从训练到推理的「瘦身」演进：首篇高效扩散语言模型（dLLM）深度综述（在新窗口打开）
在生成式 AI 的浪潮中，自回归（Autoregressive, AR）模型凭借其卓越的性能占据了统治地位。然而，其「从左到右」逐个预测 Token 的串行机制，天生限制了并行生成的可能性。
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。
ICLR 2026｜早于DeepSeek Engram，STEM已重构Transformer「记忆」（在新窗口打开）
近年来，随着大语言模型规模与知识密度不断提升，研究者开始重新思考一个更本质的问题：模型中的参数应如何被组织，才能更高效地充当「记忆」。
ICLR2026 Oral | 北大彭一杰团队提出高效优化新范式，递归似然比梯度优化器赋能扩散模型后训练（在新窗口打开）
在 AI 视觉生成领域，扩散模型（DM）凭借其强大的高保真数据生成能力，已成为图像合成、视频生成等多模态任务的核心框架。然而，预训练后的扩散模型如何高效适配下游应用需求，一直是行业面临的关键挑战。
LeCun团队新论文：模仿人类智能搞AI，照猫画虎死胡同（在新窗口打开）
AI圈追逐多年的通用人工智能（AGI），可能从一开始就走偏了。
反直觉！扩散模型「跨界」复原: 只用卧室模型，竟能复原人脸（在新窗口打开）
自扩散模型提出以来，它不仅在图像、视频和音频生成方面取得了优异效果，也正逐渐成为解决图像复原、超分辨率、去模糊等逆问题的重要工具。
卡帕西开源Agent自进化训练框架，5分钟一轮实验，48h内揽星9.5k（在新窗口打开）
大神Karpathy又开源了新项目——一个能够自主进化的AI科研循环系统。这个项目名叫autoresearch，主打让智能体完全自主地搞科研，只要在Markdown文档里写好指令，剩下的流程全都由AI自动完成。
3B打32B？海外病毒式传播的小模型，竟然来自BOSS直聘（在新窗口打开）
这两年，大模型大厂之间堪比军备竞赛。不论开源还是闭源阵营，为了在指标上领先对手，都在疯狂地卷 Scaling Law，卷算力，卷参数量，已经达到了近乎离谱的程度。
我做了一个 AI 时代的效率神器，已开源（在新窗口打开）
上面就是我最近日常的打字方式，在家、在公司、在咖啡厅都可以。
14B规模竟也能单卡实时生成视频？多亏这个强大的开源底座（在新窗口打开）
春节期间， Seedance 2.0 爆火，堪称现象级，这也再次把视频生成推上风口。前两天，字节跳动又携手北大、安努智能和 Canva 共同开源了具备实时生成能力的视频模型 Helios 家族。该系列包含了 Helios-Base、Helios-Mid 与 Helios-Distilled 三个版本，全面覆盖了 T2V、I2V、V2V 以及交互式生成任务。
一个模型，搞定所有音频生成任务！多项基准SOTA | ICLR'26（在新窗口打开）
港科大团队提出音频生成统一模型AudioX，只需一个模型，就能从文本、视频、图像等任意模态生成高质量音效和音乐，在多项基准上超越专家模型。团队同时开源了700万样本的细粒度标注数据集IF-caps与可控T2A评测基准T2A-bench，并在该基准上大幅领先现有方法。论文已被ICLR 2026接收。
ICLR 2026 | 帝国理工大学提出DyMo：让多模态模型学会「选择」，突破模态缺失难题（在新窗口打开）
多模态学习（Multimodal Learning）正在推动 AI 在医学影像、自动驾驶、人机交互等领域取得突破。通过融合图像、文本、表格等多种模态，模型能够获得更全面的信息，从而显著提升性能。
CVPR 2026 | AI寒武纪时刻？字节世界模型新作，仅靠视觉学习真实世界知识（在新窗口打开）
视觉世界模型 “VideoWorld 2” 由豆包大模型团队与北京交通大学联合提出。不同于 Sora 2 、Veo 3、Wan 2.2 等主流多模态模型，VideoWorld 系列工作在业界首次实现无需依赖语言模型，即可认知世界。
AI 真能做研究吗？UniPat AI开源UniScientist，用30B小模型给出肯定答案（在新窗口打开）
多数大模型能生成 “看起来像” 研究的文本，但极少数能真正做研究 —— 提出假设、收集证据、执行可复现的推导、迭代验证直至结论成立。
首次将十亿参数三维模型塞进手机！4比特量化，速度2.5倍、内存降3.7倍、精度98%｜ICLR'26（在新窗口打开）
十亿参数的三维重建模型，能塞进手机吗？ 以前想都不敢想——VGGT这样的庞然大物，单次前向传播就能完成深度估计、点云回归、相机预测多个任务，但部署成本高得吓人。 现在，一个名为QuantVGGT的量化框架给出了答案：4比特量化，速度提升2.5倍，内存减少3.7倍，精度保住98%。 近年来，以视觉几何基础Transformer（Visual Geometry Grounded Transformers, VGGT）为代表的基于学习的三维重建模型，借助大规模Transformer取得了显著进展。 然而，其极高的计算和内存成本严重阻碍了在实际场景中的部署。训练后量化（Post-Training Qu
一键接入OpenClaw，谷歌开源CLI狂揽15k Stars，Agent开始接管Workspace（在新窗口打开）
OpenClaw 火爆的盛况至今仍在持续，在国内甚至出现了排队在腾讯总部楼下等待安装 OpenClaw 的场景，让人感叹「一代人有一代人的领鸡蛋」。
多模态预训练，才是大模型的下一条路？Yann LeCun、谢赛宁参与（在新窗口打开）
基础模型时代，大模型能力的爆发，很大程度上源于在海量文本上的预训练。然而问题在于，文本本质上只是人类对现实世界的一种抽象表达，是对真实世界信息的有损压缩。
彻底告别VE与VAE！商汤硬核重构多模态：砍掉所有中间编码器（在新窗口打开）
多模态大模型的研发范式，正在被彻底重构。
不同灵巧手，终于可以共用「一套大脑」了（在新窗口打开）
在机器人操作领域，一个长期悬而未决的核心问题始终困扰着研究者： 面对形态各异的灵巧手，我们是否注定要为每一种手型单独设计表示方式与控制策略？
30B参数超越GPT-5！REDSearcher让「深度搜索Agent」做到低成本可扩展！（在新窗口打开）
「2018 到 2023 年间在 EMNLP 会议上发表的那篇论文中，第一作者本科就读于达特茅斯学院、第四作者本科就读于宾夕法尼亚大学的那篇科学论文，题目是什么？」
谢赛宁也玩MC？开源全新世界模型生成多人一致的游戏视角（在新窗口打开）
谢赛宁团队的最新视频世界模型 Solaris，首个多人视频世界模型，能够同时生成多个玩家之间保持一致的第一视角。研究团队发现，目前的视频世界模型仅能处理单人视角，这并不能反映现实世界的真实运作方式，希望能够能够实现多人同步观察一个统一世界。于是，研究团队把视角投向了电子游戏。
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。