想要您的收件箱中的更聪明的见解吗？注册我们的每周新闻通讯，只能获得企业AI，数据和安全负责人重要的内容。 立即订阅
中国人工智能创业公司马努斯， 哪个今年早些时候成为头条新闻为了使用用于消费者和专业人士的多代理编排平台（想要运行工作操作的专业人员）的方法，它带来了有趣的新技术。
而许多其他主要的竞争对手AI提供者，例如Openai，，，，谷歌， 和xai这已经启动了深入的研究或深入的研究人员AI代理商，他们进行了数分钟或数小时的深入，深入的Web研究，并代表用户撰写了充分的详尽报道，Manus采取了另一种方法。
这公司刚刚宣布了广泛的研究，一项新的实验功能，使用户可以一次利用并行的AI代理的功能来执行大规模的大规模任务，甚至一次侧重于完成一项任务（或一系列的子任务阶梯阶梯，提高了总体目标）。
据报道，Manus使用拟人化的Claude和Alibaba Qwen型号来为其平台供电。
AI Impact系列返回旧金山 - 8月5日
AI的下一个阶段在这里 - 您准备好了吗？加入Block，GSK和SAP的领导者，详细介绍自主代理如何重塑企业工作流程 - 从实时决策到端到端自动化。
现在确保您的位置 - 空间有限：https://bit.ly/3guuplf
研究，摘要和创造性输出的并行处理
在视频发布在官方X帐户上，Manus联合创始人兼首席科学家Yichao ji Ji展示了一个使用广泛研究比较100种运动鞋的演示。
为了完成任务，Manus广泛的研究几乎立即插入100个并发子代理，每个人都分配了一个分析鞋的设计，定价和可用性。
结果是在几分钟内以电子表格和网页格式提供的可排序矩阵。
该公司建议广泛的研究不仅限于数据分析。它也可以用于设计探索等创意任务。
在一种情况下，Manus代理同时在50种不同的视觉样式上生成了海报设计，并在可下载的邮政编码文件中返回了抛光资产。
根据Manus的说法，这种灵活性源于系统级别的方法和平行处理和代理到代理通信的方法。
在视频中，Peak解释说，广泛的研究是优化虚拟化和代理体系结构的首次应用，能够扩展到最初产品以外的100倍计算功率。
该功能旨在在需要大规模分析的任务中自动激活，而无需手动切换或配置。
可用性和定价
从今天开始的Manus Pro计划的用户开始进行广泛的研究，并将在基本计划上逐渐访问。截至目前，MANUS的订阅定价的结构如下。
- 自由的每月$ 0包括300个每日刷新学分，访问聊天模式，1个并发任务和1个计划的任务。
- 基本的$ 19/月$ 19增加了1,900个每月学分（在有限的报价期间+1,900个奖金），2个并发和2个计划的任务，以代理模式，图像/视频/幻灯片生成以及独家数据源访问高级模型。
- 加每月39美元增加到3个并发和3个计划的任务，每月3,900个学分（+3,900奖金），并包含所有基本功能。
- Pro每月$ 199提供10个并发和10个计划的任务，19,900个学分（+19,900个奖励），早期访问Beta功能，MANUS T恤以及包括高级代理工具和内容生成的完整功能集。
对于希望每年预先支付的用户，这些价格也有17％的折扣。
该发射是基于今年早些时候与MANUS介绍的基础架构建立的，该公司将其描述为AI代理，而且是个人云计算平台。
每个MANUS会话都在专用的虚拟机上运行，使用户可以通过自然语言进行精心策划的云计算 - 该公司将其视为启用真正通用AI Workflows的关键。
通过广泛的研究，MANUS用户可以在数十个甚至数百个子代理商中委托研究或创造性探索。
与具有预定义角色（例如经理，编码员或设计师）的传统多代理系统不同，广泛研究中的每个子代理都是一个完全有能力的，完全有特色的Manus实例 - 不是专门针对独立运作并能够执行任何一般任务的专业角色。
该公司表示，这一建筑决定为刚性模板不受限制的灵活，可扩展的任务打开了大门。
广泛的研究有什么好处？
这意味着与同行的所有这些代理人的同行速度更快，并且与其他AI提供商所表明的或派生的单一深入研究代理相反，将导致更好，更多种工作产品的工作产品。
但是，尽管Manus促进了广泛的研究作为代理并行性的突破，但该公司并未提供直接的证据，表明在数十个或数百个子代理上产生比单个高容量的代理人顺序处理任务更有效。
该版本不包括性能基准，比较或技术解释，以证明这种方法的权衡是合理的，例如资源使用增加，协调复杂性或潜在效率低下。它还缺乏有关子代理如何合作，如何合并结果或系统是否提供速度，准确性或成本的可衡量优势的细节。
结果，尽管该功能展示了建筑野心，但根据提供的信息，其对简单方法的实际好处仍未得到证实。
到目前为止
尽管MANUS的广泛研究实施被定位为一般AI代理系统的进步，但更广泛的生态系统的结果与相似的次级方法相似。
例如，开reddit，自称Claude的代码的用户对其子代理缓慢，消耗大量令牌的担忧引起了人们的担忧，并提供了有限的执行能力。
常见的疼痛点包括代理之间缺乏协调方案，调试困难以及高负载期间的性能不稳定。
这些挑战不一定反映出马努斯的实施，但它们突出了发展强大的多代理框架的复杂性。
马努斯（Manus）承认，广泛的研究仍然是实验性的，随着发展的继续，可能会遇到一些局限性。
展望未来
随着广泛的研究的推出，Manus加深了其对重新定义用户如何大规模与AI代理进行互动的承诺。
由于其他平台应对次级协调和可靠性的技术挑战，因此MANUS的方法可能是通用代理实例是否而不是狭窄的模块的测试案例 - 可以以无缝的，多线程AI协作的愿景来交付。
该公司暗示了更广泛的野心，这表明广泛研究背后的基础设施为未来的产品奠定了基础。用户和行业观察者都将密切关注这种新的代理体系结构是否可以辜负其潜在的潜力，或者是否最终会赶上AI空间中其他地方的挑战。
