确认公司重新设计（众多）操作系统。 新版设计是"公司历史上范围最广的新设计"。 APP开发商很快就能接入预装的大语言模型（LLM）。 苹果公司：面向开发者推出苹果智能（Apple Intelligence）模型。 ...

今年的苹果全球开发者大会(WWDC)即将于美东时间6月9日（北京时间周二）开幕。 然而据最新报道，苹果在升级Siri以整合先进大型语言模型（LLM）时遭遇技术难题，导致其核心AI功能"Apple Intelligence"迟迟未能落 地。 苹果引以为豪的Siri如今成为华尔街质疑苹果创新能力的焦点，本周即将举行的WWDC可能再次成为投资者失望的源头，令这家万亿美元巨 头在AI军备竞赛中进一步落后。 "Apple Intelligence"功能多次跳票，导致市场对即将于下周开幕的2025年WWDC大会预期低迷。 摩根大通分析师Samik Chatterjee表示："我们现在的情况是，投资者已经知道潜在的好消息可能是什么，但关键在于：首先请兑现你们去年 承诺的东西。" AI发展困境已严重拖累这家科技巨头的股价。2025年至今，苹果股价已下跌约18%，不仅是所谓"科技七巨头"中表现最差的，甚至低于基本 持平的科技股指数纳斯达克。 Siri升级遇阻，"Apple Intelligence"难产 据近期离职员工向英国《金融时报》透露，苹果试图通过自研LLM提升Siri的对话能力。这些技术旨在让Siri能对语音指令做出更 ...

Core Insights - The article discusses the shift from traditional Search Engine Optimization (SEO) to Generative Engine Optimization (GEO) as a new strategy for enhancing brand marketing effectiveness in the age of AI-driven information retrieval [1][2] - A16z emphasizes that the focus of brand competition will transition from manipulating search rankings to being actively referenced by AI models, indicating that brand success will hinge on being "remembered" by AI rather than just being found through search engines [1][2] Industry Overview - For over two decades, SEO has been the gold standard for online exposure, leading to the emergence of various tools and services aimed at optimizing digital marketing [2] - By 2025, the landscape of search is expected to change dramatically, with traditional search engines being replaced by large language model (LLM) platforms, challenging Google's dominance in the search market [2] - The SEO market, valued at over $80 billion, is beginning to wane as a new paradigm driven by language models emerges, marking the onset of the GEO era [2] Transition from SEO to GEO - Traditional search relied on "links," while GEO relies on "language," shifting the definition of visibility from high rankings in search results to being integrated into AI-generated answers [3][6] - The format of search answers is evolving, with AI-native searches becoming more decentralized across platforms like Instagram, Amazon, and Siri, leading to longer queries and extended session durations [3][5] Differences Between SEO and GEO - GEO differs fundamentally from traditional SEO in content optimization logic, requiring content to have clear structure and semantic depth for effective extraction by generative language models [6][11] - The business models and incentives of traditional search engines and language models differ significantly, impacting how content is referenced and monetized [7][11] New Metrics for Brand Visibility - The core metrics for brand communication are shifting from click-through rates (CTR) to citation rates, which measure how often brand content is referenced in AI-generated answers [11][12] - Emerging platforms like Profound, Goodie, and Daydream are utilizing AI analysis to help brands track their presence in generative AI responses, focusing on frequency and sentiment of mentions [11][12] Tools and Strategies in GEO - Companies are developing tools to monitor brand mentions in AI outputs, with platforms like Ahrefs and Semrush adapting to the GEO landscape [12][15] - GEO represents a paradigm shift in brand marketing strategies, emphasizing how brands are "written into" AI knowledge layers as a competitive advantage [12][15] Future of GEO - The future of GEO platforms will involve not only brand perception analysis but also the ability to generate AI-friendly marketing content and respond to changes in model behavior [17][18] - The rapid migration of budgets towards LLMs and GEO platforms indicates a significant shift in marketing strategies, with brands needing to ensure they are remembered by AI before user searches occur [18]

以下文章来源于范阳 ，作者范阳 范阳 . This is a "living media", 目标是建立一种文化, 使前沿科技和风险投资为人类服务，而不是把人类和生态作为手段。我是一名创业者，科技投资人和内容创 作者，这里也是我学习和成长的地方。 2005 年 YouTube 的「上传」按钮开启了内容创作的民主化时代。而现在，AI 以「描述」这一动词，正在改变我们对于软件的认知与生产方式。 一年后，这个预测逐渐应验。Chris Paik 近期再次发布了一篇博客文章《无限代码的黎明》，顺着这个方向，提出随着大语言模型（LLM）将代码生成的 成本降至趋近于零，传统意义上作为独立「应用程序」或「平台」存在的软件形式将逐渐消失。这篇文章的最核心观点是：软件的终结并非代码的死亡， 而是其作为「容器」的消融。 以下为文章原文，内容略有调整。 原文链接： https://docs.google.com/document/d/1Dm9UrhgaRMu_DjOz5KluO7ibOsPaUVQgwnC5-ccw9_g/mobilebasic 超 4000 人的「AI 产品市集」社群！不错过每一款有价值的 AI 应用。 邀请从业者 ...

关于讨论 AI 编程助手/ LLM 的文章，最近发了几篇： 今天在 HackerNews 看到一篇讨论 AI 辅助编程的文章，再次引爆这个话题了。 早上我刷到这篇文章收藏时也就 600 多个留言，在 18:01 已有 1830 个留言，也是吵得不可开交了。 我那些怀疑 AI 的朋友都疯了 这是一篇关于 AI 辅助编程的诚挚探讨 。 科技公司高管们都在强推大语言模型（LLM）的应用，这策略着实不咋地，但我能理解他们的出发点。 我认识的一些聪明人坚信 AI 不过是昙花一现的潮流，就跟当年的 NFT 热潮差不多。我一直不太敢反驳他们， 毕竟，人家确实比我聪明。但他们的观点站不住脚，值得好好说道说道。有些极有才华的人，纯粹出于抵触情 绪，还在做那些 LLM 早已能出色完成的工作。 就算从今天起，LLM 的发展彻底停滞，它也依然是我职业生涯中第二重要的事物。 重要提醒：我这里只讨论 LLM 对软件开发的影响。至于在艺术、音乐和写作领域，我没啥看法。我倾向 于认同这些领域里质疑者的观点，但在我自己的专业领域，我可不信他们那一套。 先自报家门： 从上世纪 90 年代中期起，我就开始搞软件开发了。最开始写盒装的 C 语言代码 ...

问题来了：到底是哪个 Agent 出了错？又是在对话流程的哪一环节？调试这样的多智能体系统如同大海捞针，需要翻阅大量复杂日志，极其耗时。 这并非虚构。在多智能体 LLM 系统中，失败常见但难以诊断。随着这类系统愈加普及，我们急需新方法快速定位错误。正因如此，ICML 2025 的一篇 Spotlight 论 文提出了「自动化失败归因（Automated Failure Attribution）」的新研究方向，目标是让 AI 自动回答：是谁、在哪一步导致了失败。 该工作由 Penn State、Duke、UW、Goolge DeepMind 等机构的多位研究人员合作完成。 论文标题：Which Agent Causes Task Failures and When? On Automated Failure Attribution of LLM Multi-Agent Systems 背景挑战 LLM 驱动的多智能体系统在诸多领域展现出巨大潜力，从自动化助手协同办公到多 Agent 合作完成 Web 复杂操作等。然而，这些系统 脆弱性 也逐渐显现：多个 Agent 之间的误解、信息传递错误或决策不当，都可能导致 ...

大语言模型（LLM）驱动的搜索智能体，通过动态拆解问题、交错执行"思考"（推理）和"查 找"（检索）来解决复杂任务，展现了惊人能力。 SearchAgent-X团队 投稿 量子位 | 公众号 QbitAI AI越来越聪明，但如果它们反应慢，效率低，也难以满足我们的需求。 然而，这种深度交互的背后，也隐藏着显著的效率痛点。 处理复杂任务时，查得慢、查得不准，都会拖慢整个流程。 来自南开大学和伊利诺伊大学厄巴纳-香槟分校的研究人员深入剖析了这些效率瓶颈，并提出 了一套名为 SearchAgent-X 的高效推理框架。 实践表明，SearchAgent-X实现了 1.3至3.4倍 的吞吐量提升， 延迟降至原来的 1/1.7至 1/5 ，同时不牺牲最终的答案质量。 解析搜索智能体中的两大效率瓶颈因素 研究者发现，看似简单的检索环节，隐藏着两大关键的效率制约因素： 检索精度：并非"越高越好"的微妙平衡 直觉上，检索越准，LLM获取信息质量越高，效率也应该越高。但实际情况是 非单调关系 过低精度 LLM需更多轮检索和推理弥补，总时间增加。 过高精度 检索本身计算资源消耗巨大，拖慢整体速度。 研究表明，系统吞吐量随近似检索 ...

机器之心报道 编辑：泽南、+0 我们训练了这么久，都在训练些什么？ 这是今年最「好笑」的一篇论文。 本文一出，所有的大语言模型（LLM）+ 强化学习（RL）都要被质疑是否有意义了。 这周二，一篇来自华盛顿大学、艾伦人工智能实验室、伯克利的论文引爆了 AI 界。 作者驳斥了最近大模型领域盛行的强化学习方式，他们发现： 使用虚假奖励训练 Qwen2.5-Math-7B 模型也可以提高 MATH-500 的成绩，如果是随机奖 励，成绩能提高 21%，如果是错误奖励，成绩能提升 25%（真实奖励能提升 28.8%）。 这是怎么一回事？大模型的训练技巧真的有用吗？该工作的作者写了一篇博客进行了介绍： 质疑强化学习 (RLVR) 传统观点 近一段时间，可验证奖励强化学习（RLVR）已成为增强大型语言模型（LLM）推理能力的标准方法。传统观点认为，高质量的监督信号对于有效的 RLVR 训 练至关重要。最近的研究挑战了这一假设，表明使用 RLVR 对单个样本或无监督样本进行训练仍然可以在 Qwen-Math 模型上取得显著的进步。 但是，我们不禁要问：单样本或无监督 RLVR 中的训练信号来自哪里？为了提供有意义的 RLVR ...

作者 | George Panagiotopoulos 译者 | 明知山 策划 | 丁晓昀 我们的背景 作为一家在银行技术领域拥有超过 30 年行业经验的领军供应商，我们拥有丰富且极具创新性的代码库，并通过战略性收购不断扩大业务。多年来，我们 一直将自己定位为行业的创新者，但创新的迅猛步伐也为我们带来了在庞大产品线中保持文档一致性与时效性的挑战。 虽然我们代码库的部分模块拥有坚实且管理得当的文档，但仍有部分模块存在文档不清晰或内容过时的问题，这导致我们的销售工程师和客户架构师很难 找到所需的信息。此外，我们的领域专家在各自的专业领域拥有深厚的知识和丰富的经验，但这些宝贵的专业知识往往分散且孤立，难以被系统地整合和 获取。 此前，我们曾尝试通过知识共享计划和培训项目来解决这一问题，但由于文档分散和专业知识孤立，这些努力的效果并不理想。我们还尝试引入基于静态 预定义问题和答案数据库的事实查找工具。然而，这些工具在使用过程中面临一个重大挑战——缺乏上下文信息。通常情况下，如果问题本身或其上下文 （或两者）稍有不同，针对特定问题在特定上下文中的答案就难以复用。为了克服这些获取准确技术信息的障碍，我几个月前决定探索使用 ...

中金研究 随着互联网和新媒体的发展，信息以前所未有的速度和规模增长，主动投资者面临着"信息过载"的挑战。传统投研方法在处理海量、复杂、非结构化 且真伪难辨的金融信息时，容易存在效率低下的情况。大语言模型（LLM）凭借其强大的自然语言理解、模式识别及信息抽取能力，为应对这一挑战 带来了新的解决方案。全球领先资管机构已积极布局LLM应用，覆盖信息处理、情绪分析、主题投资等多个环节，预示着LLM正从实验探索迈向实战 化应用。 本文将深入探讨LLM在信息获取与处理、深度分析与挖掘、策略生成与验证等核心投研环节的具体应用，对比多个大模型平台的使用效果， 并展望大模型的应用前景及面临的挑战。 （3）上市公司业绩电话会纪要分析： LLM可快速处理会议内容，生成摘要，提取财务更新、战略重点、业绩解释与展望。LLM还能对比历史会议内容， 识别管理层在表达方式口径上的变化；LLM也可以总结分析师提问热点，评估管理层回应质量，并捕捉异常表述。 深度分析与挖掘："提炼精华"。 摘要 点击小程序查看报告原文 Abstract 信息获取与处理：从"大海捞针"到"精准筛选"。 LLM通过自动化信息追踪、研报分析对比及业绩会纪要分析，能够极 ...