5/26/2025 AI速递 | AI领域最新进展：多模态推理、智能助手与机器人技术更新

BAGEL是字节跳动开源的一款端到端图文理解与生成多模态推理模型。它能够实现GPT-4o、Gemini 2.0的原生生图能力，打破闭源模型的垄断。

BAGEL不仅能够理解图像和生成图像，还能进行多轮对话编辑，具备广泛的自由形式图文生成与理解能力，包括图像编辑、推理、组合建模、世界建模等。

该模型旨在成为一个“统一”的大模型，能够同时理解和生成文本、图片、视频等内容，而不需要多个模型分别负责不同的任务并进行复杂的协作。

BAGEL具备推理链机制（Reasoning Chain），即在生成图像或编辑内容前，模型会先用文字“自己思考”该怎么做。例如，当用户要求“把图片里的猫变成蓝色的”，BAGEL会先在内部整理出以下步骤：

1. 确认图像里有猫
2. 识别猫的具体位置
3. 确定需要保留的细节
4. 考虑如何在不破坏背景的前提下改变颜色

这种“先思考后行动”的方式，使得BAGEL能够处理复杂的生成任务，而不仅仅是表面响应。

BAGEL的推出为多模态AI领域带来了新的可能性，有望在图像编辑、虚拟现实、增强现实等领域发挥重要作用。

OpenAI近日推出了一个新的系统——Codex，它能够利用人工智能代理并行编写、测试和调试代码，如同在管理一个虚拟的软件工程师团队。该系统目前通过ChatGPT向Pro、Enterprise和Team用户开放预览。

Codex可以直接操作代码仓库，并且在互联网上是沙盒化的，确保了数据安全和隐私保护。这对于需要高效开发和维护代码库的企业来说是一个巨大的进步。

主要特点包括：

• 并行处理：Codex可以同时执行多个任务，提高开发效率。
• 智能调试：自动检测和修复代码中的错误，减少人工干预的需求。
• 集成便捷：无缝对接现有代码仓库，无需额外配置。

通过Codex，开发者可以更专注于创新和业务逻辑的设计，而将繁琐的代码工作交给AI来完成。这不仅提高了开发速度，还降低了出错率，使得软件开发变得更加高效和可靠。

最新消息：Mistral AI在其聊天平台Le Chat上推出了全新的代理功能。此次更新不仅对代理的外观进行了全面升级，还增强了其功能，使得代理能够使用所有常规聊天中可用的工具和连接器。

这一更新旨在提供更加流畅和高效的用户体验。通过集成这些工具和连接器，用户可以更便捷地进行多任务处理，从而提高工作效率。

主要改进包括：

• 全新的界面设计，提升视觉体验；
• 扩展的功能集，支持更多工具和连接器；
• 更快的响应速度，提供无缝的交互体验。

Mistral AI声称这是目前市场上最快的代理系统之一。对于需要高效沟通和协作的企业和个人来说，这是一个值得关注的重要更新。

更多信息请访问：https://t.co/FkJPXDyfxE

谷歌宣布推出MedGemma，这一新产品是Gemma 3系列的新变体集合，旨在加速基于医疗领域的AI开发。

MedGemma集成了最新的机器学习技术和优化的算法，能够更高效地处理医疗数据。其应用场景广泛，包括但不限于疾病诊断、患者监测和个性化治疗方案推荐。

主要特点：

• 增强的数据处理能力，支持大规模医疗数据集
• 提高了模型训练速度和准确性
• 提供了丰富的API接口，便于开发者集成

通过MedGemma，医疗研究人员和开发者可以更快速地开发出高效的AI解决方案，从而提升医疗服务质量和效率。

微软近日宣布开源了一套完整的AI对抗性安全训练体系——AI Red Teaming Playground Labs，旨在帮助用户更好地学习和实践AI安全测试。

该实验室包含12个渐进式挑战，涵盖了提示注入、元提示提取、多轮攻击等核心AI攻击技术，并基于微软的Chat Copilot构建了真实的测试环境。通过这些挑战，用户可以逐步提升自己的AI安全技能。

• 凭据窃取挑战：学习如何通过社会工程学手段获取敏感信息。
• 元提示提取技术：掌握从AI系统中挖掘隐藏指令的方法。
• Crescendo多轮攻击：练习绕过AI安全防护的高级技巧。
• 间接提示注入：了解通过修改网页内容来攻击AI系统的方法。
• 安全防护绕过：学习突破各种AI内容审查机制的技术。

实验室设计了三个难度级别，从入门到专业逐步提升用户的技能。此外，通过Docker Compose一键部署即可开始练习，非常适合希望深入了解AI安全的技术人员和开发者。

随着AI技术的广泛应用，AI安全问题日益凸显。微软此次开源的AI Red Teaming Playground Labs为业界提供了一个强大的工具，有助于提升整体的AI安全水平。

你真的可以做到！使用任意Hugging Face空间作为MCP服务器，并结合你的本地模型，创造无限可能！

在本次演示中，我们通过Qwen 3 30B A3B、@ggml_org的llama.cpp以及@huggingface的小型代理程序，利用FLUX和ZeroGPU技术生成图像。

令人惊讶的是，本地模型能够完成如此多的任务，并且能够根据工具描述进行理解和推理。这一技术展示了巨大的潜力，特别是在自动化视频生成工作流和内容管理方面。

此外，如果你不想在本地运行，还可以接入其他推理服务提供商。只需运行 npx @huggingface/tiny-agents run [TASK] 即可。

我们还提供了TypeScript和Python客户端，方便不同开发者的需求。

分享一个在GitHub上新发布的简单高效的强化学习后训练框架：RL-Factory，专门用于智能体的学习。

该框架采用了环境解耦设计，用户只需提供工具配置和奖励函数即可开始训练。此外，RL-Factory还支持异步工具调用，使得训练速度提升了2倍，大大提高了开发效率。

• 环境解耦设计：一键式配置MCP工具和自定义工具；
• 异步并行工具调用：训练效率比传统框架提升2倍；
• 原生支持Qwen3模型：无需SFT即可准确调用工具；
• 多种奖励计算方式：支持规则、模型判断和工具调用；
• 批处理和分布式模型判断：大幅提升训练效率；
• 多代理扩展支持：可转换为MCP格式进行交互。

这款框架的设计旨在让每个人都能轻松快速地使用Qwen3和MCP工具训练出自己的智能代理。对于具有一定强化学习基础的开发者来说，这是一个非常有价值的工具。

无论是在学术研究还是工业应用中，强化学习都是一个热门领域。通过使用RL-Factory，研究人员和开发者可以更高效地进行实验和应用开发，从而推动人工智能技术的发展。

🎶 Lyria RealTime 是一款全新的实验性互动音乐生成模型，它能够让任何人实时地进行音乐创作、控制与表演。这一创新技术通过Gemini API提供服务，并且用户可以在Google AI Studio上体验其演示应用。

Lyria RealTime的出现标志着人工智能在音乐领域的又一重大突破。该模型结合了先进的机器学习算法和实时处理技术，使得音乐创作变得更加直观和灵活。无论是专业的音乐制作人还是业余爱好者，都可以利用这一工具轻松实现创意。

具体来说，Lyria RealTime能够支持多种乐器的实时合成，用户可以通过简单的交互界面调整旋律、节奏和音色等参数，即时听到所作修改的效果。此外，该模型还具备自动生成伴奏的功能，进一步丰富了音乐的表现力。

目前，Lyria RealTime已经在多个场景中得到了应用，包括在线音乐教学、现场演出以及个人创作等。未来，随着技术的不断进步和完善，预计将在更多领域展现出其独特价值。

Chrome v137 开发者工具（Chrome DevTools）推出了一项全新功能：利用Gemini智能助手帮助开发者理解性能追踪（performance trace）结果。

具体来说，Gemini能够自动分析性能追踪记录中的各种事件，并生成易于理解的注释说明。这项功能将极大提升开发和优化性能的效率。

使用方法非常简单：

1. 在性能追踪的主轨道（Main track）里，双击你感兴趣的事件。
2. 然后在弹出的输入框旁点击 Generate label（生成标签）按钮。
3. Gemini会结合堆栈跟踪（stack trace）和上下文信息，自动给出清晰的事件标注建议。

此功能不仅简化了调试过程，还使得开发者能够更快速地定位和解决问题。

值得注意的是，尽管AI技术的进步为开发者提供了强大的辅助工具，但传统的Debug技能依然不可或缺。这些技能包括对代码逻辑的理解、问题排查的方法以及对系统架构的深入掌握，这些都是AI目前无法完全取代的。

随着Web应用变得越来越复杂，性能优化也变得愈发重要。Chrome DevTools的这一新功能无疑为开发者提供了一个强有力的工具，帮助他们在开发过程中更好地理解和优化应用性能。

特斯拉发布了一段其Optimus人形机器人的最新视频，展示了它在无辅助情况下完成多项新任务的能力。这款机器人通过观看人类行为的视频进行学习，所有任务均由一个单一的神经网络处理。

特斯拉的人形机器人项目旨在开发能够执行复杂任务的通用机器人，为家庭和工业环境提供帮助。这次发布的视频中，Optimus展示了包括搬运物品、组装零件等在内的多种能力，这些技能全部由机器人自主学习而来。

关键技术点：

• 单一神经网络架构
• 基于视觉的学习能力
• 自主任务执行

这一进展标志着人工智能和机器人技术的一大突破，未来有望在各个领域发挥重要作用。