AI「看不懂」、「做不好」视频的问题，混元用「MTSS」解决了（在新窗口打开）
腾讯混元团队提出了 Multi-Stream Scene Script（MTSS），一种全新的视频描述范式 —— 将传统的 "一段话描述整个视频" 升级为 "多流结构化剧本"，通过 Stream Factorization 和 Relational Grounding 两大核心原则，让视频描述既忠实又可扩展，在视频理解和生成任务中均取得显著提升。
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。
超越Claude Mythos和GPT-5.5！斯坦福Agent验证框架拿下SOTA，Transformer作者转发（在新窗口打开）
Transformer论文作者Lukasz Kaiser以及GAN作者Bing Xu转发关注了一项工作——LLM-as-a-Verifier验证框架，该方法是一种通用的验证机制，可与任意Agent Harness和模型结合。
终于，学界找到了深度学习的「牛顿定律」（在新窗口打开）
最近，由来自 UC Berkeley、哈佛、斯坦福等名校的 14 名研究者组成的研究团队发表了一篇论文，系统性地梳理了过去十年间散落在各处的理论碎片，并将它们拼成了一幅完整的图景。他们给这个正在形成的理论体系起了一个名字 ——Learning Mechanics（学习力学）。
ACL 2026 | 别轻易给AI发「～」，它可能会删掉你的整个主目录（在新窗口打开）
本文第一作者降伟鹏，西安交通大学在读博士生，主要研究方向为大模型安全与自动化测评。共同第一作者张笑宇，南洋理工大学博士后研究员，研究方向为软件工程、大模型安全与人机交互。通讯作者沈超，西安交通大学二级
大模型高效推理新答案：ICLR 2026提出Balanced Thinking，精度提升10.0的同时，推理长度直降35.4%（在新窗口打开）
哈尔滨工业大学（深圳）等机构的研究者提出了 ReBalance 方法，并首次系统性引入 Balanced Thinking 这一新视角。该工作的核心观点明确：高效推理的关键并非盲目压缩推理长度，而是在过度思考与思考不足之间维持动态平衡。
苹果新论文发出惊人一问：What do your logits know?（在新窗口打开）
苹果近年来在 AI 底层技术层面的投入正在不断加码。恰在此时，苹果 AI 研究团队提交了一篇极具探讨价值的论文《你的 logits 知道些什么？（答案可能会让你惊讶！）》
Skill也有语言虚拟机了！上交大开源SkVM，实现一次编写，处处高效（在新窗口打开）
Skill确实好用，但架不住模型和Agent Harness适配翻车。不是所有模型都吃得动Skill，有的用上直接反向掉性能。为了解决这个问题，来自上海交大的IPADS研究团队提出了SkVM：面向Skill的语言虚拟机。
Epoch AI万人调研：老板不订阅，AI就是摆设！（在新窗口打开）
Epoch AI最新调研：一半美国成年人上周用过AI，但真正的分水岭不是技术——是谁在付钱。公司掏钱的那一刻，AI工作使用率从38%直接飙到76%。
前馈式3D的终极路线图来了！五大核心战线，一文看清未来三维重建该往哪走（在新窗口打开）
从单幅图像恢复三维结构，到多视图场景建模、动态 4D 重建，再到机器人、自动驾驶、SLAM 与视频生成，如何让模型在不依赖逐场景优化的前提下，直接、高效地理解并重建三维世界，正在成为 3D 视觉领域的
ICLR 2026获奖论文揭晓：两篇杰出论文，大神Alec Radford经典工作获时间检验奖（在新窗口打开）
机器之心编辑部 ICLR 2026 获奖论文已经公布。 今年共有 2 篇论文获得「杰出论文奖」（Outstanding Paper），另有 1 篇论文获得「荣誉提名」（Honorable Mention）；此外，还有 2 篇 ICLR 2016 论文获得「时间检验奖」（Test of Time Award）。
谷歌Jeff Dean重磅论文：弹性大规模分布式预训练终于可行了（在新窗口打开）
弹性 AI 预训练已经推进到了下一个前沿！没有意外：来自谷歌。据介绍，他们提出的 Decoupled DiLoCo 是一种革命性的分布式训练技术，能够利用全球各地的异构硬件进行训练，并且即使当硬件发生故障时，系统也不会停止运行！
扒完 DeepSeek V4 报告，我翻出了这个隐藏彩蛋（在新窗口打开）
今天上午，DeepSeek V4 发布，直接把这个大模型疯狂更新月推向了最高潮。不过在我翻看 V4 的技术报告的时候，在训练层面看到了一个被大部分人滑过去的名词：Muon 优化器。
DeepSeek V4 发布，全网最细解读 & 技术报告拆解（在新窗口打开）
Agentic Coding 评测里 V4-Pro 已经到当前开源最佳水平。DeepSeek 公司内部已经把 V4 作为默认编码模型，反馈是优于 Sonnet 4.5，交付质量接近 Opus 4.6 的非思考模式，和 Opus 4.6 的思考模式还有差距。这次还专门为 Claude Code、OpenClaw、OpenCode、CodeBuddy
谷歌再发「香蕉」！何恺明等引爆视觉Transformer时刻（在新窗口打开）
最近，谷歌联合ResNet作者何恺明、谢赛宁、NeRF先驱Jonathan T. Barron、 3D图形学名家Thomas Funkhouser，正式发布了Vision Banana。它向世界宣告：视觉AI终于不再需要那些臃肿的任务头了，理解，本质上只是生成过程中的一次「对齐」。
GPT-5.5 发布，详细解读（在新窗口打开）
凌晨，OpenAI 发布 GPT-5.5，是 GPT-5 系列迄今最大更新
CVPR 2026 | 告别倾听「扑克脸」，UniLS框架来了，刷新数字人对话SOTA（在新窗口打开）
在游戏 NPC、虚拟主播、在线客服等数字人对话场景中，倾听时的 “扑克脸” 问题一直是行业长期痛点 —— 虚拟人说话时口型可以做到精准同步，但倾听时却表情僵硬、毫无反应，严重影响对话的自然感和沉浸感。盛大 AI 研究院（东京）与东京大学联合提出 UniLS（Unified Listening and Speaking），首个仅凭双轨音频即可端到端同时驱动说话和倾听面部动作的统一框架。
突破算力瓶颈！港大俞益洲团队发布首篇「高效视频世界模型」全面综述（在新窗口打开）
还记得两年前，AI 生视频可谓是「鬼畜专区」—— 人物多一根手指算基操，走路自带鬼步舞才是常态。结果转眼间，从 OpenAI 的 Sora 到字节跳动的 Seedance，这些模型已经开始一本正经地「模拟世界」了：水会流、球会弹、光影能追踪，俨然一副要当「物理引擎」的架势。
首篇「Attention Sink」综述：从利用、理解到消除，Transformer中的注意力「汇聚」全景解析（在新窗口打开）
几乎所有 Transformer 都在做一件反常的事：把大量注意力集中到少数几个特定 Token 上。这不是 bug，而是 Transformer 固有的「注意力汇聚」（Attention Sink）。首篇系统性综述，带你从利用、理解到消除，全面掌握这一核心现象。
27B秒了自家397B旗舰，Qwen3.6-27B开源，智能体编程全面超越前代（在新窗口打开）
我秒了我自己？？ 阿里Qwen团队刚开源的Qwen3.6-27B，直接把自家前代旗舰Qwen3.5-397B给卷没了。 在四大智能体编程基准上全面超越，只用了前代大概1/15的参数量。 从成绩单来看，除了智能体编程基准的集体领先，单项差距也比较明显，SkillsBench从老旗舰的30.0直接干到48.2，差距拉开超60%。 而且，和Qwen3.5-397B的MoE不同，Qwen3.6-27B采用的是纯密集架构。 架构简洁、部署简单、推理稳定，普通开发者拿过来就能跑，不用折腾一堆配置。 27B也不虚 Qwen3.6-27B专门对智能体编程做了一波狠优化。 模型在训练中强化了代码库理解、跨文件编
理想同学 MindDR 1.5 发布：多智能体强化学习加持，深度研究更可靠（在新窗口打开）
理想汽车信息智能体团队发布 MindDR 1.5，在 DeepResearch Bench 榜单中取得 52.54 分，以 30B 参数规模达到业界领先水平，性能优于同等规模的开源智能体系统。
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。