数据分析公司IDC称,到2028年全球AI市场规模将超过6300亿美元。其中部分增长,就来自这家总部位于新泽西州的房地产服务公司。Anywhere Real Estate正运用AI技术以提供更高效、更智能的房产交易服务。
Gartner公司将AI描述为“创新灯塔”,各行各业的公司都在利用它来节约资金并提高生产力。当然,这并不意味着AI已经全知全能、可靠无忧。Anywhere Real Estate公司CTO Rudy Wolfs提醒道,“虽然没人能够否认AI技术的潜力和前景,但我们也必须意识到这项技术目前还不成熟。我投入了很多精力来调整技术团队对于AI的看法,确保他们既了解AI的优势所在、哪些方面仍须发展,也清楚AI能做什么、做不到什么,甚至说在哪些方面令人感到失望。”
之所以把“丑话说在前面”,就是因为他不希望用户和企业领导者在尝试AI技术并发现无法获得预期结果后,快速对这股新兴浪潮失去信心。在Wolfs看来,最重要的是设定正确的期望,以最能展示其潜力的方式加以应用,并让用户们相信它能够实现目标。而这正是Wolfs和他的团队在Anywhere Real Estate的Listing Concierge产品及其潜在客户评分工作当中的指导方针。
用AI使房源更优质
根据Wolfs的介绍,Anywhere Real Estate的Listing Concierge产品为中介服务商提供一套高度直观的工具,用以快速推广房源。其目标是让买家、卖家和中介服务商都能无缝体验相关房产。他解释称,“我们拥有成千上万的中介服务商,手中掌握着成千上万的房源。所以任何有助于加快房源信息整理和发布过程的工具,对他们来说都是一个巨大的胜利。”
Listing Concierge能够根据拍摄的房产照片撰写初始房源描述,并自动标记特定房间的图像,向买家介绍他们当前看到的是什么。“根据所发布房源的具体位置,可能会设置不同的字符数限制。Listing Concierge会自动调整关于房产的描述长度,这样卖家就能保证介绍文本既牢牢抓住当前房产的本质,以无需坐下来重写任何介绍内容。”
这套生成式AI解决方案仍然需要训练,以确保所有工作都能以负责任且合乎道德的方式完成。虽然Wolfs承认这在以前也不算太大的问题,但如今中介服务商们已完成不必为这些情况而分神。
感同身受
Anywhere Real Estate还部署了生成式AI引擎为潜在客户提供支持。该引擎会分析客户发布的信息,然后将潜在客户分配给最佳中介服务商。Wolfs解释称,作为全国最大的消费级房产企业,以往他们根本无法处理这么多潜在客户。“过去,我们只能根据自己的判断将客源分配给中介服务商,包括哪家服务商最适合特定的潜在客户、谁最可能在特定片区达成交易。”而潜在客户的评分引擎则能真正将合适的客源交付给合适的服务商。“这对消费者来说也是件好事,因为他们获得了能够切实满足购房需求的服务商;服务商这边也同样得利,因为他们能够与最适合自己的商业机会相匹配。”虽然之前也能同样做出分配,但却无法从成功和失败案例中总结出任何经验。“通过应用AI技术,我们可以更好地理解消费者的反馈和分配效果,从而识别出我们以往可能错失的重要模式。”
举例来说,使用AI技术,我们可以分析客户使用的单词或者短语类型,以了解他们的紧迫程度:比如是想在几周、几个月还是几年内售出房屋。如果卖家希望尽快找到买家,那么这种紧迫程度也能被清晰传递给中介服务商,再由他们据此制定潜在客户的接触策略。
Wolfs解释道,在开展这类项目时,往往很难预判哪种模型或者哪家技术供应商更合适。正因为如此,他和他的团队才建立起所谓“线束”体系,能够接入各种AI模型并轻松在不同模型之间往来切换。这样他们就永远不会被锁定在任何特定模型身上。“这个非常轻薄的技术层,可能是我们在架构领域做过的最出色的探索之一,允许我们快速尝试某套模型,并在发现另一家供应商有更合适的方案时灵活替换。”
这对Anywhere Real Estate的两大项目至关重要。除了防止人们在AI未能如预期般起效时失去信心之外,尽早建立这种流水线式的AI更替体系也非常重要,能够引导人们更信任数据和模型给出的结果。Wolfs最后又重申了迭代方法的巨大价值,即通过定期开展小规模测试来确定技术方案哪里好、哪里差,以及是否有机会在其他场景下加以应用。
好文章,需要你的鼓励
这篇研究提出了OThink-R1,一种创新的大型推理模型,能够像人类一样在快速直觉思维和慢速深度推理之间自动切换。研究者发现,现有推理模型即使面对简单问题也会生成冗长的推理过程,导致计算资源浪费。通过分析推理轨迹并使用LLM评判员区分冗余和必要推理,OThink-R1能根据问题复杂度动态调整思考深度。实验表明,该方法平均减少了23.4%的生成文本量,同时保持或提高了准确率,代表了向更高效、更人性化AI推理系统迈出的重要一步。
这项研究提出了SHARE,一种新型文本到SQL修正框架,它利用三个小型语言模型(SLM)协同工作,实现高效精准的SQL错误修正。SHARE首先通过基础行动模型将SQL转换为行动轨迹,再经过模式增强模型和逻辑优化模型的层次化精细化修正。研究团队还创新性地提出了层次化自演化训练策略,大大提高了训练数据效率。实验结果表明,SHARE在多个基准测试上显著提升了SQL生成准确率,计算成本仅为传统方法的十分之一,并展现出强大的泛化能力,适用于各种生成器模型和SQL方言。
这项由香港大学和南京大学等机构研究人员联合开发的双专家一致性模型(DCM)解决了高质量视频生成中的效率难题。研究团队发现扩散模型蒸馏过程中存在优化冲突:早期阶段负责语义布局与运动,后期阶段关注细节精修,两者学习动态差异显著。DCM创新性地将这两个任务分配给不同的专家模型,通过参数高效的实现方式,使模型仅需4步即可生成接近50步原始模型质量的视频,大幅提升生成速度,为实用化AI视频创作铺平道路。
这项研究介绍了QARI-OCR,一种基于Qwen2-VL-2B-Instruct模型微调的阿拉伯文字识别系统。研究团队通过三阶段合成数据训练,成功解决了阿拉伯文字识别中的主要挑战:曲线连笔特性、上下文变化的字母形状和发音符号。QARI v0.2模型创下了0.061的字符错误率和0.160的单词错误率,超越了现有开源解决方案,为阿拉伯文化遗产的数字化保存提供了重要工具。