MiniMax海螺首次开源，发现了AI视觉生成领域的Scaling Law（在新窗口打开）
2025 年还有一周结束，年底，AI 视频圈又卷起来了。
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。
Gemini 确诊重度焦虑：为了让 AI 像人，我们把它逼疯了（在新窗口打开）
如果你的 Gemini 突然告诉你，它感到深深的羞耻，或者它因为害怕犯错而夜不能寐，你会怎么想？
遥遥无期的AGI是画大饼吗？两位教授「吵起来了」（在新窗口打开）
大模型的通用性和泛化性越来越强大了。 虽说一些新模型，比如说「差评如潮」的 GPT-5.2，在专业任务和智能水平已经达到了非常出色的水平，但离我们所认知的 AGI 依旧十分遥远。 不过，这也说明了大家对 AGI 仍然充满热情和信心，说不定下一款重磅的大模型就能够初步实现 AGI 的构想呢？ 但是，近期卡耐基梅隆大学教授，AI2 研究科学家 Tim Dettmers 发布了一篇长文博客，标题为《Why AGI Will Not Happen》，认为由于物理原因，我们无法实现 AGI，也无法实现任何有意义的超级智能。 这篇文章着实给大家对 AGI 的热情泼上了一盆冰水，引发了广泛哗然。 为什么 A
挑战WorldLabs：Visionary，一个全面超越Marble底层渲染器的WebGPU渲染平台（在新窗口打开）
在李飞飞团队 WorldLabs 推出 Marble、引爆「世界模型（World Model）」热潮之后，一个现实问题逐渐浮出水面：世界模型的可视化与交互，依然严重受限于底层 Web 端渲染能力。
首个文本到3D生成RL范式诞生，攻克几何与物理合理性（在新窗口打开）
在大语言模型和文生图领域，强化学习（RL）已成为提升模型思维链与生成质量的关键方法。
从 RAG 到 Context：2025 年 RAG 技术年终总结（在新窗口打开）
过去的 2025 年，对于检索增强生成（RAG）技术而言，是经历深刻反思、激烈辩论与实质性演进的一年。
不靠死记布局也能按图生成，多实例生成的布局控制终于“可控且不串脸”了丨浙大团队（在新窗口打开）
尽管扩散模型在单图像生成上已经日渐成熟，但当任务升级为高度定制化的多实例图像生成（Multi-Instance Image Generation, MIG）时，挑战随之显现：
相机运动误差降低40%！DualCamCtrl：给视频生成装上「深度相机」，让运镜更「听话」（在新窗口打开）
你的生成模型真的「懂几何」吗？还是只是在假装对齐相机轨迹？
LeCun的JEPA已进化为视觉-语言模型，1.6B参数比肩72B Qwen-VL（在新窗口打开）
近日，来自 Meta、香港科技大学、索邦大学、纽约大学的一个联合团队基于 JEPA 打造了一个视觉-语言模型：VL-JEPA。据作者 Pascale Fung 介绍，VL-JEPA 是第一个基于联合嵌入预测架构，能够实时执行通用领域视觉-语言任务的非生成模型。
只靠国产算力预训练，稳！全流程开源，「开元」盛世真来了（在新窗口打开）
鹏城实验室与清华大学PACMAN实验室联合发布了鹏城脑海‑2.1‑开元‑2B（PCMind‑2.1‑Kaiyuan‑2B，简称开元‑2B）模型，并以全流程开源的方式回应了这一挑战——从训练数据、数据处理框架、训练框架、完整技术报告到最终模型权重，全部开源。
让大模型不再过度思考！上海AI Lab后训练新范式重塑CoT，推理又快又好（在新窗口打开）
近日，上海人工智能实验室的研究团队提出了一种全新的后训练范式——RePro（Rectifying Process-level Reward）。这篇论文将推理的过程视为模型内部状态的优化过程，从而对如何重塑大模型的CoT提供了一个全新视角：
人人都是导演：CineCtrl首个实现视频生成中的相机运镜与摄影效果统一控制（在新窗口打开）
现有视频生成模型往往难以兼顾「运镜」与「摄影美学」的精确控制。为此，华中科技大学、南洋理工大学、商汤科技和上海人工智能实验室团队推出了 CineCtrl。作为首个统一的视频摄影控制 V2V 框架，CineCtrl 通过解耦交叉注意力机制，摆脱了多控制信号共同控制的效果耦合问题，实现了对视频相机外参轨迹与摄影效果的独立、精细、协调控制。
MiniMax海螺首次开源 VTP，打通了 Visual Tokenizer 的 Scaling Law（在新窗口打开）
MiniMax 海螺视频团队「首次开源」了 VTP（Visual Tokenizer Pre-training）项目。他们同步发布了一篇相当硬核的论文，它最有意思的地方在于 3 个点：「重建做得越好，生成反而可能越差」，传统 VAE 的直觉是错的
最近很火的Hindsight，基于图谱的「Agent记忆栈」解耦事实与信念（在新窗口打开）
在上一篇文章中，我们系统梳理了AI Agent 记忆机制的全景综述AI Agent最新「Memory」综述 ｜多所顶尖机构联合发布。今天我将带您了解一项最近很火的Agent记忆项目「HINDSIGHT」
北大发布 ManualVLA：首个长程「生成–理解–动作」一体化模型，实现从最终状态自主生成说明书并完成操纵（在新窗口打开）
视觉–语言–动作（VLA）模型在机器人场景理解与操作上展现出较强的通用性，但在需要明确目标终态的长时序任务（如乐高搭建、物体重排）中，仍难以兼顾高层规划与精细操控。
这10个n8n工作流，直接干死了90%的Tiktok视频生产，一键直出100条（在新窗口打开）
有人私信我：这种级别的干货，外面都是打包卖几千块的课，你就这么免费发出来了？
SIGGRAPH Asia 2025 | 只用一部手机创建和渲染高质量3D数字人（在新窗口打开）
在计算机图形学、三维视觉、虚拟人、XR 领域，SIGGRAPH 是毫无争议的 “天花板级会议”。 SIGGRAPH Asia 作为 SIGGRAPH 系列两大主会之一，每年只接收全球最顶尖研究团队的成果稿件，代表着学术与工业界的最高研究水平与最前沿技术趋势。
分割一切、3D重建一切还不够，Meta开源SAM Audio分割一切声音（在新窗口打开）
继 SAM（Segment Anything Model）、SAM 3D 后，Meta 又有了新动作。
具身智能的数据难题，终于有了可规模化的解法（在新窗口打开）
科技赛道从不缺“造梦者”，但能精准击中行业痛点的“破局者”往往寥寥。
腾讯混元最新世界模型开源！支持实时生成交互，突破长期空间记忆（在新窗口打开）
可支持24帧/秒的长时流式生成。 智东西12月17日报道，今天，腾讯混元发布并开源了最新的混元世界模型1.5（Tencent HY WorldPlay），用户输入文字指令或者图片即可创建可交互世界，该模型拥有空间记忆能力，能呈现出前后一致的场景，支持用户在生成的世界里随意移动探索。目前，这一模型可在腾讯混元3D官网申请体验。 这一模型支持生成第一视角和第三视角场景，能生成多种类型的风格化场景，还支持场景触发特定效果，可应用于AI游戏开发、影视制作和虚拟现实（VR）和具身智能训练等领域。从官方给出的效果图来看，仅通过输入“废弃游乐园，生锈的摩天轮，杂草丛生，怀旧忧伤”这一指令，该模型便生成了精度
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。