开源即爆火！英伟达重磅推出OmniVinci全模态大模型（在新窗口打开）
你是否想过，未来的 AI 将会是什么样子？
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。
推翻「预测下一个token」范式！微信AI新研究：把token压缩成连续向量更具性价比（在新窗口打开）
大模型一个token一个token生成，效率太低怎么办？
机械手真正「活」了，银河通用&清华推出DexNDM，用神经动力学重塑灵巧操作（在新窗口打开）
机器人使用灵巧手帮人类在工厂里拧螺丝，在家里切菜做饭的一天何时可以到来？为了实现这一愿景，旨在解决灵巧操作技能 sim-to-real 难题的 DexNDM 应运而生。
距离觉醒意识，人工智能还差一具肉身？（在新窗口打开）
当AI能写诗、能编程，甚至能和你争论哲学，它会不会真的“有感觉”？它会不会像你一样，体验到红色的炙热或痛苦的尖锐？
扩展外部测试时Scaling Law，中关村学院新发现：轻量级验证器可解锁LLM推理最优选择（在新窗口打开）
在大语言模型（LLM）席卷各类复杂任务的今天，“测试时扩展”（Test-Time Scaling，TTS）已成为提升模型推理能力的核心思路 —— 简单来说，就是在模型 “答题” 时分配更多的计算资源来让它表现更好。严格来说，Test-Time Scaling 分成两类：
2张4090竟能本地微调万亿参数Kimi K2！趋境联合清华北航把算力门槛击穿了（在新窗口打开）
微调超大参数模型，现在的“打开方式”已经大变样了： 仅需2-4 张消费级显卡（4090），就能在本地对DeepSeek 671B乃至Kimi K2 1TB这样的超大模型进行微调了。
中英双语、29项第一、像素级理解：360 FG-CLIP2登顶全球最强图文跨模态模型（在新窗口打开）
这年头，AI 创造的视觉世界真是炫酷至极。但真要跟细节较真儿，这些大模型的「眼力见儿」可就让人难绷了。
大模型不擅长点鼠标？中科院团队打造AI专属交互界面，任务成功率提升67%（在新窗口打开）
在日常使用电脑时，看着屏幕、点击鼠标是再自然不过的基本操作。但这种对人类明明很容易的操作方式，却成为 AI 的巨大挑战：它们视力差、动作慢、不擅长看也不擅长点。
北大字节开源首个时空推理视频模型！思考过程全透明，性能超越GPT-4o（在新窗口打开）
AI看视频也能划重点了！ 不仅能回答“是什么”、“发生了什么”，还能指出是在“何时何地”发生。 来自北大和字节的联合团队，推出了首个将显式时空证据嵌入视频推理全过程的开源模型——Open-o3 Video，让AI不仅能答对问题，也能在思维过程中同步直观标出具体位置，真正实现有迹可循的视频推理。 △Open-o3 Video的能力 同时，模型采用non-agent架构，避免了复杂的工具调用和多轮推理，一次回复中直接完成“看—想—证—答”的闭环。 在多个视频推理测试中，关键指标可提升至24.2%，性能表现超越GPT-4o和Gemini-2-Flash等一众闭源模型。 下面是更多详细内容。 研究背景
NeurIPS 2025 Spotlight | 你刷到的视频是真的么？用物理规律拆穿Sora谎言（在新窗口打开）
随着生成式 AI（如 Sora）的发展，合成视频几乎可以以假乱真，带来了深度伪造与虚假信息传播的风险。现有检测方法多依赖表层伪影或数据驱动学习，难以在高质量生成视频中保持较好的泛化能力。其根本原因在于，这些方法大都未能充分利用自然视频所遵循的物理规律，挖掘自然视频的更本质的特征。
40页的上下文工程ebook「深度拆解」｜weaviate（在新窗口打开）
如果你也在做 RAG 或智能体应用，大概经历过这些瞬间：文档切得太碎，答案失去上下文；切得太大，又召回不准；加了更多提示词，效果可能更不稳定。
陶哲轩，用AI爆改科研范式（在新窗口打开）
陶哲轩让ChatGPT把复杂的数学论文翻译成Lean代码，与AI合作完成形式化证明。AI能理解论文、写出正确命题，却常在关键处卡壳。经过人机配合，终于生成1125行被验证的证明。
多智能体系统中，如何用向量数据库共享上下文？OpenAgents x Milvus（在新窗口打开）
静态编排 VS 动态编排，谁是多agent系统最优解？通常来说，面对简单问题，采用react模式的单一agent就能搞定。可遇到复杂问题，单一agent就会立刻出现包括但不限于以下问题：串行执行效率低：无法同时完成并行的子步骤（如 “同时爬取 A、B 两个网站的数据”）。
数字生命「培养皿」里，AI竟然学会了打架、结盟、抢地盘（在新窗口打开）
一直以来，关于人工生命（Artificial Life, ALife）的研究致力于回答这样一个问题：生命的复杂性能否在计算系统中自然涌现？
全球首个「导航大脑」上线！一句话让机器人自己找路回家（在新窗口打开）
银河通用联合多所大学发布了全球首个跨本体全域环视导航基座大模型NavFoM，让机器人能自己找路，而不再依赖遥控，从而推动具身智能向规模化商业落地演进。
比NanoBanana更擅长中文和细节控制！兔展&北大Uniworld V2刷新SOTA（在新窗口打开）
比Nano Banana更擅长P细节的图像编辑模型来了，还是更懂中文的那种。
具身智能一步踏入Scaling Law！10B+基础模型，27万小时真实数据（在新窗口打开）
当前机器人领域，基础模型主要基于「视觉-语言预训练」，这样可将现有大型多模态模型的语义泛化优势迁移过来。但是，机器人的智能确实能随着算力和数据的增加而持续提升吗？我们能预测这种提升吗？
扩散不死，BERT永生！Karpathy凌晨反思：自回归时代该终结了?（在新窗口打开）
谷歌遗珠与IBM预言：一文点醒Karpathy，扩散模型或成LLM下一步。
清北联合推出Motion Transfer，比肩Gemini Robotics，让机器人直接从人类数据中端到端学习技能（在新窗口打开）
近期，Google DeepMind 发布新一代具身大模型 Gemini Robotics 1.5，其核心亮点之一便是被称为 Motion Transfer Mechanism（MT）的端到端动作迁移算法 —— 无需重新训练，即可把不同形态机器人的技能「搬」到自己身上。不过，官方技术报告对此仅一笔带过，细节成谜。
用更一致的轨迹、更少的解码步数「驯服」掩码扩散语言模型，扩散语言模型的推理性能和效率大幅提升（在新窗口打开）
扩散大语言模型得到了突飞猛进的发展，早在 25 年 2 月 Inception Labs 推出 Mercury—— 第一个商业级扩散大型语言模型，同期人民大学发布第一个开源 8B 扩散大语言模型 LLaDA，5 月份 Gemini Diffusion 也接踵而至。
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。