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。
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。
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。
破解大模型「无效并行推理」：Parallel-Probe问世，并行推理效率提升35.8%（在新窗口打开）
来自马里兰大学、圣路易斯华盛顿大学、北卡罗来纳大学教堂山分校等机构的研究团队提出了 Parallel-Probe。不同于直接从算法设计出发，该研究首先通过引入 2D Probing，对 online 并行推理过程中的全局动态性进行了系统性刻画。
OpenClaw掀起龙虾热：行动ASI奇点时刻！全球打工人巨变（在新窗口打开）
随着OpenClaw的爆火，全球用户在AI Agent上消耗的Token量整整暴涨了1000倍！这不是一次普通的开源项目走红，这是一个信号——一个比编程奇点更加剧烈的奇点，正在撕裂我们习以为常的世界。
如何训练VLA？丰田研究院发布史上最大实验规模「保姆级」教程（在新窗口打开）
是不是经常纠结于 VLA（视觉 - 语言 - 动作）模型的训练技巧？面对层出不穷的 VLA 算法，是不是常常感到眼花缭乱，不知道哪种数据模态、训练策略最有效？ 别急，丰田研究院（TRI）和清华大学刚刚
真钱买假模型？187篇论文被「套壳API」坑惨，准确率暴跌（在新窗口打开）
现在，一篇来自 CISPA 亥姆霍兹信息安全中心的最新论文《Real Money, Fake Models: Deceptive Model Claims in Shadow APIs》为我们揭开了一点谜底：那些你花真金白银购买的「第三方 API」，有可能偷偷把前沿大模型换成了廉价的替代品。
YC总裁转发、登顶Hacker News：SkillsBench揭开Agent技能扩展的残酷真相（在新窗口打开）
近日，一篇名为《SkillsBench: Benchmarking How Well Agent Skills Work Across Diverse Tasks》的论文预印本引爆了海外 AI 社区，YC 总裁 Garry Tan 亲自转发，登顶 Hacker News（363 票 / 163 评论），霸榜 AlphaXiv #1，
基础模型又一关键拼图，腾讯混元发布训练新范式「无相」：引入功能性记忆，打破静态权重枷锁（在新窗口打开）
3月6日，腾讯混元发布了一篇名为“HY-WU (Part I): An Extensible Functional Neural Memory Framework and An Instantiation in Text-Guided Image Editing”的技术报告。提出了一种崭新的功能性记忆（functional neural memory）范式（weight unleashing），
FlashAttention-4正式发布：算法流水线大改，矩阵乘法级速度（在新窗口打开）
近日，深度学习领域重要底层优化技术 FlashAttention 迎来大版本更新。FlashAttention 核心作者、普林斯顿大学助理教授 Tri Dao 表示，在 Blackwell GPU 上，即使瓶颈截然不同，注意力机制的执行速度现在也几乎与矩阵乘法一样快了！
Anthropic失业报告炸场！22-25岁年轻人被斩杀，AI淘汰75％编程（在新窗口打开）
Anthropic最新报告炸场了：调查显示，程序员75%的任务已被AI覆盖！客服、数据录入紧随其后。更可怕的是，这还只是开始，报告预警：AI对劳动力市场的影响，是一场长达十年的「温水煮青蛙」！
CVPR 2026 | 1B模型也能当多镜头导演？大连理工&快手可灵开源力作MultiShotMaster（在新窗口打开）
近期，大连理工与快手可灵团队推出了 MultiShotMaster—— 一个高度可控的多镜头视频生成框架，该论文向研究社区展示了即使在 1B 左右的小参数量级模型上，也可以实现导演级的镜头调度和连贯叙事，且支持多图参考、主体运动控制。
让AI自我进化？斯坦福华人博士答辩视频火了，庞若鸣参与评审（在新窗口打开）
昨天，Thinking Maching Lab 研究者、斯坦福大学博士生 Zitong Yang 正式完成了他的博士论文答辩，课题为「持续自我提升式 AI」（Continually self-improving AI），并且他在答辩完成后很快就放出了自己的答辩视频，从中我们可以看到他对未来 AI 发展路径的系统性探索。
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。