New "SUPER AGENT" AI From China Shocks The World: Better than Manus!

Es gibt also einen neuen Key Agenten von Gainspark namens Superagent. Es handelt sich im Grunde um ein All in one Key Tool, das reisen, planen, Daten analysieren, Videos erstellen und sogar Telefonanrufe tätigen kann, um in ihrem Namen Restaurants oder Dienstleistungen zu buchen. Ziemlich ungewöhnlich. Gainspark wurde von Jin Kun, einem ehemaligen BU Manager, gegründet und positionierte diesen Superagenten als direkten Konkurrenten zu einem bestehenden autonomen Agenten namens Man. Manist sorgte im März für viel Aufmerksamkeit, da er behauptete, der weltweit erste vollständig autonome KI Agent zu sein. Gainsparks Antwort darauf geht noch einen Schritt weiter und bietet integrierte Telefonfunktionen, die insbesondere für Nutzer mit Sprachbarrieren oder unterschiedlichen Zeitzonen von großem Vorteil sein könnten. Die Telefonfunktion wurde tatsächlich auf eine ziemlich coole Art und Weise vorgeführt. Stellen Sie sich vor, Sie möchten ein Restaurant reservieren. Sie teilen dem Gainspark Superagenten, genannt Gaia, ein einfach mit, wonach Sie suchen, ob Sie spezielle Ernährungsbedürfnisse haben und an welchem Tag und zu welcher Uhrzeit Sie hingehen möchten, und Gaia greift einfach zum Telefon und ruft für Sie an. In einer ihrer Demos musste die KI berücksichtigen, dass eine Person eine Schalentierallergie hatte und eine andere Vegetarierin war. Sie verarbeitete nicht nur diese Informationen, sondern antwortete auch in Echtzeit auf die Frage des Moderators, ob er eine Sitznische oder einen Fenstertisch wünschte. Die KI antwortete, ein Fenstertisch wäre perfekt verfügbar und das war's. Reservierung gebucht. Sie bewerben dies als entscheidenden Vorteil gegenüber Manis, das derzeit keine Sprachanruffunktion bietet. Und wenn Sie denken, das sei keine große Sache. Stellen Sie sich vor, Sie müssten etwas kaufen, das extrem schwer zu bekommen ist, wie zum Beispiel den hypothetischen Nvidia 590 Chip. Die Key könnte in ihrem Namen 100 Geschäfte anrufen, bis sie den Artikel findet. Das ist meiner Meinung nach schon umwerfend. JIN Spark bezeichnet diesen KI Assistenten als eine Mischung aus Agentensystem. Sie kombinieren acht umfangreiche Sprachmodelle, über 80 spezialisierte Toolkits und einen umfangreichen, intern kuratierten Datensatz. Die Idee dahinter ist, dass man über eine Reihe spezialisierter Mini Agenten oder Toolsets verfügt, die unterschiedliche Aufgaben erledigen, von der Erstellung von Marketing Websites über die Analyse riesiger Datensätze wie Erdbeben, Statistiken bis hin zur Umwandlung von YouTube Interviews in kurze, prägnante Präsentationen. In Bezug auf Leistung und Geschwindigkeit behauptet Gainspark, dass sein Tool nahezu sofortige Ergebnisse liefert und sehr einfach zu steuern und zu optimieren ist. Das ist einer der Gründe, warum manche es mit Manis vergleichen, das ebenfalls komplexe Aufgaben wie die Überprüfung von Lebensläufen oder Aktienanalysen übernimmt. Der Unterschied besteht jedoch darin, dass Gainspark nach eigenen Angaben eher auf alltägliche Szenarien wie die Tischreservierung, die Erstellung von Social Media Inhalten oder sogar die Erstellung persönlicher Kochvideos ausgerichtet ist. Manes hingegen konzentriert sich mehr auf größere technische Aufgaben. Das führt mich zum Nächsten der Leistung in der Praxis. Manche Forscher und KI Enthusiasten sind etwas zurückhaltend, da all diese Multi Agenten Systeme auf dem Papier großartig klingen, aber im realen Alltagseinsatz funktionieren müssen. Eine große Frage ist, wie oft es bei einem Telefonat fehlschlägt oder seltsame Ergebnisse liefert, wenn es um komplizierte Aufgaben geht. Viele fragen sich, wie das Gainspark System hinter den Kulissen funktioniert, da die internen Architekturen von GIA noch nicht vollständig veröffentlicht wurden. Hinzu kommt der Open Source Aspekt. Manes plant, Teile seines Systems noch in diesem Jahr als Open Source freizugeben, was dem System einen Vorsprung bei Community Support, Fehlerbehebungen und neuen Funktionen verschaffen könnte. Ob Gainspark oder Manis letztendlich gewinnt, hängt wahrscheinlich davon ab, wie sich Gainspark kontinuierlich verbessert und ob die Nutzer die Agenten tatsächlich hilfreich genug finden, um sie in ihren Alltag zu integrieren. Im Rahmen der offiziellen Einführung von Gainspark wurde eine ausführliche Videodemonstration veröffentlicht, moderiert von Eric von Gainspark I. Darin bittet Eric den Superagenten, eine fünftägige Reise nach San Diego zu planen. In Mid AF macht sich die Key an die Arbeit und nutzt ein sogenanntes Reisetool, das auf einen Reisedatensatz zugreift. Anschließend nutzt sie ein umfassendes Recherchetool, um die öffentlichen Verkehrsmittel zu prüfen. Anschließend berechnet sie mit Hilfe eines Kartentools die Entfernungen zwischen Sehenswürdigkeiten, damit die Reiseroute nicht zu kompliziert wird. Eric präsentiert den fertigen Plan und erklärt, wie er alle möglichen Sonderwünsche berücksichtigt, zum Beispiel die bevorzugte Gehzeit den Bedarf an öffentlichen Verkehrsmitteln oder bestimmte Restaurantwünsche. All das ist in wenigen Minuten erledigt. Beeindruckend, denn normalerweise würde man lange mit manueller Recherche und Planung verbringen. Anschließend möchte Eric die Restaurants für jeden Tag reservieren. Dann übernimmt die KEY mit dem Call for me Tool und ruft das Restaurant an. Genau das habe ich bereits erwähnt, wo Ernährungseinschränkungen und Tischwünsche nahtlos berücksichtigt wurden. Eric erklärt außerdem, wie der Super Agent personalisierte Videos basierend auf ihren Interessen erstellen kann. Er gab ein Beispiel. Er bat ihn, ihm in einem Video zu zeigen, wie man Calamari und Kabeljau mit Pistazienkruste zubereitet. Zuerst recherchiert die KI das Rezept, dann erstellt sie mit einem Videogenerierungstool kleine Clips für jeden Schritt. Anschließend fügt sie mit einem Audiogenerierungstool Soundeffekte oder Voiceovers hinzu. Das Ergebnis ist ein ansprechendes Kochvideo, quasi maßgeschneidert. Stellen Sie sich die Möglichkeiten vor. Vielleicht möchten Sie Schritt für Schritt sehen, wie man einen Automotor repariert oder bestimmte Yoga Posen erlernen. Die KI stellt einfach ein paar relevante Bilder zusammen, fügt eine Sprachspur hinzu und schon haben Sie ihr personalisiertes Mini Tutorial. Ein weiteres verrücktes Beispiel ist die Fähigkeit der KI, eine South Park ähnliche Episode basierend auf aktuellen Nachrichten zu erstellen. Eric zeigte, wie die KI die sogenannte Signal Gate Kontroverse aufgriff, ein komplettes Drehbuch dazu schrieb und dann mit einem Videogenerierungstool kurze Clips im South Park Stil für jede Szene. Zusammenfügte. Anschließend generierte sie mit Textpech die Stimmen der Charaktere und am Ende entstand eine etwa anderthalbminütige Episode. Ein Teil des Ausschnitts enthielt Sätze Habt ihr die Nachrichten über den Verteidigungsmann gesehen, der ihre Kriegspläne getextet hat? Und jemand scherzte über strategische Hä Es ist definitiv komisch und vielleicht nicht perfekt, aber es ist trotzdem erstaunlich, dass eine KEY so weit kommt, praktisch ohne manuelle Videobearbeitung. Nun, wie Superagent all diese verschiedenen Aufgaben tatsächlich bewältigt, sagen sie Im Grunde läuft es auf das Zusammenspiel dreier Schlüsselinnovationen umfangreiche Sprachmodelle, Toolsets und Datensätze. Das Sprachmodell kann abfragen, interpretieren und zusammenhängenden Text generieren. Die Toolsets sind spezialisierte Module wie das Reisetool oder das Videogenerierungstool. Die Datensätze sind kuratierte Trainingsmaterialien, die diesen Modulen helfen, Aufgaben in verschiedenen Bereichen zu bewältigen. Gainspark betont außerdem, dass das System schnell, zuverlässig und extrem steuerbar sein soll, d. H. Man kann seine Ergebnisse steuern oder korrigieren, wenn sie vom Kurs abweichen. Gainspark räumt zwar ein, dass die Lösung realer Probleme viel schwieriger ist als zunächst gedacht, ist aber von den bisherigen Fortschritten begeistert. Es ist für jeden etwas dabei, egal ob Marketingfachmann, Lehrer, Personalvermittler oder einfach jemand, der eine Reise plant oder content produziert. Neben Gen Spark gibt es eine weitere bahnbrechende Key Technologie, die gerade von ByteDance dem Unternehmen, dem TikTok gehört, vorgestellt Dream Actor M. Im Grunde genommen kann es ein einzelnes Bild, ja nur ein Foto aufnehmen und zu einem Ganzkörpervideo animieren. Wir sprechen von flüssigen, realistischen Bewegungen, die alles abdecken, von Gesichtsausdrücken über Kopfdrehungen bis hin zu komplizierten Tanzschritten. In älteren Key Frameworks kam es bei der Animation längerer Videosegmente zu seltsamen Verzerrungen oder verlorenen Gesichtsdetails. ByteDance hat jedoch eine Methode entwickelt, die das Gesicht ausdrucksstark und die Körperhaltungen während des gesamten Clips präzise hält. Die Kerntechnologie von Dreamactor M ist ein sogenannter DIT Diffusion Transformer, der von einem Hybrid System aus D Gesichts, Kopf und Körperreferenzen gesteuert wird. Für Gesichtsausdrücke nutzt es implizite Gesichtsdarstellungen, um subtile Bewegungen wie Blinzeln oder Lippensynchronisation zu erfassen. Für Kopfbewegungen verfolgt es D Kugeln, um Neigungen und Drehungen natürlicher zu handhaben, und für Körperbewegungen verwendet es ein D-Skelett mit Anpassung der Knochenlänge, so dass sie nicht mit diesen ungewöhnlichen Proportionen enden, wenn ihr Quellbild nicht exakt mit dem Referenzvideo übereinstimmt. Sie haben tatsächlich einige Zahlen veröffentlicht, die Dreamactor M mit anderen Modellen wie Animate, Anyone, Mimic Motion und Dispos vergleichen, und Dreamactor M übertrifft sie alle in Benchmarks wie FID, das misst, wie realistisch die Frames aussehen, SSIM und PSNR, die die Bildähnlichkeit messen, das auch wahrnehmbare Bildunterschiede prüft und FVD, einem Maß für die Videoqualität. Dreamactor M erreichte einen Fit von 27,27 einen SSIM von 0,821 einen PSNR von 23,93 einen LPIPS von 26 und einen FVD von 122,0 womit er die anderen Ansätze offenbar um einiges schlägt. Das whitebands Team weist auch darauf hin, dass Streamecta M die Konsistenz bei der Erstellung längerer Videos gewährleistet. Wenn Sie ein einzelnes Bild animieren, haben Sie normalerweise keine Referenzaufnahmen, beispielsweise von der Rückseite der Person oder von verschiedenen Winkeln Ihres Gesichts. Dieses System generiert Pseudo Referenzrahmen, um diese Winkel auszufüllen und die Konsistenz zu wahren, sodass es nicht zu zufälligen Änderungen der Kleidung oder der Gesichtsform mitten im Video kommt. Allerdings räumt das Unternehmen ein, dass es noch einen weiten Weg vor sich hat, dynamische Kamerabewegungen und Szenarien zu bewältigen, in denen die Person im Video physisch mit Objekten interagiert. Es gibt auch ernsthafte ethische Bedenken, denn seien wir Diese Art von Technologie kann für deepfakes verwendet werden. ByteDance sagt, dass sie den Zugriff auf das Kernmodell einschränken und markierte Inhalte entfer Aber wer weiß, wie einfach es für jemand anderen sein könnte, die Technologie zu replizieren oder anzupassen? Also ja, Gainspark übernimmt ihre Aufgaben. ByteDance verarbeitet Fotos, große Schritte für die alltägliche KI. Spannendes steht bevor. Mal sehen, wohin es geht. Danke fürs Zuschauen und bis zum nächsten Mal.