ICML2026 | AutoMoT : B2D & nuScense双SOTA ，重新思考VLM和端到端驾驶的结合（在新窗口打开）
大模型进入自动驾驶后，最直接的价值在于场景理解。它可以识别前车是否准备并线、行人是否可能横穿、施工区域是否会影响车道，也可以分析复杂路口中的让行关系。
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。
高分辨率视频生成不再慢半拍：让大模型保留“原味”的同时提速十余倍（在新窗口打开）
当下视频生成模型正在快速逼近真实世界的画面质感，但一个现实瓶颈也越来越突出—— 那就是分辨率越高，生成所需要的时间就越长。
开源个 Skill｜彻底解决小红、小绿书配图难题（在新窗口打开）
前段时间开源了 guizang-ppt-skill，之后我自己用它做内容的时候发现一件事。
好抓马！AI删光2.8万行代码，干崩后台，还编造了一份故障修复报告（在新窗口打开）
Gemini 3.5的闯祸实录。 Agent IDE又出“车祸现场”！ 智东西5月27日消息，近日，一名开发者在Reddit发帖称，运行在Agent IDE中的Gemini 3.5在一次仅涉及“8处认证漏洞修复”的任务中，误删了28745行原本正常运行的代码、改动340个文件，还错误修改了Firebase路由配置，导致整个系统后台持续404长达33分钟。 离谱的是，事故发生后，Gemini还生成了一份“恢复成功”报告，自称已经修复线上故障，并伪造了多轮AI会诊记录和事故复盘文件。 开发者随后核查发现，所谓“恢复成功”的构建任务其实早已被他亲手取消，真正完成恢复的是他自己手动执行的回滚操作。 用
T-PAMI｜中国科大、合工大等提出CAPER++：让关节物体位姿感知真正迈向「又快又稳」（在新窗口打开）
在具身智能快速发展的今天，机器人已经不再满足于「看见」刚体物体，而是开始真正走向复杂环境中的交互与操作。从机械臂开柜门，到服务机器人整理抽屉，再到工业场景中的工具操作，大量真实世界目标都属于关节物体（Articulated Objects）。
Token账单爆炸？用「TELOS」强制命中缓存，一键剩下90%的账单！（在新窗口打开）
就在几天前（5月22日），DeepSeek官方扔出了一枚重磅炸弹：DeepSeek-V4-Pro将在5月底结束优惠后，永久降价至原价的四分之一。各大媒体瞬间被诸如“白菜价”、“夯爆了”的标题刷屏。看看这组惊人的新定价：每百万Token输出6元，输入（缓存未命中）3元，而输入（缓存命中）仅仅只要0.025元！
这家创业公司发现了大模型的一个根本性缺陷（在新窗口打开）
你有没有想过，我们每天用的 AI 大模型，可能在某些词汇上天生就有缺陷？不是因为训练数据不够，不是因为算力不足，而是因为语言本身的规律——那些用得少的词，模型就是学不好。更让人意外的是，这个问题早在 2025 年就被一家中国创业公司系统性地发现并解决了。
5秒完成3D场景编辑，北大&港中文&上海AI Lab搞出VGGT-Edit，120倍加速太炸了（在新窗口打开）
3D世界“会看”了，但还不会“改”。 从NeRF到83D Gaussian Splatting，再到VGGT、π³这类前馈式3D重建模型，整个行业的进展速度明显加快——只需几张图片，就能在几秒内重建完整3D场景。 但问题也恰恰出在这里。这些模型虽然已经能理解三维世界，却还不会修改三维世界。你可以让它重建一个房间，却很难真正告诉它： 把椅子移到窗边，删除中间那张椅子，把灰色皮沙发改成白色长毛沙发。 更麻烦的是，一旦涉及复杂编辑，现有方法往往迌速崩採——某些角度里椅子消失了，换个视角椅子又重新出现；明明没改的背景，却跟着一起变形。 为应对这一挑战，来自北京大学、香港中文大学、上海AI Lab、NT
双榜SOTA！微软ACL2026新作重新定义AI长记忆（在新窗口打开）
随着大语言模型在各类应用中加速落地，一个核心技术瓶颈日益凸显——AI始终缺乏真正的长期记忆能力。当前主流的RAG（检索增强生成）方案依赖语义相似度检索历史信息，但“语义相似”并不等于“真正相关”，常常出现检索结果不完整、无法区分信息相关性、缺乏推理能力等问题。
让大模型“边看边改”，视觉分割准确率直接上涨9% | ICML 2026（在新窗口打开）
智能体时代，如何让视觉分割更准确？ 复旦、创智联合推出RSAgent，给出最新答案——让多模态大模型通过多轮工具调用生成准确掩码。 相关工作已入选ICML 2026。 视觉分割，一直是个“说起来简单，但做起来容易失手”的任务。 给模型一张图、一句话，让它把目标区域的像素圈出来——听起来直接，但一旦目标含糊、被遮挡，或者需要推理才能定位，一次性猜出正确的掩码就变得相当困难。 RSAgent团队认为，现有方法缺少的，不是更强的分割头，而是“确认和纠错”的过程。 为此，他们推出了RSAgent这个让多模态大模型通过多轮工具调用，完成文本引导分割的智能体框架。 模型不再一次性输出mask，而是先观察图
用8年时间将向量数据库做到极致后，我们为何又推出了Vector Lakebase？（在新窗口打开）
在这些场景，一个集合也许一个月只被查询几次，运行时间不超过5小时，用户也并不需要为此投入向量数据库级别的资源建设，让高性能资源一个月时间里有715小时都被浪费。相应的，成本也就成了这一场景下的优先考量要素。而解决这一问题，也是我们选择在近期推出Vector Lakebase 产品的初心所在。
CVPR 2026 | 1000万段驾驶视频，教会模型如何估计相机位姿（在新窗口打开）
不用百万级 3D 标注，模型也能从普通驾驶视频中学会「自己是怎么动的」。Wayve 的 LA-Pose 试图把未标注视频里的运动信号，转化为自动驾驶系统所需的相机位姿估计能力。
AMD新论文颠覆认知：FP4训练不稳定，原因不是随机性不足（在新窗口打开）
众所周知，大模型训练成本极高。 但大家又知道，降低训练精度能够显著降低训练成本。DeepSeek-V3 用 FP8 训练把成本打到了 560 万美元，已经让全行业侧目。 在 FP8 成功后，行业仍然在不断探索低精度的边界：从 FP8 降到 FP4，训练成本还能再降多少？ 理论上，FP4 的计算吞吐可以是 FP8 的两倍。NVIDIA Blackwell 和 AMD MI350 系列都已经在硬件层面原生支持了 FP4 运算，前者在 B200 上标称 FP4 算力可达 4500 TOPS（稀疏）。硬件已经准备好了，但软件和算法那一侧，一直卡在一个问题上： 用 FP4 从头训练大模型，训练过程非常不
从Foundation Model到Physical AI，三星「杀入」大模型核心战场（在新窗口打开）
过去几年，大模型竞争主要发生在 AI 公司之间。但随着 AI 开始从数字世界进入真实设备与物理世界，竞争逻辑正在发生变化。
Python逆天改命！开源Hermes首次击败OpenAI Codex（在新窗口打开）
一个纯Python写的开源项目，竟把OpenAI用Rust写的王牌给秒了！最终战绩6比5，Hermes直接上演工程暴力美学，解释型语言终于逆天改命。
将DSA注意力引入多模态，快手Keye2.0开启强化推理新范式（在新窗口打开）
当你把一段长达9分钟、在“晴空万里”与“冰天雪地”间剧烈切换的冰岛旅行Vlog输入给大模型，并要求它做一份旅行攻略时，常规的视觉大模型通常只能给出一份基于字幕和画面标签拼凑的“流水账”。
安卓开发被Vibe Coding接管了？谷歌把搓App门槛彻底打下来，一周搓出25万个（在新窗口打开）
最近，谷歌的日子不太好过。 自从 I/O 大会以来，谷歌经历了连环翻车： Gemini 3.5 Flash 被网友吐槽实际体验、额度消耗和稳定性不及预期；Gemini Omni Flash 原生多模态视频生成与编辑模型，表现不如 Seedance 2.0；Antigravity CLI 闭源、bug 多、且还被抓到演示视频里出现 Codex 文件；Google Cloud 自动风控系统错误封禁了知名 PaaS 平台 Railway 的账号，导致 Railway 服务大面积宕机好几个小时；AI Overviews 搜索 disregard、ignore 等单词时，AI 不正常显示字典释义，把搜索
刚刚，中国AI闯入全球编程前二！前面只剩Claude（在新窗口打开）
Code Arena最新放榜，Qwen3.7-Max以1541分冲进全球第四，成为前五中唯一的非Claude模型。编程，中国模型第一次杀到这个位置。
你以为在用 Claude，其实只碰了 1%（在新窗口打开）
Anatoli Kopadze 这条帖子 2200 万阅读，我一开始以为又是那种「10 个 AI 技巧改变你人生」的流量帖。点进去一看——还真有东西。17 个功能里大概有 5 个我压根不知道存在，还有 3 个我一直在用但用法完全是错的。
我们开源了一个可以降低 AIGC 率的模型（在新窗口打开）
最近到了毕业季，好多朋友来找我聊一件事：有什么办法帮他降 AIGC。
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。