/
拆解视频大语言模型评测基准：知识、空间感知还是真正的时序理解？苹果公司研究团队带来新分析框架
这项来自苹果公司的研究揭示了视频大语言模型评测的两大关键问题：许多测试问题不看视频就能回答正确，且打乱视频帧顺序后模型表现几乎不变。研究提出VBenchComp框架，将视频问题分为四类：语言模型可回答型、语义型、时序型和其他类型，发现在主流评测中高达70%的问题实际上未测试真正的视频理解能力。通过重新评估现有模型，研究团队证明单一总分可能掩盖关键能力差距，并提出了更高效的评测方法，为未来视频AI评测提供了新方向。
差分信息：一种信息论视角下理解偏好优化的新方法 - KAIST AI研究团队突破性解读
这篇来自KAIST AI研究团队的论文提出了"差分信息分布"(DID)这一创新概念，为理解直接偏好优化(DPO)提供全新视角。研究证明，当偏好数据编码了从参考策略到目标策略所需的差分信息时，DPO中的对数比率奖励形式是唯一最优的。通过分析DID熵，研究解释了对数似然位移现象，并发现高熵DID有利于通用指令跟随，而低熵DID适合知识密集型问答。这一框架统一了对DPO目标、偏好数据结构和策略行为的理解，为语言模型对齐提供理论支持。
VidText：视频文本理解的全面评估新基准，打造视觉文本与上下文交互的研究新高度
VidText是一个全新的视频文本理解基准，解决了现有评估体系的关键缺口。它涵盖多种现实场景和多语言内容，提出三层评估框架（视频级、片段级、实例级），并配对感知与推理任务。对18个先进多模态模型的测试显示，即使最佳表现的Gemini 1.5 Pro也仅达46.8%平均分，远低于人类水平。研究揭示输入分辨率、OCR能力等内在因素和辅助信息、思维链推理等外部因素对性能有显著影响，为未来视频文本理解研究提供了方向。
ZeroGUI：零人工成本下自动化在线GUI学习的突破性研究
ZeroGUI是一项突破性研究，实现了零人工成本下的GUI代理自动化在线学习。由上海人工智能实验室和清华大学等机构联合开发，这一框架利用视觉-语言模型自动生成训练任务并提供奖励反馈，使AI助手能够自主学习操作各种图形界面。通过两阶段强化学习策略，ZeroGUI显著提升了代理性能，在OSWorld环境中使UI-TARS和Aguvis模型分别获得14%和63%的相对改进。该研究彻底消除了传统方法对昂贵人工标注的依赖，为GUI代理技术的大规模应用铺平了道路。
爬山过程铭刻的智慧远超登顶：腾讯和人民大学研究团队揭示AI推理中的“噪声奖励“惊人价值
这项研究揭示了大语言模型在学习推理时对噪声奖励的惊人适应力。研究表明，即使有40%的奖励信号被故意颠倒，Qwen-2.5-7B模型仍能将数学题准确率从5%提升至72%。更惊人的是，仅奖励模型使用关键推理词组（如"首先，我需要..."），而不验证答案正确性，也能达到70%以上的准确率。研究者提出的推理模式奖励（RPR）不仅能让模型在数学任务中表现出色，还能有效校准开放性任务中的噪声奖励模型，提升较小模型的推理能力。这表明大模型在预训练阶段已掌握了推理能力，强化学习主要帮助它探索有效的推理模式。
Yale研究团队突破传统：Table-R1开创表格推理的全新境界
Yale大学自然语言处理实验室研发的Table-R1模型突破性地将推理时间缩放技术应用于表格推理任务。研究团队通过两种方法提升模型能力：从DeepSeek-R1模型的推理过程中学习，以及利用可验证奖励进行强化学习。实验表明，即使使用仅有7B参数的模型，Table-R1-Zero也能在13个表格推理基准测试中媲美甚至超越GPT-4.1等大型模型。该研究不仅证明了中小规模模型通过适当训练也能实现出色表现，还为数据分析、科学研究和决策支持系统等实际应用提供了新可能。
Muddit: 突破文生图限制，统一图文生成的离散扩散模型
Muddit是一种创新的统一生成框架，它使用离散扩散技术同时处理文本和图像生成。由北京大学等机构联合开发，该模型整合了预训练文生图模型的强大视觉先验，使其能高效并行地处理多模态内容。尽管仅有1B参数，Muddit在GenEval、MS-COCO和VQAv2等多项基准测试中表现卓越，推理速度比主流模型快4-11倍。其核心创新在于采用单一架构处理跨模态任务，证明了离散扩散方法在统一多模态生成中的巨大潜力。
微软研究院重大突破：更稳定高效的大语言模型强化学习算法—OPO如何解决算法不稳定和计算浪费问题
微软研究院推出的"基于最优奖励基线的在策略强化学习"（OPO）算法解决了大语言模型强化学习中的两大问题：训练不稳定和计算效率低。通过严格遵循在策略训练和引入理论最优奖励基线，OPO无需额外的辅助模型或复杂正则化项，就能实现更稳定的训练。在数学推理基准测试中，OPO不仅表现优异，还保持了更低的策略偏移和更高的输出多样性。这项研究证明，有时最有效的解决方案不是增加复杂性，而是回归基础原则并进行深入的理论思考。
SWE-bench直播上线！微软携手上海人工智能实验室推出实时更新的代码修复基准测试
SWE-bench-Live是微软与上海人工智能实验室联合开发的持续更新基准测试平台，解决了现有代码修复评估工具的数据老化、覆盖有限和人工依赖问题。核心创新是REPOLAUNCH自动化流水线，能从GitHub抓取2024年后的1,319个真实问题，自动配置Docker环境。研究发现最先进的AI代码助手在该平台上的解决率仅为19.25%，远低于静态基准测试表现，尤其在处理多文件修改和大型代码库时存在明显局限。
Atlas：谷歌研究团队打造的“超级记忆师“，让AI模型记住整个上下文而非单个词
Google研究团队推出Atlas，一种革命性的AI记忆优化模型，解决传统Transformer架构在处理长文本时的计算复杂度问题。Atlas通过三大创新：超线性容量的记忆模块、基于上下文而非单词的记忆优化、及使用Muon优化器的高效记忆管理，实现了在超长文本(10M)处理中保持80%以上的准确率。研究还提出DeepTransformers架构，作为传统Transformer的严格泛化版本，在语言建模和常识推理任务中展现出色性能。
LoRAShop：训练自由的多概念图像生成与编辑突破
LoRAShop是弗吉尼亚理工大学研究团队开发的突破性框架，首次实现了无需额外训练的多概念图像编辑。该技术通过在整流流变换器中识别概念特定区域，创建分离的潜在掩码，并仅在相应区域混合LoRA权重，有效解决了"LoRA交叉干扰"问题。实验证明，LoRAShop在身份保留、多主体融合和实时编辑方面优于现有方法，为个性化图像创作开辟了新途径。
Fast-dLLM：NVIDIA研究团队通过KV缓存和并行解码实现扩散大语言模型的无训练加速
NVIDIA联合麻省理工学院和香港大学的研究团队提出Fast-dLLM，一种无需重新训练即可显著加速扩散大语言模型的新方法。该技术通过两大创新解决了扩散模型的主要性能瓶颈：首先设计了适用于双向注意力机制的块式近似KV缓存，使模型能重用计算结果；其次提出基于置信度的并行解码策略，只解码超过阈值的高置信度词元。实验证明，Fast-dLLM在保持准确率的同时，能将LLaDA和Dream模型的推理速度提升高达27.6倍，彻底缩小了扩散模型与自回归模型之间的性能差距。
京公网安备 11010802021500号 京网文(2025) 0096-033号 京字第20868号
