久久精品一区二区三区四区

久久精品一区二区三区四区?杨议哭笑不得地回应说，这只是他昨天直播时说的一句玩笑话，没想到会被当真。他反问大家：一个说相声的，怎么可能挣4个亿，“哪儿有那么多钱？说相声都挣4个亿，还了得？”他还顺手指着自己正在售卖的肉酱开玩笑说，“把这些酱卖完了，就凑4个亿了。” 美国众议院通过加密钱币法案

久久精品一区二区三区四区?特朗普声称：“我一直在与可口可乐沟通，希望他们在美国的可乐产品中使用真正的蔗糖，他们已经同意这样做。我要感谢可口可乐所有相关负责人。这将是他们非常明智的举措——你们会看到的。这样确实更好！” 黄二彬记者 刘雪松 摄

久久精品一区二区三区四区?而这背后，是中国新能源汽车产业的快速崛起，2024年，我国新能源汽车年产销量迈上千万辆级台阶，分别达到1288.8万辆和1286.6万辆，新能源汽车产销量连续10年位居全球第一。就国内汽车市场来看，自主品牌新能源汽车也对合资品牌进行了碾压，乘联会数据显示，在6月国内零售中，自主品牌中的新能源车渗透率75.4%，而主流合资品牌中的新能源车渗透率仅有5.3%。

久久精品一区二区三区四区?完成签约后，佩雷茨立即前往汉堡更衣室向新队友们介绍自己，并在守门员教练斯文-霍赫的指导下开始了他的首次训练。

久久精品一区二区三区四区?1998年，刘慧仕途迎来重大转折，她离开工作13年的共青团系统，调任银南地委副书记，吴忠市工委、吴忠市委副书记，首次到地方任职。2001年，刘慧调任宁夏回族自治区民政厅党组书记、厅长。 郭振刚记者 刘祥秀 摄

久久精品一区二区三区四区?姜文新片《你行！你上！》这个标题就给人一种多年前网络上流行的景涛咆哮体之感，俩字一顿还来个感叹号，四个字两个标点已经足够令人震耳欲聋。 程晓涛记者 李树洋 摄

久久精品一区二区三区四区?新民晚报记者21日从上海人工智能实验室获悉，由其打造的创新开放评测体系司南（OpenCompass）全面升级，从大模型评测扩展至AI计算系统、具身智能、安全可信及垂类行业应用等五大领域，构建起“五位一体”的全景评估范式，覆盖从底层算力到上层智能的全链路关键能力，为行业提供一站式、全景化的能力刻度。

久久精品一区二区三区四区?预计，"韦帕"将以每小时25公里左右的速度向偏西方向移动，强度还将有所加强，将于20日下午至夜间在广东珠海到湛江一带沿海登陆（13～14级，38～42米/秒，台风级或强台风级），自东向西掠过广东西部沿海，并将于21日白天移入北部湾海面，随后趋向越南东北部沿海。 仲大伟记者 刘秋梅 摄

久久精品一区二区三区四区?每次美国有啥好东西不想给我们，都是先开始制裁，封锁这一套。然后等咱们自己摸索个十天，半个月，几年，好不容易看到点曙光了之后。 裴文献记者 周利 摄

久久精品一区二区三区四区?自发布以来，司南评测体系通过开源可复现的一站式评测框架，已累计支持超200个大语言模型、150个多模态模型，覆盖300+评测集，工具链GitHub Stars超过1万。

久久精品一区二区三区四区?这张“2002版”结婚证办理地、衡水市景县民政局工作人员表示，事隔20多年，当年这张结婚证办理的具体情况已难以查询，会配合公安、法院等部门调取相关资料。 杨勃勃记者 申光才 摄

久久精品一区二区三区四区?经过一个多月的筹备与等待，今年1月，第一批“三蹦子”运达了骆豪在美国租用的仓库，运过来的散件光卸货就用了12个小时，他和几个朋友从下午三点干到第二天凌晨三点，现在回忆起来仍然印象深刻。

久久精品一区二区三区四区?中国女篮半决赛惨遭日本队完虐，就输在外线的攻守强度全无，被对方的三分球投疯了。本次亚洲杯，除了最后一场对阵韩国队，中国女篮三分球命中率没有一场能达到30%，已经敲响了警钟。所以不能幻想靠召回李梦或李月汝来掩饰问题，而是要趁着这次失利下定决心、破釜沉舟，加快中国女篮外线的换血。

久久精品一区二区三区四区?作为代表威尔士国家队出场70余次的功勋国脚，琼斯将永远被铭记。利物浦俱乐部全体成员在此悲痛时刻，向琼斯的亲友致以深切哀思。

久久精品一区二区三区四区?报道称，特朗普目前对中国的“温和态度”正导致其顾问团队内部出现分歧。知情人士表示，特朗普贸易团队中的一些成员希望对华采取强硬立场，并私下放狠话称，“出口管制永远不会成为贸易谈判的一部分”。

久久精品一区二区三区四区?对于上述说法，爱康国宾在公众号上予以发表声明，在张女士的2023年10月的体检报告中，爱康提示“右肾钙化灶，左肾错构瘤可能”。张女士对外公布的2024年11月在北京某医院的病理报告中显示的标本大小在3.3cmx3cmx3cm，分期pT1aNxMx，明确诊断为肾癌早期，不是晚期，报告中没有诊断骨转移。根据以上的第三方的学术研究，从2023到2024年的一年中，该标本的大小在癌症的增长速度范围内。

久久精品一区二区三区四区?事实上，比特斯拉更早出手的，是理想、零跑、乐道等新势力……而如今，越来越多车企纷纷入局，大六座，怎么就成了车企们的主战场？

久久精品一区二区三区四区?然而，繁荣的表象下暗藏隐忧。细看行业竞争态势，这片自主品牌高歌猛进的红海中，五座SUV的竞争早已白热化，高度同质化的配置堆砌和价格厮杀成为常态，“内卷”之势难以避免。

久久精品一区二区三区四区?这回可把美国的网友乐坏了，吃瓜吃得比正义使者还要有劲儿。不过，真正高兴的还是拜伦的前下属，丑陋老板的真面目终于大白于天下了。 赵永娜记者 唐旭日 摄

久久精品一区二区三区四区?在正式选手中，来自宁波市镇海中学的刘恒熙、北京市十一学校的武林、浙江金华第一中学的赵晟昊获得了金牌前三名。四川省成都市第七中学的何婉滢获得最佳女选手。

久久精品一区二区三区四区?面向AI代理的上下文工程：构建 Manus 的经验教训 2025 年 7 月 18 日 季逸超 在Manus 项目伊始，我和团队面临一个关键抉择：是使用开源基础模型训练一个端到端的代理模型，还是基于前沿模型的上下文学习能力构建代理？ 回想我在自然语言处理领域的最初十年，我们没有这样的选择余地。在BERT 的远古时代（是的，已经七年了），模型必须经过微调并评估后才能迁移到新任务。即使当时的模型远小于如今的 LLMs，这一过程每次迭代往往也需数周。对于快速发展的应用，尤其是产品市场匹配前期，这样缓慢的反馈周期是致命的。这是我上一家创业公司的惨痛教训，当时我从零开始训练模型用于开放信息抽取和语义搜索。随后 GPT-3 和 Flan-T5 的出现，让我自研的模型一夜之间变得无关紧要。讽刺的是，正是这些模型开启了上下文学习的新纪元——也为我们开辟了一条全新的前进道路。 这个来之不易的教训让选择变得清晰：Manus 将押注于上下文工程。这使我们能够在数小时内发布改进，而不是数周，同时保持我们的产品与底层模型正交：如果模型进步是涨潮，我们希望 Manus 是船，而不是固定在海床上的柱子。 然而，上下文工程远非简单。这是一门实验科学——我们已经重建了四次代理框架，每次都是在发现了更好的上下文塑造方法之后。我们亲切地称这种手动的架构搜索、提示调整和经验猜测过程为“随机梯度下降”。它不优雅，但有效。 这篇文章分享了我们通过自己的“SGD”达到的局部最优解。如果你正在构建自己的 AI 代理，希望这些原则能帮助你更快收敛。 围绕KV缓存设计 如果只能选择一个指标，我认为KV 缓存命中率是生产阶段 AI 代理最重要的指标。它直接影响延迟和成本。要理解原因，我们先看看典型代理的工作方式： 在接收到用户输入后，代理通过一系列工具调用来完成任务。在每次迭代中，模型根据当前上下文从预定义的动作空间中选择一个动作。然后在环境中执行该动作（例如Manus 的虚拟机沙箱），以产生观察结果。动作和观察结果被追加到上下文中，形成下一次迭代的输入。这个循环持续进行，直到任务完成。 正如你所想象的，上下文随着每一步增长，而输出——通常是结构化的函数调用——则相对较短。这使得预填充与解码之间的比例在代理中远远偏高，区别于聊天机器人。例如，在 Manus 中，平均输入与输出的Token比约为100:1。 幸运的是，具有相同前缀的上下文可以利用KV 缓存，这大大减少了首次生成标记时间（TTFT）和推理成本——无论你是使用自托管模型还是调用推理 API。这里的节省可不是小数目：以 Claude Sonnet 为例，缓存的输入标记费用为 0.30 美元/千标记，而未缓存的则为 3 美元/千标记——相差 10 倍。 从上下文工程的角度来看，提高KV 缓存命中率涉及几个关键做法： 保持提示前缀稳定。由于LLMs 的自回归特性，即使是单个标记的差异也会使该标记及其之后的缓存失效。一个常见错误是在系统提示开头包含时间戳——尤其是精确到秒的时间戳。虽然这样可以让模型告诉你当前时间，但也会大幅降低缓存命中率。 使你的上下文仅追加。避免修改之前的操作或观察。确保你的序列化是确定性的。许多编程语言和库在序列化JSON 对象时不保证键的顺序稳定，这可能会悄无声息地破坏缓存。 在需要时明确标记缓存断点。一些模型提供商或推理框架不支持自动增量前缀缓存，而是需要在上下文中手动插入缓存断点。设置这些断点时，应考虑缓存可能过期的情况，至少确保断点包含系统提示的结尾部分。 此外，如果你使用像vLLM 这样的框架自托管模型，确保启用了前缀/提示缓存，并且使用会话 ID 等技术在分布式工作节点间一致地路由请求。 遮蔽，而非移除 随着你的智能体功能不断增强，其动作空间自然变得更加复杂——简单来说，就是工具数量激增。最近 MCP 的流行更是火上浇油。如果允许用户自定义工具，相信我：总会有人将数百个神秘工具接入你精心策划的动作空间。结果，模型更可能选择错误的动作或走低效路径。简而言之，你的重装智能体反而变得更笨。 一种自然的反应是设计动态动作空间——或许使用类似 RAG 的方式按需加载工具。我们在 Manus 中也尝试过。但实验表明一个明确的规则：除非绝对必要，避免在迭代过程中动态添加或移除工具。主要有两个原因： 1. 在大多数LLMs 中，工具定义在序列化后通常位于上下文的前部，通常在系统提示之前或之后。因此，任何更改都会使所有后续操作和观察的 KV 缓存失效。 2. 当之前的操作和观察仍然引用当前上下文中不再定义的工具时，模型会感到困惑。如果没有受限解码，这通常会导致模式违规或幻觉操作。 为了解决这一问题，同时提升动作选择的效果，Manus 使用了一个上下文感知的状态机来管理工具的可用性。它不是移除工具，而是在解码过程中屏蔽Token的对数概率，以根据当前上下文防止（或强制）选择某些动作。 在实际操作中，大多数模型提供商和推理框架都支持某种形式的响应预填充，这使你可以在不修改工具定义的情况下限制动作空间。函数调用通常有三种模式（我们以NousResearch 的 Hermes 格式为例）： 自动——模型可以选择是否调用函数。通过仅预填回复前缀实现：<|im_start|>assistant 必需——模型必须调用一个函数，但选择不受限制。通过预填充到工具调用标记实现：<|im_start|>assistant 指定——模型必须从特定子集中调用函数。通过预填充到函数名开头实现：<|im_start|>assistant {"name": “browser_ 利用此方法，我们通过直接屏蔽标记的对数概率来限制动作选择。例如，当用户提供新输入时，Manus 必须立即回复，而不是执行动作。我们还特意设计了具有一致前缀的动作名称——例如，所有与浏览器相关的工具都以 browser_开头，命令行工具以 shell_开头。这使我们能够轻松确保代理在特定状态下仅从某一组工具中选择，而无需使用有状态的对数概率处理器。 这些设计有助于确保Manus 代理循环保持稳定——即使在模型驱动架构下也是如此。 将文件系统用作上下文 现代前沿的LLMs 现在提供 128K Token或更多的上下文窗口。但在现实世界的智能代理场景中，这通常不够，有时甚至成为负担。有三个常见的痛点： 1. 观察内容可能非常庞大，尤其是当代理与网页或PDF 等非结构化数据交互时。很容易超出上下文限制。 2. 即使窗口技术上支持，模型性能在超过某个上下文长度后往往会下降。 3. 长输入代价高昂，即使使用前缀缓存也是如此。你仍然需要为传输和预填充每个标记付费。 为了解决这个问题，许多智能体系统实施了上下文截断或压缩策略。但过度压缩不可避免地导致信息丢失。问题是根本性的：智能体本质上必须基于所有先前状态来预测下一步动作——而你无法可靠地预测哪条观察在十步之后可能变得关键。从逻辑角度看，任何不可逆的压缩都存在风险。 这就是为什么我们将文件系统视为Manus 中的终极上下文：大小无限，天生持久，并且可以由智能体自身直接操作。模型学会按需写入和读取文件——不仅将文件系统用作存储，更作为结构化的外部记忆。 我们的压缩策略始终设计为可恢复的。例如，只要保留网址，网页内容就可以从上下文中删除；只要沙盒中仍有文档路径，文档内容也可以省略。这使得 Manus 能够缩短上下文长度而不永久丢失信息。 在开发此功能时，我不禁想象，状态空间模型（SSM）要在具代理性的环境中有效工作需要什么条件。与 Transformer 不同，SSM 缺乏完全的注意力机制，难以处理长距离的向后依赖。但如果它们能掌握基于文件的记忆——将长期状态外部化而非保存在上下文中——那么它们的速度和效率可能会开启新一代代理。具代理性的 SSM 或许才是神经图灵机的真正继任者。 通过背诵操控注意力 如果你使用过Manus，可能会注意到一个有趣的现象：在处理复杂任务时，它倾向于创建一个 todo.md 文件，并随着任务的推进逐步更新，勾选已完成的事项。 这不仅仅是可爱的行为——这是一种有意操控注意力的机制。 Manus 中的一个典型任务平均需要大约 50 次工具调用。这是一个较长的循环——由于 Manus 依赖 LLMs 进行决策，因此在长上下文或复杂任务中，容易偏离主题或忘记之前的目标。 通过不断重写待办事项清单，Manus 将其目标反复写入上下文末尾。这将全局计划推入模型的近期注意力范围，避免了“中途丢失”问题，减少了目标不一致的情况。实际上，它利用自然语言来引导自身关注任务目标——无需特殊的架构改动。 保留错误信息 智能体会犯错。这不是漏洞——这是现实。语言模型会产生幻觉，环境会返回错误，外部工具会出现异常，意外的边缘情况时常发生。在多步骤任务中，失败不是例外；它是循环的一部分。 然而，一个常见的冲动是隐藏这些错误：清理痕迹，重试操作，或重置模型状态，寄希望于神奇的“温度”参数。这看起来更安全、更可控。但这付出了代价：抹去失败就抹去了证据。没有证据，模型就无法适应。 根据我们的经验，改善智能体行为的最有效方法之一看似简单：在上下文中保留错误的路径。当模型看到失败的操作及其产生的观察结果或堆栈跟踪时，它会隐式地更新内部信念。这会使其先验偏离类似的操作，从而减少重复同样错误的可能性。 事实上，我们认为错误恢复是衡量真正智能体行为的最明确指标之一。然而，在大多数学术研究和公开基准测试中，这一指标仍然被忽视，这些研究和测试通常侧重于理想条件下的任务成功率。 避免被少量示例限制 少量示例提示是提升LLM 输出的常用技巧。但在智能体系统中，它可能以微妙的方式适得其反。 语言模型擅长模仿；它们会复制上下文中的行为模式。如果你的上下文充满了类似的过去动作-观察对，模型往往会遵循这种模式，即使这已不再是最优选择。 在涉及重复决策或操作的任务中，这可能会带来危险。例如，在使用Manus 帮助审查一批 20 份简历时，代理经常陷入一种节奏——仅仅因为上下文中出现了类似内容，就重复执行相似的操作。这会导致偏离、过度泛化，甚至有时产生幻觉。 解决方法是增加多样性。Manus 在动作和观察中引入少量结构化的变化——不同的序列化模板、替代表达、顺序或格式上的细微噪声。这种受控的随机性有助于打破模式，调整模型的注意力。 换句话说，不要让少量示例把自己限制在固定模式中。上下文越统一，代理就越脆弱。 结论 上下文工程仍是一门新兴科学——但对于代理系统来说，它已经至关重要。模型可能变得更强大、更快速、更廉价，但再强的原始能力也无法替代记忆、环境和反馈的需求。你如何塑造上下文，最终决定了代理的行为：运行速度、恢复能力以及扩展范围。 在Manus，我们通过反复重写、走过死胡同以及在数百万用户中的实际测试，学到了这些经验。我们在这里分享的内容并非普遍真理，但这些是对我们有效的模式。如果它们能帮助你避免哪怕一次痛苦的迭代，那么这篇文章就达到了它的目的。 智能代理的未来将由一个个情境逐步构建。精心设计每一个情境。 黄国荣记者 叶国英 摄

久久精品一区二区三区四区?暴走团的初衷是锻炼身体、增强体质，但这种健身方式却常常以牺牲公共安全和交通秩序为代价。当面对鸣笛的消防车和救护车时，团队成员拒绝让行，这种行为不仅是对公共规则的公然挑战，更是对他人生命安全的漠视。

久久精品一区二区三区四区?内饰部分，乐道L90搭载35英寸AR-HUD抬头显示、17.2英寸3K中控屏、17.3英寸3K吸顶屏及8英寸后排娱乐屏，配备高通骁龙8295P座舱芯片，AI算力达60TOPS，运行Coconut椰子2.0.0系统。座椅方面提供六座与七座两种布局，其中前排座垫支持12向电动调节（含8向座椅+4向腰托），第二排配备4向电动调节与10向电动零重力座椅。

久久精品一区二区三区四区?在整个欧洲，穆阿尼都是话题人物。他出现在所有的讨论中，是各大体育部门考量的核心。意大利、英国、德国或法国的媒体经常将他放在头版，这证明了他日益增长的影响力。兼具力量、技术细腻以及作为中锋罕见的无私精神，穆阿尼体现了所有豪门都在寻找的“现代九号”。尤文在竭尽全力说服他，球队的计划是为他量身定制的。但有一点是肯定的：今年夏天，穆阿尼是引发最多议论的名字之一，围绕他的每一个动向都受到密切关注。 ，更多推荐：免费观看已满十八岁在线播放电视剧17