大模型后训练的痛点：均值优化忽略低概率高信息路径，导致推理能力停滞。RiskPO双管齐下，MVaR目标函数推导梯度估计，多问题捆绑转化反馈，实验中Geo3K准确率54.5%，LiveCodeBench Pass@1提升1%，泛化能力强悍。
昨天晚上闲着没事,想在 DeepSeek 搜一下 AI 博主有哪些可以学习的。 结果没想到,搜索结果里竟然出现了我自己。 内心 OS:祖坟冒青烟了,妈妈我出息了,我被 AI 认证了,以后简历可以写被
近年来，NeRF、SDF 与 3D Gaussian Splatting 等方法大放异彩，让 AI 能从图像中恢复出三维世界。但随着相关技术路线的发展与完善，瓶颈问题也随之浮现：
今年滴滴悄悄上线了一个 AI 图寻产品「在哪儿问问」，目前产品体验仅有微信小程序端。不同于 GeoGuessr 的娱乐性，它更偏向实用的工具属性：拍一张，就能知道在哪儿；想去哪里，AI 马上帮你找。
随着多模态大语言模型（MLLMs）在视觉问答、图像描述等任务中的广泛应用，其推理能力尤其是数学几何问题的解决能力，逐渐成为研究热点。 然而，现有方法大多依赖模板生成图像 - 文本对，泛化能力有限，且视
TwinMind的创始人Daniel George在JPMorgan工作时深深体验了这种痛点，当时他每天要参加无数个会议，于是他开发了一个脚本来录制音频、转录文本，并输入到ChatGPT中。神奇的事情发生了，随着时间的推移，ChatGPT开始真正理解他的项目，甚至能生成可用的代码。
今天吃到一个科技圈的瓜，主角是 77 岁的 AI 教父 Geoffrey Hinton，诺贝尔奖图灵奖得主。
用模型学习模型，为企业主生产更容易被AI推荐的营销内容。
近日，「AI教父」Geoffrey Hinton在一次采访中再发预警：「杀手机器人」「无人机」等致命自主武器的兴起，正在让战争变得更易发动。Hinton认为OpenAI、Anthropic等许多AI公司在AI安全方面做得都不够。他还谈到了贪婪、自负等人性弱点，对AI研究可能带来的潜在风险。
说个热知识，现在的大模型，也可以轻松被投广告了。 我们之前也确实发现过这类现象，当时是在研究一家做 GEO（生成式引擎优化）的公司。通过在网上堆出大量正面内容，把某个特定品牌、网站、课程甚至微商产品，默默地塞进了大模型推荐结果里。
