挑战WorldLabs：Visionary，一个全面超越Marble底层渲染器的WebGPU渲染平台（在新窗口打开）
在李飞飞团队 WorldLabs 推出 Marble、引爆「世界模型（World Model）」热潮之后，一个现实问题逐渐浮出水面：世界模型的可视化与交互，依然严重受限于底层 Web 端渲染能力。
内容栏目
AI技术文章
分享不同 AI 工具、模型与相关技术的使用方法和实践文章。
首个文本到3D生成RL范式诞生，攻克几何与物理合理性（在新窗口打开）
在大语言模型和文生图领域，强化学习（RL）已成为提升模型思维链与生成质量的关键方法。
从 RAG 到 Context：2025 年 RAG 技术年终总结（在新窗口打开）
过去的 2025 年，对于检索增强生成（RAG）技术而言，是经历深刻反思、激烈辩论与实质性演进的一年。
不靠死记布局也能按图生成，多实例生成的布局控制终于“可控且不串脸”了丨浙大团队（在新窗口打开）
尽管扩散模型在单图像生成上已经日渐成熟，但当任务升级为高度定制化的多实例图像生成（Multi-Instance Image Generation, MIG）时，挑战随之显现：
相机运动误差降低40%！DualCamCtrl：给视频生成装上「深度相机」，让运镜更「听话」（在新窗口打开）
你的生成模型真的「懂几何」吗？还是只是在假装对齐相机轨迹？
LeCun的JEPA已进化为视觉-语言模型，1.6B参数比肩72B Qwen-VL（在新窗口打开）
近日，来自 Meta、香港科技大学、索邦大学、纽约大学的一个联合团队基于 JEPA 打造了一个视觉-语言模型：VL-JEPA。据作者 Pascale Fung 介绍，VL-JEPA 是第一个基于联合嵌入预测架构，能够实时执行通用领域视觉-语言任务的非生成模型。
只靠国产算力预训练，稳！全流程开源，「开元」盛世真来了（在新窗口打开）
鹏城实验室与清华大学PACMAN实验室联合发布了鹏城脑海‑2.1‑开元‑2B（PCMind‑2.1‑Kaiyuan‑2B，简称开元‑2B）模型，并以全流程开源的方式回应了这一挑战——从训练数据、数据处理框架、训练框架、完整技术报告到最终模型权重，全部开源。
让大模型不再过度思考！上海AI Lab后训练新范式重塑CoT，推理又快又好（在新窗口打开）
近日，上海人工智能实验室的研究团队提出了一种全新的后训练范式——RePro（Rectifying Process-level Reward）。这篇论文将推理的过程视为模型内部状态的优化过程，从而对如何重塑大模型的CoT提供了一个全新视角：
人人都是导演：CineCtrl首个实现视频生成中的相机运镜与摄影效果统一控制（在新窗口打开）
现有视频生成模型往往难以兼顾「运镜」与「摄影美学」的精确控制。为此，华中科技大学、南洋理工大学、商汤科技和上海人工智能实验室团队推出了 CineCtrl。作为首个统一的视频摄影控制 V2V 框架，CineCtrl 通过解耦交叉注意力机制，摆脱了多控制信号共同控制的效果耦合问题，实现了对视频相机外参轨迹与摄影效果的独立、精细、协调控制。
MiniMax海螺首次开源 VTP，打通了 Visual Tokenizer 的 Scaling Law（在新窗口打开）
MiniMax 海螺视频团队「首次开源」了 VTP（Visual Tokenizer Pre-training）项目。他们同步发布了一篇相当硬核的论文，它最有意思的地方在于 3 个点：「重建做得越好，生成反而可能越差」，传统 VAE 的直觉是错的
最近很火的Hindsight，基于图谱的「Agent记忆栈」解耦事实与信念（在新窗口打开）
在上一篇文章中，我们系统梳理了AI Agent 记忆机制的全景综述AI Agent最新「Memory」综述 ｜多所顶尖机构联合发布。今天我将带您了解一项最近很火的Agent记忆项目「HINDSIGHT」
北大发布 ManualVLA：首个长程「生成–理解–动作」一体化模型，实现从最终状态自主生成说明书并完成操纵（在新窗口打开）
视觉–语言–动作（VLA）模型在机器人场景理解与操作上展现出较强的通用性，但在需要明确目标终态的长时序任务（如乐高搭建、物体重排）中，仍难以兼顾高层规划与精细操控。
这10个n8n工作流，直接干死了90%的Tiktok视频生产，一键直出100条（在新窗口打开）
有人私信我：这种级别的干货，外面都是打包卖几千块的课，你就这么免费发出来了？
SIGGRAPH Asia 2025 | 只用一部手机创建和渲染高质量3D数字人（在新窗口打开）
在计算机图形学、三维视觉、虚拟人、XR 领域，SIGGRAPH 是毫无争议的 “天花板级会议”。 SIGGRAPH Asia 作为 SIGGRAPH 系列两大主会之一，每年只接收全球最顶尖研究团队的成果稿件，代表着学术与工业界的最高研究水平与最前沿技术趋势。
分割一切、3D重建一切还不够，Meta开源SAM Audio分割一切声音（在新窗口打开）
继 SAM（Segment Anything Model）、SAM 3D 后，Meta 又有了新动作。
具身智能的数据难题，终于有了可规模化的解法（在新窗口打开）
科技赛道从不缺“造梦者”，但能精准击中行业痛点的“破局者”往往寥寥。
腾讯混元最新世界模型开源！支持实时生成交互，突破长期空间记忆（在新窗口打开）
可支持24帧/秒的长时流式生成。 智东西12月17日报道，今天，腾讯混元发布并开源了最新的混元世界模型1.5（Tencent HY WorldPlay），用户输入文字指令或者图片即可创建可交互世界，该模型拥有空间记忆能力，能呈现出前后一致的场景，支持用户在生成的世界里随意移动探索。目前，这一模型可在腾讯混元3D官网申请体验。 这一模型支持生成第一视角和第三视角场景，能生成多种类型的风格化场景，还支持场景触发特定效果，可应用于AI游戏开发、影视制作和虚拟现实（VR）和具身智能训练等领域。从官方给出的效果图来看，仅通过输入“废弃游乐园，生锈的摩天轮，杂草丛生，怀旧忧伤”这一指令，该模型便生成了精度
挖掘注意力中的运动线索：无需训练，解锁4D场景重建能力（在新窗口打开）
如何让针对静态场景训练的3D基础模型（3D Foundation Models），在不增加训练成本的前提下，具备处理动态4D场景的能力？
经验记忆黑科技：LightSearcher让AI工具调用减39.6%、推理快48.6%（在新窗口打开）
如今，以 DeepSeek-R1 为代表的深度思考大模型能够处理复杂的推理任务，而DeepSearch 作为深度思考大模型的核心搜索器，在推理过程中通过迭代调用外部搜索工具，访问参数边界之外的最新、领域特定知识，从而提升推理的深度和事实可靠性。
让大模型“吃一堑长一智”，南理工百度等提出模型记忆新方法（在新窗口打开）
多模态推理又有新招，大模型“记不住教训”的毛病有治了。
参与交流
查看 AINRK 交流群说明
了解加入交流群的方式，阅读内容无需登录。