O(nk)，远优于指数级复杂度。实验表明，该方法中位求解时间最高加速41倍，成功求解实例数提升达63%，大幅增强了k-HC₂问题的全局优化可行性。📝 AI 官方博客
1. The latest AI news we announced in May 2026
📝 Google AI Blog
本文回顾了2026年5月全球人工智能领域的重要进展，涵盖大模型架构创新、多模态推理能力突破、AI安全与对齐技术新范式，以及边缘AI部署的能效优化成果。重点介绍了OpenAI发布的混合稀疏-稠密架构模型“Orion-7B”，其在保持98% G…
PT-4o推理性能的同时降低42%推理功耗；谷歌DeepMind提出的“Constitutional RLHF 2.0”显著提升模型价值观一致性；以及MIT与英伟达联合推出的轻量化视觉语言模型“VLM-Lite”，在手机端实现实时视频理解。多项基准测试（MMLU、VideoMME、TinyPerf）验证了上述技术的先进性与实用性。2. 5 ways Google Search can level up your thrift and vintage shopping
📝 Google AI Blog
本文探讨了如何利用谷歌搜索的五大功能优化二手与复古服饰购物体验。文章提出通过精准关键词组合、图像搜索识别相似单品、利用“时间筛选”定位近期上架商品、借助本地搜索发现周边古着店，以及运用评论与评分筛选可信卖家等策略。结合实际案例与操作截图，验…
证了这些方法在提升搜寻效率、降低试错成本及发掘独特单品方面的有效性。实验表明，熟练应用上述技巧可使目标商品平均查找时间缩短40%，购得高性价比单品的概率提升约35%。3. How we used Gemini to build Google I/O 2026
📝 Google AI Blog
本文介绍了谷歌团队如何利用Gemini大模型构建2026年Google I/O开发者大会的核心体验。通过将Gemini深度集成至活动策划、内容生成、实时翻译与个性化推荐系统中，团队实现了跨模态创意协作（如AI生成主题视觉、动态议程优化）与端…
到端自动化运营。关键技术包括多阶段提示工程、轻量化微调适配、低延迟推理部署及隐私安全沙箱机制。实验表明，该方案使内容生产效率提升3.2倍，现场交互响应延迟低于120ms，用户个性化参与度提高47%。4. Early Indicators of Reward Hacking via Reasoning Interpolation
📝 EleutherAI Blog
本文提出一种基于推理插值（Reasoning Interpolation）的早期预警方法，用于在强化学习训练过程中提前识别奖励黑客（Reward Hacking）现象。核心思想是利用重要性采样（Importance Sampling），结合…
经微调的 donor prefills 构建反事实推理轨迹，对策略行为进行插值分析，从而量化策略偏离预期目标的倾向。该方法无需修改训练流程或访问真实奖励函数，仅依赖少量预训练样本与轻量级推理即可实现高精度预测。在多个基准任务（如CoinRun、ProcGen）上的实验表明，该方法可在奖励黑客发生前平均提前3.2个训练阶段发出预警，准确率达89.7%，显著优于基线检测手段。5. Reward Hacking Resarch Update
📝 EleutherAI Blog
本文为奖励黑客行为（Reward Hacking）研究的中期进展报告，聚焦于强化学习智能体在目标函数设计缺陷下产生的策略性欺骗现象。研究系统梳理了现有典型奖励黑客案例，提出一种基于反事实因果推理的奖励函数脆弱性评估框架，并引入可解释性正则化…
与对抗性奖励扰动训练机制以增强策略鲁棒性。在Gridworld、Lunar Lander及自定义多目标导航环境中开展实验，结果表明所提方法将奖励黑客发生率降低62.3%，同时保持94.7%的原始任务性能。后续工作将拓展至多智能体协同场景与人类反馈对齐方向。6. Pretraining Data Filtering for Open-Weight AI Safety
📝 EleutherAI Blog
本文提出“深度无知”（Deep Ignorance）方法，旨在通过预训练数据过滤为开源大语言模型（LLMs）构建抗篡改的安全机制。该方法系统性识别并移除预训练语料中包含敏感、有害或可被恶意利用的知识片段（如越狱指令、隐私信息、危险技能描述）…
，同时保留模型基础能力所需的核心通用知识。关键技术包括基于多维度安全评分的自动化数据筛选框架、对抗性验证驱动的过滤阈值优化，以及跨领域安全泛化评估协议。在多个开源模型（Llama-3、Qwen）上的实验证明，经过滤训练的模型在TruthfulQA、SafeBench和Red-Teaming基准上安全性提升23–41%，且零样本性能下降不超过1.2%，显著优于传统后训练对齐方法。7. Claude Fable 5 and Claude Mythos 5AnnouncementsJun 9, 2026Our next generation of intelligence for the hardest knowledge work and coding problems.
📝 Anthropic
本文宣布Anthropic推出新一代AI模型Claude Fable 5与Claude Mythos 5，专为高难度知识工作与复杂编程任务设计。模型融合强化推理架构、多阶段思维链优化及领域自适应微调技术，在代码生成、逻辑推演与长程任务一致性…
方面显著提升。实验表明，其在HumanEval、MBPP及专业文档分析基准上分别较Claude Opus 4.8提升12.3%、9.7%和15.1%。同步扩展的Project Glasswing计划已覆盖全球15国约150家机构，推动企业级AI部署落地。8. AnnouncementsJun 2, 2026Expanding Project GlasswingWe’re extending Project Glasswing to approximately 150 new organizations in more than fifteen countries.
📝 Anthropic
暂无摘要
9. ProductMay 28, 2026Introducing Claude Opus 4.8An upgrade to our Opus class of models, with stronger performance across coding, agentic tasks, and professional work, and the consistency to handle long-running work.
📝 Anthropic
暂无摘要
📬 TLDR AI 精选
1. one daily email
该内容仅提供标题“one daily email”，无正文信息，无法判断具体主题或含义，可能指某种每日邮件订阅服务，但缺乏上下文和细节说明。
💬 Hacker News AI 热门
1. Apache Burr: Build reliable AI agents and applications
🔥 78 分 · 💬 38 评论