RewardMap: 通过多阶段强化学习解决细粒度视觉推理的Sparse Reward（在新窗口打开）
近年来，大语言模型（LLMs）以及多模态大模型（MLLMs）在多种场景理解和复杂推理任务中取得突破性进展。
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。
苹果AI选Mamba：Agent任务比Transformer更好（在新窗口打开）
都说苹果AI慢半拍，没想到新研究直接在Transformer头上动土。（doge） 「Mamba+工具」，在Agent场景更能打！
突破FHE瓶颈，Lancelot架构实现加密状态下的鲁棒聚合计算，兼顾「隐私保护」与「鲁棒性」（在新窗口打开）
在金融、医疗等高度敏感的应用场景中，拜占庭鲁棒联邦学习（BRFL）能够有效避免因数据集中存储而导致的隐私泄露风险，同时防止恶意客户端对模型训练的攻击。然而，即使是在模型更新的过程中，信息泄露的威胁仍然无法完全规避。为了解决这一问题，全同态加密（FHE）技术通过在密文状态下进行安全计算，展现出保护隐私信息的巨大潜力。
AGILE：视觉学习新范式！自监督+交互式强化学习助力VLMs感知与推理全面提升（在新窗口打开）
现有视觉语言大模型（VLMs）在多模态感知和推理任务上仍存在明显短板：1. 对图像中的细粒度视觉信息理解有限，视觉感知和推理能力未被充分激发；2. 强化学习虽能带来改进，但缺乏高质量、易扩展的 RL 数据。
微软BitDistill将LLM压缩到1.58比特：10倍内存节省、2.65倍CPU推理加速（在新窗口打开）
大语言模型（LLM）不仅在推动通用自然语言处理方面发挥了关键作用，更重要的是，它们已成为支撑多种下游应用如推荐、分类和检索的核心引擎。尽管 LLM 具有广泛的适用性，但在下游任务中高效部署仍面临重大挑战。
LLM记忆管理终于不用“手把手教”了，新框架让智能体自主管理记忆系统（在新窗口打开）
不再依赖人工设计，让模型真正学会管理记忆。
有效的 Context 工程（精读、万字梳理）｜见知录 004（在新窗口打开）
近日刚好得了空闲，在研读 Anthropic 官方技术博客和一些相关论文，主题是「Agent 与 Context 工程」。2025 年 6 月以来，原名为「Prompt Engineering」的提示词工程，在 AI Agent 概念日趋火热的应用潮中，
告别「偏科」，UniVid实现视频理解与生成一体化（在新窗口打开）
在视频生成与理解的赛道上，常常见到分头发力的模型：有的专注做视频生成，有的专注做视频理解（如问答、分类、检索等）。而最近，一个开源项目 UniVid，提出了一个「融合」方向：把理解 + 生成融为一体 —— 他们希望用一个统一的模型，兼顾「看懂视频」+「生成视频」的能力。
RL新思路！复旦用游戏增强VLM通用推理，性能匹敌几何数据（在新窗口打开）
复旦大学NLP实验室研发Game-RL，利用游戏丰富视觉元素和明确规则生成多模态可验证推理数据，通过强化训练提升视觉语言模型的推理能力。创新性地提出Code2Logic方法，系统化合成游戏任务数据，构建GameQA数据集，验证了游戏数据在复杂推理训练中的优势。
ICCV 2025 | 扩散模型生成手写体文本行的首次实战，效果惊艳还开源（在新窗口打开）
AI 会写字吗？在写字机器人衍生换代的今天，你或许并不觉得 AI 写字有多么困难。
MIT成果登Nature正刊：90天，「AI科学家」完成3500次电化学测试（在新窗口打开）
美国麻省理工学院李巨团队在国际顶尖学术期刊Nature上发表了一篇研究论文，展示了一种多模态机器人平台CRESt（Copilot for Real-world Experimental Scientists），通过将多模态模型（融合文本知识、化学成分以及微观结构信息）驱动的材料设计与高通量自动化实验相结合，大幅提升催化剂的研发速度和质量。
Codeforces难题不够刷？谢赛宁等造了个AI出题机，能生成原创编程题（在新窗口打开）
随着大型语言模型（LLM）朝着通用能力迈进，并以通用人工智能（AGI）为最终目标，测试其生成问题的能力也正变得越来越重要。尤其是在将 LLM 应用于高级编程任务时，因为未来 LLM 编程能力的发展和经济整合将需要大量的验证工作。
让模型“看视频写网页”，GPT-5仅得36.35分！上海AI Lab联合发布首个video2code基准（在新窗口打开）
多模态大模型在根据静态截图生成网页代码（Image-to-Code）方面已展现出不俗能力，这让许多人对AI自动化前端开发充满期待。
无需再训练即可增强性能！港大团队提出GPC框架，实现机器人「策略组合」（在新窗口打开）
在机器人学习领域，提升基于生成式模型的控制策略（Policy）的性能通常意味着投入巨额成本进行额外的数据采集和模型训练，这极大地限制了机器人能力的快速迭代与升级。面对模型性能的瓶颈，如何在不增加训练负担的情况下，进一步挖掘并增强现有策略的潜力？
ACMMM 2025 | 北大团队提出 InteractMove：3D场景中人与可移动物体交互动作生成新框架（在新窗口打开）
该研究首次提出了含可移动物体的 3D 场景中，基于文本的人 - 物交互生成任务，并构建了大规模数据集与创新方法框架，在多个评测指标上均取得了领先效果。
1.58bit不输FP16！微软推出全新模型蒸馏框架，作者全是华人（在新窗口打开）
1.58bit量化，内存仅需1/10，但表现不输FP16？ 微软最新推出的蒸馏框架BitNet Distillation（简称BitDistill），实现了几乎无性能损失的模型量化。
大模型 “准确率悬崖” 被证实，科学家发现模型单次处理容量上限，多智能体成破局关键（在新窗口打开）
近日，来自阿联酋穆罕默德·本·扎耶德人工智能大学 MBZUAI 和保加利亚 INSAIT 研究所的研究人员发现一个针对大模型单次推理的“法诺式准确率上限”，借此不仅揭示了单次生成范式的根本性脆弱点，也揭示了“准确率悬崖”这一现象。
AI打通第一/第三人称视觉，跨视角视觉理解新SOTA｜ICCV 2025 Highlight（在新窗口打开）
具身智能落地迈出关键一步，AI拥有第一人称与第三人称的“通感”了！
超越纯视觉模型！不改VLM标准架构，实现像素级深度预测（在新窗口打开）
Meta开源DepthLM，首证视觉语言模型无需改架构即可媲美纯视觉模型的3D理解能力。通过视觉提示、稀疏标注等创新策略，DepthLM精准完成像素级深度估计等任务，解锁VLM多任务处理潜力，为自动驾驶、机器人等领域带来巨大前景。
教多模态大模型学会“反思”和“复盘”，上交&上海AI Lab重磅发布MM-HELIX&AHPO，破解多模态复杂推理难题（在新窗口打开）
多模态大模型表现越来越惊艳，但人们也时常困于它的“耿直”。
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。