叶子豪、陈天奇等人开源项目FlashInfer入选，MLSys2025最佳论文奖公布
叶子豪、陈天奇等人开源项目FlashInfer入选，MLSys2025最佳论文奖公布今年的两篇最佳论文一作均为华人。
来自主题: AI技术研报
7969 点击 2025-05-14 14:40
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
今年的两篇最佳论文一作均为华人。
MICAS是一种专为3D点云上下文学习设计的多粒度采样方法，通过任务自适应点采样和查询特定提示采样，提升模型在点云重建、去噪、配准和分割等任务中的稳健性和适应性，显著优于现有技术。
随着生成式人工智能技术的飞速发展，合成数据正日益成为大模型训练的重要组成部分。未来的 GPT 系列语言模型不可避免地将依赖于由人工数据和合成数据混合构成的大规模语料。
在多模态大模型快速发展的当下，如何精准评估其生成内容的质量，正成为多模态大模型与人类偏好对齐的核心挑战。然而，当前主流多模态奖励模型往往只能直接给出评分决策，或仅具备浅层推理能力，缺乏对复杂奖励任务的深入理解与解释能力，在高复杂度场景中常出现 “失真失准”。
开发能在开放世界中完成多样任务的通用智能体，是AI领域的核心挑战。开放世界强调环境的动态性及任务的非预设性，智能体必须具备真正的泛化能力才能稳健应对。然而，现有评测体系多受限于任务多样化不足、任务数量有限以及环境单一等因素，难以准确衡量智能体是否真正「理解」任务，或仅是「记住」了特定解法。
流匹配模型因其坚实的理论基础和在生成高质量图像方面的优异性能，已成为图像生成（Stable Diffusion, Flux）和视频生成（可灵，WanX，Hunyuan）领域最先进模型的训练方法。然而，这些最先进的模型在处理包含多个物体、属性与关系的复杂场景，以及文本渲染任务时仍存在较大困难。
世界模型的进度条，最近坐上了火箭。
一夜之间，老黄天塌了（doge）。
还记得刘慈欣在《全频带阻塞干扰》中描绘的耀斑爆发吗？
“先推理、再作答”，语言大模型的Thinking模式，现在已经被拓展到了图片领域。
当训练成本飙升、数据枯竭，如何继续激发大模型潜能？
「矩阵」不再是科幻！Matrix-Game震撼来袭，突破边界带来交互式引擎。只需一句话，沙漠森林等任意场景可控生成，动作丝滑操控，360°视角自由切换，沉浸感爆棚。
开启「分步思考」新范式。
在视觉语言模型（Vision-Language Models，VLMs）取得突破性进展的当下，长视频理解的挑战显得愈发重要。以标准 24 帧率的标清视频为例，仅需数分钟即可产生逾百万的视觉 token，这已远超主流大语言模型 4K-128K 的上下文处理极限。
AI 不允许有人不会搭乐高。
谷歌最新发布的76页AI智能体白皮书，深入剖析了智能体的应用前景。智能体通过感知环境、调用工具和自主规划，能够完成复杂任务并做出高级决策。从智能体运维（AgentOps）到多智能体协作，这份白皮书为AI智能体指明了方向。
递归思考 + 自我批判，CoRT 能带来 LLM 推理力的飞跃吗？
不用引入外部数据，通过自我博弈（Self-play）就能让预训练大模型学会推理？
近年来，生成式人工智能（Generative AI）技术的突破性进展，特别是文本到图像 T2I 生成模型的快速发展，已经使 AI 系统能够根据用户输入的文本提示（prompt）生成高度逼真的图像。从早期的 DALL・E 到 Stable Diffusion、Midjourney 等模型，这一领域的技术迭代呈现出加速发展的态势。
多模态奖励模型（MRMs）在提升多模态大语言模型（MLLMs）的表现中起着至关重要的作用，在训练阶段可以提供稳定的 reward，评估阶段可以选择更好的 sample 结果，甚至单独作为 evaluator。
可控图片生成，如今已经不是什么新鲜事。甚至也不需要复杂的提示词，用户通过简单的文本描述，就能快速生成符合个人需求的创意图像。
菲尔兹奖得主陶哲轩再放大招，仅数天时间，开源的概念验证工具借助Copilot迭代至2.0版本。而在最新视频中，他甚至用AI在33分钟「盲做」形式化一页证明，效率惊人。
近年来，基于视频生成模型的可交互世界生成引发了广泛关注。尽管现有方法在生成质量和交互能力上取得了显著进展，但由于上下文时间窗口受限，生成的世界在长时序下严重缺乏一致性。
长思维链让大模型具备了推理能力，但如果过度思考，就有可能成为负担。
Sora、可灵等视频生成模型令人惊艳的性能表现使得创作者仅依靠文本输入就能够创作出高质量的视频内容。然而，我们常见的电影片段通常是由导演在一个场景中精心布置多个目标的运动、摄像机拍摄角度后再剪辑而成的。例如，在拍摄赛车追逐的场景时，镜头通常跟随赛车运动，并通过扣人心弦的超车时刻来展示赛事的白热化。
OpenAI GPT-4o发布强大图片生成能力后，业界对大模型生图能力的探索向全模态方向倾斜，训练全模态模型成研发重点。
本文详细介绍了斯坦福大学最新提出的"以弱驭强"（W4S）范式，这一创新方法通过训练轻量级的弱模型来优化强大语言模型的工作流。核心亮点包括：
当以端到端黑盒训练为代表的深度学习深陷低效 Scaling Law 而无法自拔时，我们是否可以回到起点重看模型表征本身——究竟什么才是一个人工智能模型的「表征质量」或者「泛化性」？我们真的只有通过海量的测试数据才能抓住泛化性的本质吗？或者说，能否在数学上找到一个定理，直接从表征逻辑复杂度本身就给出一个对模型泛化性的先验的判断呢？
AI输出陷入"无效对话"困境？其实是你不懂提问的艺术。从指令颗粒度拆解到思维链编织，本文揭示精准提问如何唤醒AI潜能——与其焦虑技术颠覆，不如掌握这套数字化时代的元能力，让语言真正成为撬动生产力的支点。文章来自编译。
刚刚，鹅厂开源“自定义”视频生成模型HunyuanCustom。