AI在线 AI在线

工程

递归语言模型登场！MIT华人新作爆火，扩展模型上下文便宜又简单

递归语言模型登场！MIT华人新作爆火，扩展模型上下文便宜又简单
目前，所有主流 LLM 都有一个固定的上下文窗口（如 200k, 1M tokens）。 一旦输入超过这个限制，模型就无法处理。 即使在窗口内，当上下文变得非常长时，模型的性能也会急剧下降，这种现象被称为「上下文腐烂」（Context Rot）：模型会「忘记」开头的信息，或者整体推理能力下降。
10/16/2025 7:17:00 PM
机器之心
当Search Agent遇上不靠谱搜索结果，清华团队祭出自动化红队框架SafeSearch

当Search Agent遇上不靠谱搜索结果，清华团队祭出自动化红队框架SafeSearch
该文第一作者是清华大学博士生董建硕，研究方向是大语言模型运行安全；该文通讯作者是清华大学邱寒副教授；其他合作者来自南洋理工大学和零一万物。 在 AI 发展的新阶段，大模型不再局限于静态知识，而是可以通过「Search Agent」的形式实时连接互联网。 搜索工具让模型突破了训练时间的限制，但它们返回的并非总是高质量的资料：一个低质量网页、一条虚假消息，甚至是暗藏诱导的提示，都可能在用户毫无察觉的情况下被模型「采纳」，进而生成带有风险的回答。
10/16/2025 7:10:00 PM
机器之心
ICCV 2025 | 浙大、港中文等提出EgoAgent：第一人称感知-行动-预测一体化智能体

ICCV 2025 | 浙大、港中文等提出EgoAgent：第一人称感知-行动-预测一体化智能体
如何让 AI 像人类一样从对世界的观察和互动中自然地学会理解世界？ 在今年的国际计算机视觉大会（ICCV 2025）上，来自浙江大学、香港中文大学、上海交通大学和上海人工智能实验室的研究人员联合提出了第一人称联合预测智能体 EgoAgent。 受人类认知学习机制和 “共同编码理论（Common Coding Theory）” 启发，EgoAgent 首次成功地让模型在统一的潜空间中同时学习视觉表征（Visual representation）、人体行动（Human action）和世界预测 （World state prediction）三大核心任务，打破了传统 AI 中 “感知”、“控制” 和 “预测” 分离的壁垒。
10/16/2025 1:03:00 PM
机器之心
从掩码生成到「再掩码」训练：RemeDi让扩散语言模型学会自我纠正与反思

从掩码生成到「再掩码」训练：RemeDi让扩散语言模型学会自我纠正与反思
近期，扩散语言模型备受瞩目，提供了一种不同于自回归模型的文本生成解决方案。 为使模型能够在生成过程中持续修正与优化中间结果，西湖大学 MAPLE 实验室齐国君教授团队成功训练了具有「再掩码」能力的扩散语言模型（Remasking-enabled Diffusion Language Model, RemeDi 9B）。 在扩散去噪的多步过程中，通过进行再掩码 SFT 和 RL 训练，为每个 token 输出一个去掩码置信度，RemeDi 能够从序列中已经生成的内容中识别无法确定的位置进行再掩码（remask），从而修正错误内容并提升文本质量，在各方面都超越了现有的扩散语言模型。
10/16/2025 11:02:00 AM
机器之心
不再靠「猜坐标」！颜水成团队等联合发布PaDT多模态大模型：实现真正的多模态表征输出

不再靠「猜坐标」！颜水成团队等联合发布PaDT多模态大模型：实现真正的多模态表征输出
近年来，多模态大语言模型（Multimodal Large Language Models, MLLMs）在图文理解、视觉问答等任务上取得了令人瞩目的进展。 然而，当面对需要精细空间感知的任务 —— 比如目标检测、实例分割或指代表达理解时，现有模型却常常「力不从心」。 其根本原因在于：当前主流 MLLMs 仍依赖将视觉目标「翻译」成文本坐标（如 [x1, y1, x2, y2] ）的方式进行输出。
10/16/2025 10:17:00 AM
机器之心
首个多轮LLM Router问世, Router-R1可让大模型学会「思考–路由–聚合」

首个多轮LLM Router问世, Router-R1可让大模型学会「思考–路由–聚合」
Haozhen Zhang 现为南洋理工大学（NTU）博士一年级学生，本工作完成于其在伊利诺伊大学厄巴纳-香槟分校（UIUC）实习期间。 Tao Feng 为 UIUC 博士二年级学生，Jiaxuan You 为 UIUC 计算机系助理教授。 团队长期聚焦 LLM Router 方向，已产出 GraphRouter、FusionFactory 及本文 Router-R1 等多项代表性研究成果。
10/15/2025 7:04:00 PM
机器之心
ICCV 2025 | FDAM：告别模糊视界，源自电路理论的即插即用方法让视觉Transformer重获高清细节

ICCV 2025 | FDAM：告别模糊视界，源自电路理论的即插即用方法让视觉Transformer重获高清细节
针对视觉 Transformer（ViT）因其固有 “低通滤波” 特性导致深度网络中细节信息丢失的问题，我们提出了一种即插即用、受电路理论启发的 频率动态注意力调制（FDAM）模块。 它通过巧妙地 “反转” 注意力以生成高频补偿，并对特征频谱进行动态缩放，最终在几乎不增加计算成本的情况下，大幅提升了模型在分割、检测等密集预测任务上的性能，并取得了 SOTA 效果。 该工作来自北京理工大学、RIKEN AIP和东京大学的研究团队。
10/15/2025 3:48:00 PM
机器之心
清华&巨人网络首创MoE多方言TTS框架，数据代码方法全开源

清华&巨人网络首创MoE多方言TTS框架，数据代码方法全开源
无论是中文的粤语、闽南话、吴语，还是欧洲的荷兰比尔茨语方言、法国奥克语，亦或是非洲和南美的地方语言，方言都承载着独特的音系与文化记忆，是人类语言多样性的重要组成部分。 然而，许多方言正在快速消失，语音技术如果不能覆盖这些语言，势必加剧数字鸿沟与文化失声。 在当今大模型引领的语音合成时代，通用 TTS 系统已展现出令人惊叹的能力，但方言 TTS 依然是相关从业者难以触及的「灰色地带」。
10/15/2025 1:20:00 PM
机器之心
AI能否「圣地巡礼」？多模态大模型全新评估基准VIR-Bench来了

AI能否「圣地巡礼」？多模态大模型全新评估基准VIR-Bench来了
大家或许都有过这样的体验：看完一部喜欢的动漫，总会心血来潮地想去 “圣地巡礼”；刷到别人剪辑精美的旅行 vlog，也会忍不住收藏起来，想着哪天亲自走一遍同样的路线。 旅行与影像的结合，总是能勾起人们的探索欲望。 那么，如果 AI 能自动看懂这些旅行视频，帮你解析出 “去了哪些地方”“顺序是怎样的”，甚至还能一键生成属于你的旅行计划，会不会很有趣？
10/15/2025 1:06:00 PM
机器之心
北大彭一杰教授课题组提出RiskPO，用风险度量优化重塑大模型后训练

北大彭一杰教授课题组提出RiskPO，用风险度量优化重塑大模型后训练
该项目由北京大学彭一杰教授课题组完成，第一作者为任韬，其他作者包括江金阳、杨晖等。 研究背景与挑战：大模型后训练陷入「均值陷阱」，推理能力难破界当强化学习（RL）成为大模型后训练的核心工具，「带可验证奖励的强化学习（RLVR）」凭借客观的二元反馈（如解题对错），迅速成为提升推理能力的主流范式。 从数学解题到代码生成，RLVR 本应推动模型突破「已知答案采样」的局限，真正掌握深度推理逻辑 —— 但现实是，以 GRPO 为代表的主流方法正陷入「均值优化陷阱」。
10/15/2025 11:18:00 AM
机器之心
NeurIPS 2025 Spotlight | 条件表征学习：一步对齐表征与准则

NeurIPS 2025 Spotlight | 条件表征学习：一步对齐表征与准则
本文第一作者为四川大学博士研究生刘泓麟，邮箱为[email protected]，通讯作者为四川大学李云帆博士后与四川大学彭玺教授。 一张图片包含的信息是多维的。 例如下面的图 1，我们至少可以得到三个层面的信息：主体是大象，数量有两头，环境是热带稀树草原（savanna）。
10/15/2025 11:11:00 AM
机器之心
老牌Transformer杀手在ICLR悄然更新：Mamba-3三大改进趋近设计完全体

老牌Transformer杀手在ICLR悄然更新：Mamba-3三大改进趋近设计完全体
至今为止 Transformer 架构依然是 AI 模型的主流架构，自从其确立了统治地位后，号称 Transformer 杀手的各类改进工作就没有停止过。 在一众挑战者中最具影响力的自然是 2023 年社区爆火的基于结构化的状态空间序列模型（SSM）架构的 Mamba。 Mamba 的爆火可能和名字有关，但硬实力确实强大。
10/14/2025 4:40:00 PM
机器之心
NeurIPS 25 | 中大&UC Merced等开源RAPID Hand，重新定义多指灵巧手数据采集

NeurIPS 25 | 中大&UC Merced等开源RAPID Hand，重新定义多指灵巧手数据采集
在最近的一篇 NeurIPS 25 中稿论文中，来自中山大学、加州大学 Merced 分校、中科院自动化研究所、诚橙动力的研究者联合提出了一个全新开源的高自由度灵巧手平台 — RAPID Hand (Robust, Affordable, Perception-Integrated, Dexterous Hand)。 论文标题：RAPID Hand: A Robust, Affordable, Perception-Integrated, Dexterous Manipulation Platform for Generalist Robot Autonomy论文地址：： 地址：。 无论是日常的家庭整理、物品归置，还是辅助类服务任务，若缺乏灵巧的操作能力，机器人便难以真正完成复杂交互。
10/14/2025 4:36:00 PM
机器之心
斯坦福、英伟达和伯克利提出具身Test-Time Scaling Law

斯坦福、英伟达和伯克利提出具身Test-Time Scaling Law
本文的第一作者为斯坦福大学博士生 Jacky Kwok。 共同通讯作者包括英伟达自动驾驶研究总监 Marco Pavone、斯坦福大学计算机系教授兼 DeepMind 科学家 Azalia Mirhoseini，以及 UC 伯克利教授 Ion Stoica。 Vision-Language-Action（VLA）模型在视觉运动控制中展现出了卓越能力，但如何在复杂的真实世界中保持鲁棒性仍是一个长期挑战。
10/14/2025 2:28:00 PM
机器之心
景不动人动，MLLM如何面对「移步换景」的真实世界？OST-Bench揭示多模态大模型在线时空理解短板

景不动人动，MLLM如何面对「移步换景」的真实世界？OST-Bench揭示多模态大模型在线时空理解短板
多模态大语言模型（MLLMs）已在视觉与语言模态融合的感知与推理任务中展现出强大能力。 而上海人工智能实验室、上海交通大学、香港大学、香港中文大学的研究者们提出的的 OST-Bench, 则是从智能体探索场景的动态在线视角出发，为大模型的能力提出了新的挑战。 对比离线 / 静态的空间智能基准，OST-Bench 更精准地反映了具身感知在真实世界中的核心挑战。
10/14/2025 2:23:00 PM
机器之心
100美元、8000行代码手搓ChatGPT，Karpathy最新开源项目爆火，一夜近5k star

100美元、8000行代码手搓ChatGPT，Karpathy最新开源项目爆火，一夜近5k star
「这是我写过最疯狂的代码之一。 」本周一，AI 领域大神 Andrej Karpathy 发布了自己的最新开源项目，瞬间引来了整个社区的关注。 这个名为 nanochat 的项目据说可以教你从零开始，以 100 美元的成本自建 ChatGPT。
10/14/2025 10:30:00 AM
机器之心
NeurIPS 25 | GRPO进阶版来了，GVPO重构大模型后训练范式

NeurIPS 25 | GRPO进阶版来了，GVPO重构大模型后训练范式
大模型后训练（post-training）正在成为 AI 进化的关键一环。 从最早的 SFT（监督微调），再到近来大火的 GRPO，一条核心主线贯穿始终：如何让大模型具有更强的推理能力、更好地对齐人类偏好，同时保持稳定和高效。 然而，GRPO 虽然在 DeepSeek-R1 等项目中大放异彩，但其训练不稳定、超参数敏感的问题一直限制其大规模落地。
10/14/2025 10:27:00 AM
机器之心
推理速度10倍提升，蚂蚁集团开源业内首个高性能扩散语言模型推理框架dInfer

推理速度10倍提升，蚂蚁集团开源业内首个高性能扩散语言模型推理框架dInfer
近日，蚂蚁集团正式开源业界首个高性能扩散语言模型（Diffusion Large Language Model，dLLM）推理框架 dInfer。 在基准测试中，dInfer 将 dLLM 的推理速度相比于 Fast-dLLM 提升了 10 倍以上，并在关键的单批次（batch size=1）推理场景下，作为首个开源框架实现了大幅超越经过高度优化的自回归（AR）模型的性能里程碑，在 HumanEval 上达到 1011 tokens / 秒的吞吐量 。 dInfer 通过一系列算法与系统协同创新，攻克了 dLLM 的推理瓶颈，兑现了其内生并行生成带来的推理效率潜力。
10/13/2025 5:40:00 PM
机器之心