资讯列表
人大 & 百度 SIGIR 新发现：揭开 RAG 的 “黑箱”，LLM 知识利用的四阶段与神经元密码
当我们为RAG（检索增强生成）系统能输出更精准的答案而欣喜时，一个核心问题始终悬而未决：当外部检索到的知识涌入LLM（大语言模型）时，模型是如何在自身参数化知识与外部非参数化知识之间做选择的？ 是优先采信新信息，还是固守旧认知？ 中国人民大学与百度团队联合发表于2025年SIGIR的研究《Unveiling Knowledge Utilization Mechanisms in LLM-based Retrieval-Augmented Generation》，首次从宏观知识流与微观模块功能两个维度，系统性拆解了RAG中LLM的知识利用机制。
10/30/2025 9:31:10 AM
Goldma
当“骆驼打包行李”难倒AI：ImagerySearch如何让视频模型学会想象？
大家好，我是肆〇柒。 今天我们一起阅读一篇来自中国科学院大学（UCAS）、阿里巴巴高德地图（AMAP）与中科院智能系统与工程研究中心（CRISE） 联合团队的最新工作——《ImagerySearch: Adaptive Test-Time Search for Video Generation Beyond Semantic Dependency Constraints》。 这项研究直面当前视频生成模型在“想象力任务”中的系统性失效，提出了一种无需额外训练、仅靠测试时自适应策略即可显著提升长距离语义生成能力的新范式。
10/30/2025 9:18:59 AM
肆零柒
英伟达，全球首个5万亿美元公司诞生！「GPU帝国」超日本德国GDP
今夜，英伟达再次创造历史！ 受GTC大会的影响，英伟达股价上涨4.15%，成为首家市值突破5万亿美元的公司！ 这是一个前所未有的里程碑，不仅是英伟达，不仅是GPU芯片，更是AI时代的里程碑。
10/30/2025 9:18:35 AM
Cursor发布首个编程大模型！代码生成250tokens/秒，强化学习+MoE架构
Cursor的首个编码模型，刚刚发布了！ 最新进展，Cursor 2.0正式发布，并且首次搭载了「内部」大模型。 没错，不是GPT、不是Claude，如今模型栏多了个新名字——Composer。
10/30/2025 9:13:55 AM
当人工智能遇见图形数据库：利用多模态数据融合进行创新
人工智能时代的数据挑战随着智能技术革新各行各业，数据量和种类都呈现爆炸式增长。 银行生成结构化交易记录、非结构化客户通话记录以及半结构化的 JSON 档案。 医院管理着自由文本的病历、数值化的实验室结果以及诊断图像。
10/30/2025 9:05:47 AM
晓晓
Amazon重磅新作SimRAG：让大模型“自我进化”，轻松适配专业领域问答任务
在大模型技术飞速发展的今天，通用大模型在日常对话、内容创作等场景中已展现出卓越能力，但当面对医学、科学、计算机等专业领域时，却常常“力不从心”。 分布偏移导致模型认知与领域数据脱节，高质量领域数据稀缺推高训练成本，传统RAG技术又难以精准捕捉领域信息——这些痛点成为大模型落地专业场景的关键阻碍。 而Amazon在2025年NAACL会议上发表的SimRAG（Self-Improving Retrieval-Augmented Generation） 框架，为解决这些问题提供了全新思路。
10/30/2025 8:57:54 AM
Goldma
阿里新研究：统一了VLA和世界模型
如果说视觉让AI看见世界，动作让AI改变世界，那么——WorldVLA正在让AI理解世界。 顾名思义，WorldVLA是一个将视觉语言动作模型（VLA）与世界模型相融合的统一框架，由阿里巴巴达摩院、湖畔实验室和浙江大学共同提出。 在该框架下，世界模型通过结合对动作与图像的理解来预测未来图像，旨在学习环境的潜在物理规律，以提升动作生成的准确性；动作模型则基于图像观测生成后续动作，不仅有助于视觉理解，还反向促进世界模型的视觉生成能力。
10/30/2025 8:53:34 AM
估值上万亿、现金流见底：AI盛宴背后的真相没人敢说
最具价值的私有AI初创，都有谁？ 投资人Deedy Das总结了目前估值最高的15家AI初创，以及最新的公开的营收和增长情况。 图片OpenAI、xAI和Anthropic毫无意外霸榜前三。
10/30/2025 8:10:03 AM
新智元
DeepSeek-OCR：用视觉模态给长文本“瘦身”，大模型处理效率再突破
在大语言模型（LLMs）不断拓展能力边界的今天，长文本处理始终是道绕不开的坎——文本序列每增加一倍，计算量就可能翻四倍，像处理一本几十万字的书籍、一份上千页的金融报告时，内存溢出、推理卡顿成了常态。 但DeepSeek团队最近开源的DeepSeek-OCR模型，给出了一个全新解法：把文本“画”成图像，用视觉Token实现高效压缩。 原本需要1000个文本Token存储的内容，现在100个视觉Token就能搞定，还能保持97%的OCR精度。
10/30/2025 7:00:00 AM
Goldma
一键生成品牌营销物料！谷歌发布重磅AI设计产品Pomelli
一、谷歌实验室新成员. 我们都知道谷歌如果想要尝试什么 AI 产品或者想法的话会先在它们的 Google Labs 里面发布，如果反响好的话就会独立运营，变成单独的产品。 比如我们之前耳熟能详的 ImageFX（用 Imagen 图像模型混合和生成图像）、Flow（使用 Veo 3 视频模型创作视频）、NotebookLM（帮你用各种模态解释文档和视频）等。
10/30/2025 6:50:03 AM
歸藏
为什么说做好RAG就够了？深度拆解RAG系统的现状、优化与未来
在如今的AI技术讨论中，“模型微调”曾一度被视为提升任务效果的“终极方案”。 但在2025年10月硅谷那场AI Agent内部研讨会上，多位行业专家却抛出了一个颠覆性观点：多数场景下，模型微调根本用不上，把检索增强生成（RAG）做透，就足够解决问题。 这个观点背后，是RAG技术在成本、效率与知识时效性上的天然优势，也是行业对“AI落地实用性”的重新审视。
10/30/2025 6:00:00 AM
Goldma
TATTOO：让PRM真正"看见"表格的工具集成验证框架
大家好，我是肆〇柒。 今天我们一起探索一项来自UIUC、Amazon、Purdue大学和斯坦福大学的联合研究——TATTOO。 这项研究揭示了一个令人惊讶的现象：尽管现有Process Reward Models (PRMs)在文本推理中表现出色，但在面对表格数据时却近乎"失明"。
10/30/2025 4:00:00 AM
肆零柒
LangChain提出Agent工程化的新分层（Agent harness）
LangChain拿到了新融资，对自己有了新定位——Agent基础设施提供商，同时对自己的产品矩阵做了新的梳理，重新定义了Agent开发的三个层次。 ：Framework（框架层）：提供抽象和标准化接口。 LangChain就是这一层，还有Vercel的AI SDK、CrewAI这些。
10/30/2025 3:00:00 AM
winkrun
反事实解释增强的大型语言模型少样本知识蒸馏技术
在当前大型语言模型(LLM)快速发展的背景下，模型规模与计算资源需求之间的矛盾日益凸显。 虽然大型语言模型展现出了卓越的性能，但其庞大的参数量和推理成本使其难以在资源受限的环境中部署。 本文对最新发表在arXiv上的研究论文《Few-Shot Knowledge Distillation of LLMs With Counterfactual Explanations》进行深入分析，该论文提出了一种新颖的知识蒸馏方法，通过反事实解释(Counterfactual Explanations)增强少样本学习，实现了更高效的模型压缩。
10/30/2025 2:25:00 AM
可可
对 GPT 5 模型路由机制的深度解析
我们今天为大家带来的文章，作者的观点是：GPT-5 通过引入“智能路由器”架构，实现了按需调用不同专家模型的动态协作机制，标志着大模型正从“全能单体架构”迈向“专业化协同架构”的新范式。 文章深入剖析了 GPT-5 路由机制的四大决策支柱 —— 对话类型、任务复杂度、工具需求与用户显性意图，并对比了其相较于 GPT-4、Toolformer 及早期插件系统的突破性进步。 作者还详细拆解了该架构的技术实现路径、核心优势（如响应速度提升、资源成本优化、可解释性）以及潜在挑战（如延迟叠加、路由误判、调试困难）。
10/30/2025 2:13:00 AM
Baihai IDP
语义缓存：如何加速LLM与RAG应用
现代基于LLM（大语言模型）和RAG（检索增强生成）的应用，常受限于三大痛点：延迟高、成本高、计算重复。 即使用户查询只是措辞略有不同（比如“什么是Python？ ”和“跟我说说Python”），也会触发完整的处理流程——生成嵌入向量、检索文档、调用LLM。
10/30/2025 2:11:00 AM
大模型之路
变分掩码扩散模型：解决并发标记预测中的依赖关系问题
研究背景与问题定义基于扩散的大型语言模型(DLLMs)作为自回归模型(ARMs)的重要扩展，正在成为生成式AI领域的重要创新方向。 与传统ARMs按预定义顺序顺序生成标记的方式不同，DLLMs提供了并发标记生成、更高输出多样性、增强全局一致性以及更好的生成文本可控性等优势。 近期的突破性模型如LLaDA、Mercury和Gemini Diffusion都凸显了DLLMs的潜力。
10/30/2025 1:55:00 AM
葱葱
构建具备深度思考能力的 Agentic RAG 流水线，用于解决复杂查询
很多 RAG 系统失败，并不是因为 LLM 不够聪明，而是因为它们的架构太简单。 它们试图用线性的一次性方式，处理一个本质上循环、多步骤的问题。 许多复杂查询需要推理、反思，以及何时行动的聪明决策，这与我们面对问题时如何检索信息非常相似。
10/30/2025 1:45:00 AM
AI研究生