你敢信？GPT-5的电脑操作水平只比人类低2%了（在新窗口打开）
Agent（智能体）是最近一段时间的人工智能热点之一，将大语言模型的能力与工具调用、环境交互和自主规划结合起来，使其能够像虚拟助理一样完成复杂任务。 其中「计算机使用智能
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。
华人主导谷歌SLED，论文登顶会！一键让模型学会自救（在新窗口打开）
大模型最让人头疼的毛病，就是一本正经地「瞎编」。过去，只能靠检索补丁或额外训练来修。可在NeurIPS 2024 上，谷歌抛出的新方法SLED却告诉我们：模型其实知道，只是最后一步忘了。如果把每一层的「声音」都纳入考量，它就能从幻觉中被拉回到事实。
NIPS 2025 Spotlight | 港大提出TreeSynth方法，一句话生成百万规模数据集（在新窗口打开）
“TreeSynth” 就这样起源于作者们最初的构想：“如何通过一句任务描述生成海量数据，完成模型训练？” 同时，大规模 scalibility 对合成数据的多样性提出了新的要求。
用两个简单模块实现分割理解双重SOTA！华科大白翔团队等推出多模态新框架（在新窗口打开）
多模态大模型需要干的活，已经从最初的文生图，扩展到了像素级任务（图像分割）。
100 页 Agentic RL 综述！牛津、新国立、AI Lab 等联合定义 LLM 下半场（在新窗口打开）
来自牛津大学、新加坡国立大学、伊利诺伊大学厄巴纳-香槟分校，伦敦大学学院、帝国理工学院、上海人工智能实验室等等全球 16 家顶尖研究机构的学者，共同撰写并发布了长达百页的综述：《The Landscape of Agentic Reinforcement Learning for LLMs: A Survey》。
梦里啥都有？谷歌新世界模型纯靠「想象」训练，学会了在《我的世界》里挖钻石（在新窗口打开）
只让机器人或虚拟智能体「想象」，不让它们和物理世界交互，它们也能学到和世界交互的技能？谷歌的世界模型 Dreamer 4 为这一想法提供了新的支撑。为了在具身环境中解决复杂任务，智能体需要深入理解世界并选择成功的行动。世界模型通过学习从智能体（如机器人或电子游戏玩家）的视角预测潜在行动的未来结果，为实现这一目标提供了一种有前景的方法。
小红书发布FireRedChat：首个可私有化部署的全双工大模型语音交互系统（在新窗口打开）
小红书智创音频团队推出业内首个支持私有化部署的全双工大模型语音交互系统 FireRedChat，自研流式 pVAD 与 EoT 让语音交互更加自然，首发级联与半级联两套实现，端到端时延逼近工业级应用。
简简单单来个DeepSeek-V3.2-Exp 大解剖～附case评测（在新窗口打开）
家人们，就在国庆放假前的今天凌晨，那个总在节前“搞事”的 DeepSeek，又双叒叕深夜悄然上线了！讲真，DeepSeek 是真的不考虑我们媒体人的死活啊哈哈！每次都卡着放假前更新，之前大家都转发的吐槽截图，本人又翻出来了：
Sora 2全网疯狂实测：以假乱真、脑洞大开、虚实难分｜附首个APP教程和邀请码（在新窗口打开）
Sora 2在国庆节凌晨突袭上线，生成的视频真实到几乎难以分辨虚拟与现实。更震撼的是，Sora 2展现出对物理规律与现实世界推理的理解。全球网友正在疯狂实测Sora 2，文末有邀请码。
全新合成框架SOTA：强化学习当引擎，任务合成当燃料，蚂蚁港大联合出品（在新窗口打开）
蚂蚁通用人工智能中心自然语言组联合香港大学自然语言组（后简称“团队”）推出PromptCoT 2.0，要在大模型下半场押注任务合成。实验表明，通过“强起点、强反馈”的自博弈式训练，PromptCoT 2.0可以让30B-A3B模型在一系列数学代码推理任务上实现新的SOTA结果，达到和DeepSeek-R1-0528, OpenAI o3, Gemini 2.5 Pro等相当的表现。
首次实现第一视角视频与人体动作同步生成！新框架攻克视角-动作对齐两大技术壁垒（在新窗口打开）
AI生成第三视角视频已经驾轻就熟，但第一视角生成却仍然“不熟”。为此，新加坡国立大学、南洋理工大学、香港科技大学与上海人工智能实验室联合发布EgoTwin ，首次实现了第一视角视频与人体动作的联合生成。
Thinking Machines曝LoRA终极指南：10倍学习率，媲美全参微调（在新窗口打开）
LoRA能否与全参微调性能相当？在Thinking Machines的最新论文中，他们研究了LoRA与FullFT达到相近表现的条件。Thinking Machines关注LoRA，旨在推动其更广泛地应用于各种按需定制的场景，同时也有助于我们更深入审视机器学习中的一些基本问题。
LLM工业级自进化：北邮与腾讯AI Lab提出MoE-CL架构，解决大模型持续学习核心痛点（在新窗口打开）
在工业级大语言模型（LLM）应用中，动态适配任务与保留既有能力的 “自进化” 需求日益迫切。真实场景中，不同领域语言模式差异显著，LLM 需在学习新场景合规规则的同时，不丢失旧场景的判断能力。这正是大模型自进化核心诉求，即 “自主优化跨任务知识整合，适应动态环境而无需大量外部干预”。
十亿级参数，千亿级性能，上海AI Lab发布新一代文档解析大模型，复杂场景解析精度媲美人类专家（在新窗口打开）
上海人工智能实验室发布新一代文档解析大模型——MinerU2.5。作为MinerU系列最新成果，该模型仅以1.2B参数规模，就在OmniDocBench、olmOCR-bench、Ocean-OCR等权威评测上，全面超越Gemini2.5-Pro、GPT-4o、Qwen2.5-VL-72B等主流通用大模型，以及dots.ocr、MonkeyOCR、PP-StructureV3等专业文档解析工具。
DeepSeek突然拥抱国产GPU语言！TileLang对标CUDA替代Triton，华为昇腾Day0官宣支持适配（在新窗口打开）
DeepSeek v3.2有一个新改动，在论文里完全没提，只在官方公告中出现一次，却引起墙裂关注。开源TileLang版本算子，其受关注程度甚至超过新稀疏注意力机制DSA，从画线转发的数量就可以看出来。
知心者？操控者？施虐者？AI伙伴如何影响我们的心理健康（在新窗口打开）
原文作者：David Adam 本篇《自然》长文共3702字，干货满满，预计阅读时间12分钟，时间不够建议可以先“浮窗”或者收藏哦。 研究表明，电子伙伴类应用有利有弊——但科学家们担心长期依赖性。 绘
谷歌Veo 3论文竟无一作者来自美国！揭秘零样本「看懂」世界（在新窗口打开）
DeepMind公开了有关Veo 3视频模型最新论文！论文提出了「帧链」（Chain-of-Frames，CoF），认为视频模型也可能像通用大模型一样具备推理能力。零样本能力的涌现，表明视频模型的「GPT-3时刻」来了。
HLE“人类最后考试”首次突破60分！Eigen-1基于DeepSeek V3.1显著领先Grok4、GPT-5（在新窗口打开）
就在最近，由耶鲁大学唐相儒、王昱婕，上海交通大学徐望瀚，UCLA万冠呈，牛津大学尹榛菲，Eigen AI金帝、王瀚锐等团队联合开发的Eigen-1多智能体系统实现了历史性突破
机器人感知大升级！轻量化注入几何先验，成功率提升31%（在新窗口打开）
VLA模型通常建立在预训练视觉语言模型（VLM）之上，仅基于2D图像-文本数据训练，缺乏真实世界操作所需的3D空间理解能力。
前馈3D高斯泼溅新方法，浙大团队提出“体素对齐”，直接在三维空间融合多视角2D信息（在新窗口打开）
在三维重建不断走向工程化的今天，前馈式3D Gaussian Splatting（Feed-Forward 3DGS）正火速走向产业化。 然而，现有的前馈3DGS方法主要采用“像素对齐”（pixel-aligned）策略——即将每个2D像素单独映射到一个或多个3D高斯上。
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。