AI动态汇总：英伟达LlamaNemotron模型表现优异，小米MiBRAG智能引擎亮相.docx

请务必阅读正文之后的免责条款部分

请务必阅读正文之后的免责条款部分

目录

TOC\o1-2\h\z\uAI重点要闻 4

英伟达开源模型Llama-Nemotron超越DeepSeek-R1 4

小米Mi-BRAG智能引擎亮相 7

星动纪元联合清华发布首个AIGC机器人大模型 9

华为联合清华打造首个园区网络智能体 12

企业动态 15

Mistral发布Medium3大模型 15

阿里开源创新大模型搜索引擎ZeroSearch 17

AI行业洞察 19

腾讯技术团队协助DeepEP通信框架，性能显著提升 19

Anysphere完成9亿美元融资，估值达90亿美元 20

技术前沿 20

RepliBench:检测大模型“自我复制”能力 20

风险提示 24

请务必阅读正文之后的免责条款部分

请务必阅读正文之后的免责条款部分

图表目录

图表1：人工分析智能指数 4

图表2：LN-Ultra253B测评 4

图表3：Puzzle框架 5

图表4：GPQA-Diamond准确率与处理吞吐量之间的权衡 6

图表5：预训练效果对比 6

图表6：训练过程中GPQA-Diamond的准确率得分 7

图表7：Mi-BRAG系统流程 8

图表8：知识问答框架 9

图表9：SuperCLUE-RAG生成能力排行榜 9

图表10：VPP两阶段学习框架 10

图表11：高频预测和执行 11

图表12：VPP定量结果 12

图表13：园区网络智能体架构 13

图表14：网络数字地图时空分析 14

图表15：网络智能体的网络运维Copilot 15

图表16：MistralMedium3模型测评 16

图表17：Mistralvs.Llama4Maverick能力对比 17

图表18：PPO/GRPO无搜索引擎训练架构 18

图表19：DeepSeek致谢腾讯技术团队 19

图表20：ReoliBench 21

图表21：FaultTreeAnalysis 21

图表22：Pass@10表现 23

图表23：RepliBench模型表现 24

AI重点要闻

英伟达开源模型Llama-Nemotron超越DeepSeek-R1

2025年4月，英伟达发布了开源模型Llama-Nemotron，发布后该模型入选人工分析智能指数评选的“最智能”开源模型。Llama-Nemotron系列共有三个模型，分别是LN-Nano8B，LN-Super49B和LN-Ultra253B，从英伟达公布的技术报告看，LN-Ultra253B全面赶超DeepSeek-R1。

图表1：人工分析智能指数 图表2：LN-Ultra253B测评

英伟达， 英伟达，

就在5月6日，英伟达发布了最新的技术报告，从技术报告中可以看出，英伟达团队分析了OpenAI的o1模型和DeepSeek-R1模型，发现现有推理大模型在推理能力方面取得了显著进展，但在推理效率和内存占用方面仍有改进空间。因此，Llama-Nemotron旨在研究如何在不牺牲推理能力的前提下减少模型的内存占用。在训练中，Llama-Nemotron利用合成数据监督微调加强化学习，全面提升模型的推理能力，并且从头构建完善的后训练流程。

Llama-Nemotron模型的构建，分为五个阶段：

第一阶段：神经架构搜索（NAS）。使用神经架构搜索从Llama3模型中进行优化，以实现加速推理。通过块级局部蒸馏构建替代Transformer块的库，并使用混合整数规划（MIP）求解器选择最有效的配置。

请务必阅读正文之后的免责条款部分第二阶段：垂直压缩与FFN融合。对于LN-Ultra模型，引入了FFN融合技术，通过识别并替换连续的FFN块来减少序列深度，提高计算利用率。

请务必阅读正文之后的免责条款部分

第三阶段：知识蒸馏与继续预训练。在NAS阶段之后，LN-Super和LN-Ultra分别进行了知识蒸馏和继续预训练，以提高模型质量并恢复块替换过程中可能引入的质量损失。

第四阶段：监督微调（SFT）。使用混合指令数据和来自强教师模型（如DeepSeek-R1）的推理轨迹进行监督微调，使模型能够执行多步推理。

第五阶段：大规模强化学习。对LN-Ultra进行大规模强化学习训练，特别是在复杂数学和STEM数据集上，使其超越教师模型的能力。

Llama-Nemotron借助神经架构搜索Puzzle框