由通义千问驱动的人形机器人具身智能Multi-Agent系统
申昊科技人形机器人小昊，集成通义千问多模态大模型的具身智能系统，旨在讲解销售、迎宾表演等场景。机器人通过语音、动作等方式与用户互动，利用云端大语言模型处理自然语言，结合视觉、听觉等多模态感知技术，实现流畅的人机对话、目标追踪、展厅讲解等功能。
一文读懂deepSpeed：深度学习训练的并行化
DeepSpeed 是由微软开发的开源深度学习优化库，旨在提高大规模模型训练的效率和可扩展性。通过创新的并行化策略、内存优化技术（如 ZeRO）及混合精度训练，DeepSpeed 显著提升了训练速度并降低了资源需求。它支持多种并行方法，包括数据并行、模型并行和流水线并行，同时与 PyTorch 等主流框架无缝集成，提供了易用的 API 和丰富的文档支持。DeepSpeed 不仅大幅减少了内存占用，还通过自动混合精度训练提高了计算效率，降低了能耗。其开源特性促进了 AI 行业的整体进步，使得更多研究者和开发者能够利用先进优化技术，推动了 AI 在各个领域的广泛应用。
基于阿里云通义星尘实现多智能体（Multi-agent）协同工作的构想与尝试
近年来，大规模预训练模型（大模型）快速发展，其能力显著增强，尤其是在语言理解和生成方面取得了突破。然而，尽管大模型强大，但仍需被动响应指令，为此，研究转向了更具自主性的新范式——智能体（AI agent）。不同于仅执行命令的大模型，智能体不仅能理解复杂指令，还能规划行动步骤并在特定领域自我学习与改进。为进一步提高处理复杂任务的能力，多智能体（Multi-Agent）系统应运而生，多个智能体通过协作、交流信息和共享资源，共同完成更为复杂精细的任务。本文探讨了如何利用阿里云的通义星尘实现基础的多智能体协同工作，介绍了智能体的概念、优势及局限性，并通过具体案例展示了如何构建协作型多智能体系统。
智能解决装箱问题：使用优化算法实现高效包装
装箱问题（Bin Packing Problem）是组合优化领域中的一个经典问题，主要涉及如何将一系列对象高效地装入有限数量的容器（或“箱”）中，同时满足特定的约束条件。这个问题的目标是最小化所需使用的箱子数量或者最大化箱子的装载效率，以减少空间或资源的浪费。
深入浅出智能工作流（Agentic Workflow）｜技术干货
著名AI学者、斯坦福大学教授吴恩达提出AI Agent的四种设计方式后，Agentic Workflow（智能体工作流）在全球范围内迅速走红，多个行业纷纷实践其应用，并推动了新的Agentic AI探索热潮。吴恩达总结了Agent设计的四种模式：自我反思、工具调用、规划设计及多智能体协作。前两者较普及，后两者则为智能体使用模式从单一大模型向多智能体协同配合完成业务流程的转变奠定了基础。
滴滴派单算法_从算法模型思路到评估方案 - 详解
导读：说到滴滴的派单算法，大家可能感觉到既神秘又好奇，从出租车扬召到司机在滴滴平台抢单最后到平台派单，大家今天的出行体验已经发生了翻天覆地的变化，面对着每天数千万的呼叫，滴滴的派单算法一直在持续努力让更多人打到车，本篇文章会着重介绍我们是如何分析和建模这个问题，并且这其中面临了怎样的算法挑战，以及介绍一些我们常用的派单算法，这些算法能够让我们不断的提升用户的打车确定性。