Startup AI Singapura ManusBerita utama surat kabar awal tahun ini karena pendekatannya terhadap platform kebetulan multi -agen untuk konsumen dan “profesional” (profesional yang ingin mengoperasikan operasi kerja), kembali ke penggunaan baru yang menarik dari teknologinya.

Sementara banyak penyedia kecerdasan buatan utama seperti OpenAi dan Google dan xi “Penelitian mendalam” atau “peneliti yang dalam” telah meluncurkan faktor -faktor kecerdasan buatan yang menghasilkan beberapa menit atau berjam -jam penelitian yang luas dan dalam waktu di internet dan menulis laporan komprehensif dengan baik -digunakan atas nama pengguna, dan Manus mengambil pendekatan yang berbeda.

itu Perusahaan baru saja mengumumkan “penelitian luas”, Fitur eksperimental baru yang memungkinkan pengguna untuk melakukan tugas dan ukuran besar dengan memanfaatkan kekuatan agen kecerdasan buatan paralel-bahkan lebih dari 100 pada satu waktu, semua fokus pada menyelesaikan satu tugas (atau serangkaian sub-tugas yang menyerahkan tujuan yang disebutkan di atas).

Sebelumnya dilaporkan bahwa ia menggunakan model Anthropor Claude untuk menjalankan platformnya.

Perawatan paralel untuk penelitian, ringkasan dan output kreatif

di dalam Video telah diposting di akun X resmiCo -founder Manus dan ilmuwan utama Yichao ‘Peak’ Ji menunjukkan penawaran eksperimental untuk penelitian ekstensif untuk membandingkan 100 sepatu olahraga.

Untuk menyelesaikan tugas, penelitian ekstensif berkisar di sekitar Manus segera 100 cabang simultan – yang masing -masing ditugaskan untuk menganalisis desain satu sepatu, harga dan ketersediaannya.

Hasilnya adalah matriks penyortiran yang dikirimkan di masing -masing spreadsheet dan halaman web dalam beberapa menit.

Perusahaan menyarankan bahwa penelitian ekstensif tidak terbatas pada analisis data. Ini juga dapat digunakan untuk tugas -tugas kreatif seperti menjelajahi desain.

Dalam salah satu skenario, agen manus dibuat secara bersamaan, desain stiker di 50 pola visual yang berbeda, dan aset olahan dalam file zip yang dapat diisi.

Menurut Manus, fleksibilitas ini berasal dari sistem di tingkat sistem untuk perawatan dan komunikasi paralel, agen.

Dalam video, Peak menjelaskan bahwa pencarian luas adalah aplikasi pertama untuk peningkatan simulasi virtual dan arsitektur yang mampu membatasi kapasitas akun 100 kali yang melebihi penawaran awal.

Fitur ini dirancang untuk diaktifkan secara otomatis selama tugas yang memerlukan analisis skala besar, tanpa sakelar manual atau konfigurasi yang diperlukan.

Ketersediaan dan harga

Penelitian luas tersedia dari pengguna di Manus Pro Plan dan akan tersedia secara bertahap bagi mereka yang dalam paket dasar dan dasar. Sampai sekarang, harga berlangganan manus telah diatur sebagai berikut sebulan.

• bebas – Ini termasuk $ 0 per bulan 300 pembaruan harian, akses ke mode obrolan, satu tugas simultan, dan satu tugas yang dijadwalkan.
• penting – Dolar bulanan akan menambah jam kredit 1900 (+1.900 bonus selama penawaran terbatas), 2 misi simultan dan terbarukan, akses ke model canggih dalam posisi agen, gambar/video/pembuatan video, dan sumber data eksklusif.
• plus – Ini melebihi 39 dolar per bulan hingga 3 tugas simultan dan 3 terjadwal, dan 3.900 jam kredit (+3.900 bonus), dan mencakup semua fitur dasar.
• Profesional -199 dolar/bulan menyediakan 10 tugas sinkron, 10 tugas terjadwal, 19.900 jam kredit (+19.900 bonus), akses awal ke fitur versi percobaan, kemeja manus, dan fitur lengkap fitur termasuk alat agen canggih dan pembuatan konten.

Ada juga diskon 17 % untuk harga ini untuk pengguna yang ingin membayar setiap tahun.

Peluncuran tergantung pada infrastruktur yang disajikan dengan Manus awal tahun ini, yang oleh perusahaan digambarkan bukan hanya agen Amnesty International, tetapi platform komputasi awan pribadi.

Setiap sesi manus bekerja pada perangkat virtual khusus, yang memungkinkan pengguna untuk mengakses akun cloud yang terorganisir melalui bahasa alami-persiapan yang dianggap perusahaan untuk memungkinkan alur kerja AI untuk tujuan umum.

Melalui penelitian yang luas, pengguna Manus dapat mendelegasikan penelitian atau eksplorasi kreatif di seluruh lusinan atau bahkan ratusan subkontraktor.

Tidak seperti sistem multi-agen tradisional dengan peran yang telah ditentukan sebelumnya (seperti manajer, programmer atau perancang), setiap sub-kelompok dalam penelitian luas adalah manus yang sepenuhnya mampu, bukan spesialis untuk pekerjaan peran tertentu secara mandiri dan mampu mengambil alih tugas umum apa pun.

Perusahaan mengatakan bahwa keputusan arsitektur ini membuka pintu bagi tugas -tugas yang fleksibel dan dikembangkan yang tidak terbatas pada template padat.

Apa manfaat dari penelitian mendalam?

Makna implisit tampaknya adalah bahwa operasi semua faktor ini secara paralel lebih cepat dan akan mengarah pada kelompok produk kerja yang lebih baik dan lebih bervariasi di luar laporan penelitian, tidak seperti faktor “penelitian mendalam” individu yang ditunjukkan oleh penyedia kecerdasan buatan lainnya atau ditawarkan.

Tetapi sementara Manus meningkatkan penelitian ekstensif sebagai penetrasi secara paralel dengan agen, perusahaan tidak memberikan bukti langsung bahwa melahirkan lusinan atau ratusan subkontraktor lebih efektif daripada memiliki tugas perawatan kapasitas tunggal secara berturut -turut.

Versi ini tidak termasuk kriteria kinerja, perbandingan, atau interpretasi teknis untuk membenarkan badan pendekatan ini-seperti meningkatkan penggunaan sumber daya, kompleksitas koordinasi, atau kekurangan potensial. Ini juga tidak memiliki detail tentang bagaimana internalis bekerja sama, bagaimana menggabungkan hasil, atau apakah sistem memberikan keuntungan yang terukur dalam kecepatan, akurasi atau biaya.

Akibatnya, sementara keuntungan menunjukkan ambisi arsitektur, manfaat praktisnya tetap pada metode yang lebih sederhana yang tidak terbukti berdasarkan informasi yang diberikan.

Sub -factor memiliki catatan campuran secara umum secara umum, sejauh ini …

Sementara implementasi penelitian Manus yang luas ditempatkan sebagai canggih dalam sistem agen kecerdasan buatan umum, ekosistem yang lebih luas telah menyaksikan hasil beragam dengan metode yang sama.

Misalnya, aktif Reddit, pengguna simbol Claude yang dijelaskan sendiri Ketakutan tentang simbolnya yang lambat dan mengonsumsi sejumlah besar simbol, dan memberikan visi terbatas untuk implementasi.

Titik nyeri umum termasuk kurangnya protokol koordinasi antara faktor -faktor, kesulitan dalam memperbaiki kesalahan, dan kinerja tidak teratur selama periode beban tinggi.

Tantangan -tantangan ini tidak selalu tercermin dalam implementasi Manus, tetapi mereka menyoroti kompleksitas pengembangan kerangka kerja multi -agen yang kuat.

Manus mengakui bahwa penelitian ekstensif masih eksperimental dan mungkin datang dengan beberapa pembatasan dengan pengembangan berkelanjutan.

Kami melihat ke depan

Dengan penelitian yang luas, Manus memperdalam komitmennya untuk mendefinisikan kembali bagaimana pengguna berinteraksi dengan agen kecerdasan buatan dalam skala besar.

Sementara platform lain bergulat dengan tantangan teknis dari koordinasi dan keandalan subagent, pendekatan manus mungkin merupakan ujian apakah agen agen-mengambil stereotip yang sempit dapat memenuhi visi kerja sama dan multi-utusan AI.

Perusahaan menyinggung ambisi yang lebih luas, menunjukkan bahwa infrastruktur di balik penelitian ekstensif meletakkan dasar untuk pertunjukan di masa depan. Pengguna dan adegan industri akan memperhatikan apakah gelombang baru dari struktur agen ini dapat naik ke tingkat kemampuannya – atau apakah tantangan yang terlihat di tempat lain di bidang kecerdasan buatan pada akhirnya akan diambil.

Koreksi: Artikel ini awalnya disebutkan secara tidak benar bahwa Manus berbasis di Cina ketika tidak; Dia ada di Singapura. Dia juga mengutip laporan sebelumnya bahwa mereka menggunakan model Alibaba Qwen; TIDAK. Kami telah memperbarui dan menyesali kesalahan.

Sebuah truk yang membawa hot dog berpartisipasi dalam kecelakaan di sepanjang negara bagian Pennsylvania, menyebabkan kekacauan penuh dengan hot dog yang tersebar di seberang jalan raya.

Seorang juru bicara kepolisian Pennsylvania mengatakan trailer traktor menghadapi beberapa masalah mekanis di sepanjang jalan raya ke -83 pada hari Jumat, utara garis negara bagian Maryland, menyebabkan kendaraan lain dihancurkan.

Kecelakaan itu menyebabkan pembersihan truk terhadap istirahat beton, menyebabkan trailer dibuka. Ketika ini terjadi, banyak hot dog yang tumpah dari truk.

Pisau turbin angin di lalu lintas di timur laut, jalan raya yang ramai

“Setelah truk ini pergi dan menabrak jalan, ini adalah segalanya, dan suasananya masih sangat hangat,” kata Brad Dobirman, kepala Perusahaan Keunggulan Pemadam Kebakaran Shuzbury.

Para pejabat mengatakan empat orang dirawat karena cedera yang mengancam jiwa.

Ledakan truk ditangkap di kamera di lingkungan Chicago di pinggiran kota, sementara propana bocor untuk menyalahkan: pejabat

Seorang juru bicara kepolisian Pennsylvania mengatakan trailer traktor menghadapi beberapa masalah mekanis di sepanjang jalan raya ke -83. (Kepolisian Negara Bagian Pennsylvania)

Dobirman mengatakan dia belajar sesuatu tentang kecelakaan itu.

Klik di sini untuk mendapatkan aplikasi Fox News

Hot dog di atas kue yang ditutupi dengan mustard kuning. (ISTOCK)

“Aku bisa memberitahumu secara pribadi, bahwa hot dog sangat licin,” kata Dobirman. “Aku tidak tahu itu.”

Alexandra telah berkontribusi pada Digitter Associated Press dan Fox News untuk laporan ini.

Fitur penelitian mendalam yang tinggi dan analisis yang didukung kecerdasan buatan lainnya telah membuat lebih banyak model dan layanan yang ingin menyederhanakan proses ini dan membaca lebih banyak dokumen yang sudah digunakan perusahaan.

Perusahaan Kecerdasan Buatan Kanada berpadu Itu ditempatkan pada modelnya, termasuk model visual yang baru dirilis, untuk menunjukkan bahwa fitur pencarian yang dalam juga harus ditingkatkan untuk digunakan lembaga.

Perusahaan telah merilis perusahaan, model visual yang digunakan oleh institusi yang menargetkan, berdasarkan bagian belakang masalahnya. Perusahaan mengatakan bahwa model parameter adalah 112 miliar yang dapat “membuka visi data visual yang berharga, dan mengambil keputusan yang sangat akurat yang bergantung pada data dengan mengidentifikasi OCR dan analisis gambar,” kata perusahaan.

Perusahaan mengatakan: “Apakah itu menjelaskan buklet produk dengan rencana kompleks atau menganalisis gambar adegan dunia nyata untuk mendeteksi risiko, visi tersebut melebihi perlakuan tantangan yang paling menuntut bagi lembaga,” kata perusahaan itu. Di posting blog.

Ini berarti bahwa visi dapat membaca dan menganalisis jenis gambar yang paling umum yang dibutuhkan oleh lembaga: grafik, grafik, rencana, dokumen yang dipindai dan PDF.

Karena didasarkan pada perintah A, perintah A memerlukan melihat dua atau kurang dari unit pemrosesan grafis, seperti model teks. Model visi juga mempertahankan kemampuan teks pada A untuk membaca kata -kata pada gambar dan memahami setidaknya 23 bahasa. Cohere mengatakan bahwa, tidak seperti model lain, visi tersebut mengurangi total biaya kepemilikan lembaga dan sepenuhnya ditingkatkan untuk kasus pengambilan.

Bagaimana mengajarkan masalah ini

Cohere mengatakan itu mengikuti a Arsitektur LLAV Untuk membangun modelnya, termasuk model visual. Struktur ini mengubah fitur visual menjadi simbol penglihatan lembut, yang dapat dibagi menjadi ubin yang berbeda.

Perusahaan mengatakan bahwa ubin ini diteruskan ke menara teks, “parameter padat, 111b.” Dengan cara ini, satu gambar mengonsumsi hingga 3328 simbol. “

Kwaidle mengatakan bahwa ia melatih model visual dalam tiga tahap: menyelaraskan bahasa visi, subjek kontrol (SFT) dan belajar untuk memperkuat setelah pelatihan dengan komentar manusia (RLHF).

Perusahaan mengatakan: “Pendekatan ini memungkinkan penunjukan fitur enkripsi foto ke area yang mencakup model bahasa.” “Sebaliknya, selama tahap SFT, kami melatih yang dikodekan pada satu waktu, transformator penglihatan dan model bahasa pada berbagai tugas multimedia untuk pendidikan.”

Bayangkan AI

Tes standar menunjukkan bahwa visi melebihi model lain dengan kemampuan visual yang sama.

Colle Compet Command Vision Against OpenaiGPT 4.1, MatiHubungi 4 Mafrick, kesalahanPixtral besar dan salah 3 dalam sembilan tes standar. Perusahaan tidak menyebutkan apakah telah menguji model terhadap antarmuka pemrograman aplikasi mistral yang berfokus pada OCR, OCR Mistral.

Visi ini melampaui model lain dalam tes seperti ChartQA, Ocrbench, AI2D dan TextVQA. Secara umum, visibilitas mencapai 83,1 % dibandingkan dengan GPT 4.1 78,6 %, dan Llama 4 Maverkk 80,5 % dan 78,3 % dari Medium Mistral 3.

Sebagian besar model LLMS hari ini adalah multimedia, yang berarti mereka dapat membuat atau memahami media visual seperti gambar atau video. Namun, lembaga umumnya menggunakan lebih banyak dokumen grafis seperti grafik dan PDF, sehingga mengekstraksi informasi dari sumber data yang tidak terstruktur sering terbukti sulit.

Dengan penelitian yang mendalam di High, pentingnya membawa model yang mampu membaca dan menganalisis data yang tidak terorganisir dan bahkan mengunduhnya.

Cohere juga mengatakan bahwa mereka memberikan kepemimpinan dalam sistem bobot terbuka, berharap bahwa perusahaan yang ingin pindah dari model tertutup atau kepemilikan akan mulai menggunakan produk mereka. Sejauh ini, ada beberapa perhatian dari pengembang.

Visi harian tentang kasus penggunaan bisnis dengan VB setiap hari

Jika Anda ingin membujuk bos Anda di tempat kerja, Anda telah membahas VB setiap hari. Kami memberi Anda prioritas jurnalistik internal atas apa yang dilakukan perusahaan dengan kecerdasan buatan kebidanan, dari transformasi organisasi hingga operasi penerbitan praktis, sehingga Anda dapat berbagi visi pengembalian investasi maksimum.

Baca Kebijakan Privasi Kami

Terima kasih telah berlangganan. Periksa lebih banyak buletin VB di sini.

Terjadi kesalahan.