/
记忆坚实的世界：斯坦福和上海交大研究团队为视频世界模型打造长期空间记忆
斯坦福大学和上海交大等机构的研究团队提出了一种为视频世界模型增加长期记忆能力的创新方法。受人类记忆机制启发，他们设计了三种互补的记忆系统：短期工作记忆、基于点云的长期空间记忆和稀疏情节记忆。这种组合允许AI在生成长视频时保持场景的空间一致性，解决了现有模型因有限上下文窗口导致的"遗忘"问题。实验表明，该方法在视角回忆一致性和整体视频质量方面显著优于现有技术，为创建持续一致的虚拟世界铺平了道路。
对角线批处理技术：突破循环记忆Transformer模型在长上下文处理中的并行瓶颈
这篇研究介绍了"对角线批处理"技术，该技术解决了循环记忆Transformer模型在处理长文本时的并行计算瓶颈。通过重新编排计算顺序，研究团队实现了在不破坏依赖关系的情况下进行并行计算，使LLaMA-1B模型处理长文本的速度提升3.3倍，同时内存使用减少167.1倍。这种纯运行时优化不需要重新训练模型，为实际应用中的长文本处理提供了高效解决方案。
PATS技术：博尔扎诺自由大学研究团队开创的运动技能评估新方法，让AI更懂专业运动员的动作质量
博尔扎诺自由大学研究团队开发的PATS技术通过保留完整运动片段代替随机抽取视频帧，显著提升了AI评估体育技能的能力。该方法在EgoExo4D基准测试中表现出色，攀岩评估准确率提高26.22%，音乐提高2.39%，篮球提高1.13%。PATS能根据不同运动类型自动调整采样策略，为体育训练和人才发展提供了更准确的自动评估技术。
ComfyUI-Copilot：阿里巴巴推出的智能助手让AI艺术创作更简单
阿里巴巴与哈工大(深圳)联合推出的ComfyUI-Copilot是一款基于大语言模型的插件，旨在提升AI艺术创作平台ComfyUI的易用性。它采用多代理框架提供三大核心功能：智能节点和模型推荐、一键式工作流构建和专业问答服务，所有功能由涵盖7K节点、62K模型和9K工作流的知识库支持。评估显示其推荐准确率高，已吸引超过1.6K的GitHub星标和来自22个国家19K用户的使用。
物理感知视频生成新突破：上海交大团队开发VideoREPA，通过关系对齐赋予AI视频物理常识
上海交大研究团队开发的VideoREPA是一种突破性的视频生成框架，通过令牌关系蒸馏技术将视频理解模型中的物理知识转移到文本到视频（T2V）扩散模型中。与传统方法不同，VideoREPA关注空间和时间关系的对齐，使生成的视频更符合物理常识。实验表明，这种方法在VideoPhy基准测试中将物理常识分数提高了24.1%，明显优于现有技术。该研究为创建更真实的AI生成视频提供了新思路，展示了理解能力与生成质量间的密切关联。
视觉密码破解：清华大学团队揭示多模态大语言模型中的视觉头稀疏性现象
清华大学研究团队在多模态大语言模型(MLLMs)中发现了一个惊人现象：只有不到5%的注意力头负责视觉理解，称为"视觉头"。基于此，他们开发了SparseMM优化策略，针对视觉头和非视觉头分配不同的计算资源，实现了模型推理速度提升1.38倍，内存减少52%，同时保持性能不变。这一发现不仅揭示了MLLMs内部视觉处理机制，还为提高多模态AI系统效率提供了新思路。
数学视觉推理新突破：CUHK多媒体实验室的MINT-CoT如何让AI更好地理解数学图形
香港中文大学多媒体实验室开发的MINT-CoT是一种创新方法，能让AI在数学视觉推理中实现精确的"视觉交织"。这项技术通过引入特殊的"交织令牌"，使模型能够在推理过程中自动选择关注任意形状的相关图像区域，而非仅限于矩形框。研究团队构建了包含54K样本的数据集，并通过三阶段训练策略显著提升了模型性能，在多个数学视觉基准测试上取得32.59%到23.2%不等的巨大进步。
FlexPainter：香港科技大学团队打造的灵活多视角一致性纹理生成系统
FlexPainter是香港科技大学团队开发的创新纹理生成系统，通过多模态输入控制实现灵活创作，并解决了多视角一致性问题。系统构建了共享条件嵌入空间，能同时理解文字和图像输入；提出基于图像的CFG方法实现结构与风格分离；通过多视角图像网格表示和视角同步机制确保全局和局部一致性；最终生成高质量、无缝的纹理贴图。实验证明系统在灵活性和生成质量上显著优于现有方法，为3D内容创作提供了更直观高效的工具。
Wispr 的 Flow 语音转写软件现已可在 iPhone 上使用
Wispr 的 Flow 是一款创新的 iOS 语音输入软件，借助 AI 技术能将语音无缝转换为精美文字，每周免费 2000 字，支持 100 多种语言，并能实现多设备同步。
视频数学问答：突破性基准测试，通过视频理解检验模型数学推理能力
这项研究推出了VideoMathQA，一个创新基准测试，专门评估人工智能模型在视频中的数学推理能力。不同于静态图像或文本基准，它要求模型在时间轴上整合视觉、音频和文本信息，模拟真实教学场景中的"多模态大海捞针"挑战。基准测试涵盖10个数学领域，视频长度从10秒到1小时以上，设计了三种推理挑战：直接问题解决、概念迁移和深度理解。对30个模型的评估显示，专有与开源系统的差距正在缩小，而模型成功不仅取决于规模，还受架构和训练质量影响。
Micro-Act：用自主推理解决问答中的知识冲突
这篇研究介绍了Micro-Act，一种创新框架，旨在解决问答系统中的知识冲突问题。由香港大学等机构研发的这一方法能够自动感知上下文复杂度，并将知识源分解成一系列细粒度比较，有效克服了传统方法在处理复杂冲突时的局限性。实验表明，Micro-Act在五个基准数据集上显著超越了现有技术，并在无冲突场景中保持稳健性能，为构建更可靠的检索增强生成系统提供了新思路。
什么是 Agentic AI？关于人工智能代理的一切须知
本文介绍了 Agentic AI 的概念、特点及应用，强调其自主决策、分解任务与执行复杂目标的能力，并探讨了应用场景与潜在风险。
人工智能是关于关系的吗？
本篇文章以 Navin Chaddha 的采访为主线，阐述了 AI 技术背后人际伙伴关系和早期合作的重要性，以及“协同智能即服务”的理念，强调未来创新依旧由人类主导，技术只是辅助工具。
CapSpeech：开创风格提示语音合成的下游应用新纪元
CapSpeech是约翰·霍普金斯大学等机构联合提出的风格描述文本转语音合成基准，包含超过1000万机器标注和36万人工标注的语音-描述配对。它支持五大下游任务：基础风格描述、带音效的语音合成、口音控制、情感表达和表现力丰富的虚拟代理。研究团队开发了自回归和非自回归两种模型，并通过客观和主观评估证明了该基准的有效性。CapSpeech不仅丰富了语音合成的表现力和可控性，还为实际应用如有声读物、对话代理和跨文化语音合成铺平了道路。
桑迪亚启用类脑无存储超算
Sandia国家实验室与SpiNNcloud合作推出的SpiNNaker2类脑超级计算机，依靠48芯片高并行架构及高速SRAM/DRAM通信，无需GPU或内置存储，适用于国防及前沿计算任务。
AI电影节与多元宇宙引擎
第三届Runway AI电影节展示了利用Runway、Midjourney等AI工具生成全新视听作品，颠覆传统电影制作，赋能无限创意。
基于代理的计算正在超越我们所认知的互联网
文章探讨了互联网从以人为核心向为AI代理优化转型，未来网络将以高速、透明、可验证的机器接口为主。
位置专家模型：为推测性解码打造更优质草稿的突破技术——华盛顿大学和卡内基梅隆大学联手研发
华盛顿大学和卡内基梅隆大学的研究团队开发了"位置专家"（PosS）技术，解决了推测性解码中的关键挑战。传统方法使用单一草稿模型预测多个位置的词汇，导致预测质量随位置深入而急剧下降。PosS创新性地引入多个专业化层，每层负责特定位置的预测，有效缓解了特征偏差累积问题。实验表明，在Llama系列模型上，PosS比基线方法提高了接受长度达4.5%，加速比提升最多5.7%，而仅带来微小的计算开销。这一技术为大型语言模型的高效推理提供了新思路。
小语言模型将成为AI智能代理的未来：NVIDIA研究团队揭示更高效的AI架构
NVIDIA研究团队在最新研究中指出，小语言模型(SLM)将成为AI智能代理的未来。他们论证了SLM不仅足够强大，还在操作上更适合且经济性更高。研究显示现代SLM已可媲美更大模型的性能，同时推理成本降低10-30倍，微调更快捷。论文提出了从大型模型向小型模型转换的算法，并通过案例研究证明在实际智能代理中40-70%的LLM调用可被SLM替代。这一转变将大幅降低AI运营成本，推动更可持续的AI发展。
京公网安备 11010802021500号
