理论

多模态扩散模型开始爆发，这次是高速可控还能学习推理的LaViDa

近段时间，已经出现了不少基于扩散模型的语言模型，而现在，基于扩散模型的视觉-语言模型（VLM）也来了，即能够联合处理视觉和文本信息的模型。今天我们介绍的这个名叫 LaViDa，继承了扩散语言模型高速且可控的优点，并在实验中取得了相当不错的表现。现目前，几乎所有流行的 VLM 都是基于大型语言模型（LLM）构建的，而这些模型采用的范式是自回归（AR），即按照从左到右的顺序逐一生成 token。

5/30/2025 3:54:16 PM

大模型智能体如何突破规模化应用瓶颈，核心在于Agentic ROI

本文第一作者为上海交通大学计算机学院副教授刘卫文，研究方向为大模型智能体，大语言模型，个性化算法等。近年来，随着大语言模型的快速发展，基于其构建的大模型智能体（LLM Agents）正逐步从技术演示走向实际应用部署。然而，真正实现规模化应用仍面临诸多瓶颈。

5/30/2025 3:53:27 PM

谷歌之后，英伟达入局扩散大语言模型，Fast-dLLM推理速度狂飙27.6倍

在大语言模型（LLM）领域，推理效率是制约其实际应用的关键因素之一。谷歌 DeepMind 的 Gemini diffusion 曾以 1400 tokens / 秒的生成速度震惊学界，展现了扩散模型在并行生成上的潜力。然而，开源扩散 LLM 却因缺乏 KV 缓存机制和并行解码质量衰退，实际推理速度长期被自回归模型压制.近日，NVIDIA 联合香港大学、MIT 等机构重磅推出 Fast-dLLM，以无需训练的即插即用加速方案，实现了推理速度的突破！

5/30/2025 3:52:05 PM

Google 的 Agent2Agent（A2A）框架详解

作者 | Nirdiamant编辑 | 云昭出品 | 51CTO技术栈（微信号：blog51cto）MCP，市面上已经有不少干货解读了，但作为经常被拿来对比的 A2A，内容却很少，今天为大家详细解读下 A2A 的架构。想象你走进一个繁忙的办公室，才华横溢的专家们正在处理各类复杂项目。一个角落里，研究分析师在挖掘数据；旁边，设计专家在绘制视觉方案；另一边，物流协调员在安排货运。

5/30/2025 2:59:36 PM

云昭

专治AI生图「人脸崩坏」，8倍速碾压GPT！新版FLUX.1多方位刷新SOTA

用AI生成&编辑图片时，想生成一套完整故事模板，结果主角「变脸」比翻书还快，这可怎么办？别慌，全新图像模型FLUX.1 Kontext来了！支持上下文内图像生成，可以同时使用文本和图像进行提示，并能够无缝提取和修改视觉概念，从而生成新的、连贯的图像。

5/30/2025 2:28:10 PM

新智元

AI生图大洗牌！流匹配架构颠覆传统，一个模型同时接受文本和图像输入

AI生图新突破！一个模型同时接受文本和图像输入。新模型FLUX.1 Kontext使用流匹配架构（Flow Matching），不再是文本编码器和扩散模型各干各的，与此前技术都不同。

5/30/2025 2:22:00 PM

LLM可以在没有采用强化学习或大型数据集的情况下学习推理吗？

译者 | 李睿审校 | 重楼针对提升LLM推理能力面临的挑战，斯坦福大学研究人员提出了“思考、修剪、训练”（TPT）框架，让LLM利用自生成且验证正确的数据迭代优化。研究表明，无需强化学习、大型数据集或外部教师模型，TPT可以使较小模型推理性能媲美甚至超越大模型，凸显了TPT框架在提升模型推理能力和准确性的潜力。目前，缺乏高质量的训练数据仍然是提高大型语言模型（LLM）推理能力的主要障碍之一。

5/30/2025 10:50:27 AM

李睿

更新改造遗留代码库：AI辅助的代码解读开发者指南

译者 | 布加迪审校 | 重楼遗留代码库给现代开发团队带来了独特的挑战。无论你是在处理十年前的单体应用程序，还是试图更新改造电商平台，了解和更新遗留代码带来的复杂性都会大大影响开发速度。本文提供了有效浏览、了解和更新改造遗留系统的实用策略和技术方法。

5/30/2025 10:34:00 AM

布加迪

波士顿动力机器人进厂打工现逆天操作！3D感知+实时追踪，人类捣乱完全不带怕的

波士顿动力带机器人看世界，Altas重磅升级了！现在，它具备3D空间感知和实时物体追踪能力，可以自主执行更复杂的工业任务。请看Altas在汽车工厂打工VCR：小哥故意将汽车零部件丢在地上，只见它360°转动头部环顾四周，随后成功识别并将其放入正确位置：（就是偷感好重，笑死）故意移动装置位置，它也能精准感知到变化：然后依旧稳稳地将零部件放入槽内：头部和腰部都可360°旋转，干起活来那叫一个麻利：据介绍，Altas的一系列功能升级源于波士顿动力团队对Altas感知系统进行的全新设计，融合了2D与3D感知技术、物体位姿追踪，以及基于物理特性的精确校准方案。

5/30/2025 9:19:00 AM

视频推理界的“福尔摩斯测试”：所有大模型，统统不及格 | 论文代码开源

一个新的Benchmark，竟让大模型在复杂视频推理这事儿上统统不及格！这就是腾讯ARC Lab和香港城市大学最新推出的Video-Holmes——如其名，它可以说是视频推理界的“福尔摩斯测试”，通过让多模态大模型参与“推理杀人凶手”, “解析作案意图”等高难度的推理任务，以展现他们复杂视频推理能力的边界。而且Video-Holmes可以说是规避了现在业内已有的Benchmark痛点，即视频源和问题都偏简单，没法反映推理模型和非推理模型之间的差距。

5/30/2025 9:17:00 AM

博士级AI智能体写的论文，首次登上顶会ACL！人类作者只是监工

有个叫Zochi的AI系统写了一篇研究论文，并且被顶级学术会议ACL 2025的主会场接受了！ ACL是自然语言处理（NLP）领域里最顶尖的会议之一。 Zochi是Intology AI开发的首个博士级智能体，就像一个从头到尾完成科学研究「AI科学家」。

5/30/2025 9:15:00 AM

视频实时生成可交互！两位自动驾驶大牛创业世界模型：40毫秒/帧，无需任何游戏引擎，人人免费可玩

李飞飞押注的世界模型领域，迎来两位自动驾驶大牛创业新成果！无需任何游戏引擎，AI能以40毫秒/帧想象并实时生成视频。 40毫秒/帧啥概念？

5/30/2025 9:14:00 AM

妈妈再也不用担心延迟了！斯坦福手搓Llama超级内核，推理仅需0.00068秒

想象一下：你和AI聊天时，每句话都要等它3秒——血压是不是瞬间飙升？低延迟LLM推理，就是专门针对这个问题的解决办法。博客地址：「整了个大活」：他们手搓了个叫做「Megakernel」超级玩具（推理引擎），把Llama-1B的前向传播整个塞进单个GPU内核！

5/30/2025 9:12:00 AM

基准测试揭秘大模型“字数危机”：26个模型长文本生成普遍拉胯，最大输出长度过度宣传

你是否曾对大语言模型（LLMs）下达过明确的“长度指令”？比如，“写一篇10,000字的长文，详细分析某个议题。 ”看似简单的要求，实际却往往让这些模型“力不从心”：不是生成内容不足，就是重复啰嗦，甚至直接罢工拒绝生成。

5/30/2025 9:10:00 AM

中国团队让AI拥有「视觉想象力」，像人类一样脑补画面来思考

在人类的认知过程中，视觉思维（Visual Thinking）扮演着不可替代的核心角色，这一现象贯穿于各个专业领域和日常生活的方方面面。图 1：需要借助「脑补」图像进行思考的真实世界任务。这些任务通常需要视觉预见性和想象力，仅凭基于文本的思考无法完全实现生物化学家在探索新的治疗途径时，会在脑海中构建蛋白质的三维立体结构，通过视觉化的分子间相互作用来理解复杂的生化过程；法医分析师在破解疑难案件时，需要在心中重建犯罪现场的空间布局，通过视觉推理来验证证据之间的逻辑连接；建筑师在设计创新建筑时，会在脑海中不断勾勒和修正建筑草图，通过视觉想象来优化空间配置和光照效果；篮球运动员在制定战术策略时，需要在脑海中构想队友的跑位路线、防守阵型的变化以及关键时刻的战术配合，通过视觉化的场景想象来设计最佳的进攻方案；在日常决策中，一般人也会通过「脑补」各种可能的场景图像来辅助判断和选择，用脑海中自发生成的图像作为认知媒介。

5/30/2025 9:10:00 AM

135 个项目、七大趋势、三大赛道：撕开大模型开源生态真相，你会怎么卷？

在微软 Build、谷歌 I/O、 Code with Claude 三大开发者大会接连登场的一周里，微软为 Windows 加装模型上下文协议（MCP），Google Gemini 野心初显「AI 操作系统」，Claude 4.0 高调抢滩编程主战场。就在这样的节奏下，5 月 27 日，蚂蚁集团的开源团队「接棒」发布了一张《 2025 大模型开源开发生态全景图》。访问地址：：——135 个社区核心项目、19 个技术领域，全面覆盖从智能体应用到模型基建，系统性梳理了开源力量在大模型浪潮下的集结与演化路径。

5/30/2025 9:07:00 AM

Linear-MoE：线性注意力遇上混合专家的开源实践

近年来随着大语言模型的爆火，旨在取代 Transformer 的高效模型架构及其预训练成为大模型领域的研究热点，主要包括线性序列建模（如 Linear Attention、SSM、Linear RNN 等）和混合专家（Mixture-of-Experts, MoE）两部分。这两部分分别都有了长足的进步，但两者的结合却鲜少有人研究，两者结合后的 Linear-MoE 架构开源实现更是完全缺失。值得一提的是，近期广受好评的 MiniMax-01 模型（使用 Lightning Attention-MoE）和腾讯混元 TurboS 模型（使用 Mamba2-MoE）均属于 Linear-MoE 架构。

5/30/2025 9:06:00 AM

AI仅凭“自信”学会推理，浙大校友复刻DeepSeek长思维链涌现，强化学习无需外部奖励信号

复刻DeepSeek-R1的长思维链推理，大模型强化学习新范式RLIF成热门话题。 UC Berkeley团队共同一作Xuandong Zhao把这项成果称为：大模型无需接触真实答案，仅通过优化自己的信心，就能学会复杂推理。具体来说，新方法完全不需要外部奖励信号或标注数据，只需使用模型自身的置信程度作为内在奖励信号。

5/30/2025 9:05:00 AM

资讯热榜

DeepRare 重磅发布：全球首个可循证智能体诊断系统，直击医学Last Exam难题李沐B站更新了！教你手搓语音大模型，代码全开源还能在线试玩考试提分新工具：网页版 ChatGPT 测试“学习和掌握”功能，AI 助你成学霸我测试了100+案例，教你零基础复刻外网刷屏的 AI 视频（附提示词模板） AI时代设计师如何突围？D20峰会揭示未来设计师生存法则一盘大棋！OpenAI「截胡」IMO金牌，奥特曼为GPT-5献上「核弹级」预热终结Coding？ShellAgent三句话造出马斯克同款「AI女友」！ MinerU 2.0部署教程！

标签云

人工智能 AI OpenAI AIGC 模型 ChatGPT DeepSeek AI绘画谷歌机器人数据大模型 Midjourney 开源智能用户 Meta 微软 GPT 学习技术图像 Gemini AI创作马斯克论文英伟达 Anthropic 智能体代码算法 Stable Diffusion 训练芯片开发者蛋白质腾讯生成式苹果 LLM 神经网络 AI新词 Claude 3D 研究生成机器学习 AI for Science xAI 计算人形机器人 Agent Sora AI视频 GPU 百度 AI设计华为搜索大语言模型工具场景字节跳动 RAG 大型语言模型具身智能预测深度学习伟达视觉 Transformer 神器推荐 AGI 亚马逊视频生成 Copilot DeepMind 模态架构 LLaMA

理论