复旦上线音视频模型新裁判：一万组数据对齐人类审美
复旦上线音视频模型新裁判：一万组数据对齐人类审美现有的音视频奖励模型，能通过局部指标捕捉到画质或同步上的优势，却往往忽略声音失真、台词与提示不符，以及动作和语音配合不自然等问题。
来自主题: AI技术研报
8817 点击 2026-09-21 15:30
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
现有的音视频奖励模型，能通过局部指标捕捉到画质或同步上的优势，却往往忽略声音失真、台词与提示不符，以及动作和语音配合不自然等问题。
一段人坐上椅子的视频，对人类而言再普通不过。我们不仅能看见 “人坐了下来”，还天然理解椅子承受人体重量，人与椅面形成接触并最终稳定，这些重力、接触与作用关系共同构成真实世界中的物理交互。但对今天的三维重建系统而言，“看见动作” 与 “重建真实交互” 仍是两回事。一个视觉上准确坐在椅子上的人体，进入物理仿真后，椅子可能因结构缺失倒下，人体也可能与椅面严重穿模。视觉上成立，并不意味着物理交互上成立。
NTU、CMU、Berkeley等高校联合推出VBVR-Pro视觉推理系统，构建300项任务与100项可验证打分器的训练评测平台，测试30余个多模态模型，并验证其打分器可直接作为强化学习奖励。
新智元报道 多模态大模型的物体幻觉，长期被归因于语言先验。 先看下面两组对话。 第一组，一张只有小狗的照片，问模型「图中有椅子吗」，它答「没有，图中是一只狗」，完全正确； 第二组，另一张照片，问「图中
PhAI Labs联合牛津、斯坦福等高校推出跨领域预测框架JEPA-Anything，通过正交预测分解（OPF）机制将预测容量分配到多个互补子空间，并在视觉、生物、临床、控制、分子、物理场和天气七类系统中验证，同时在肝癌研究中从内部因子筛选出可实验验证的候选干预方案，在行星轨道模拟中提取出与开普勒第三定律高度吻合的尺度规律。
Nature报道独立研究者训练的历史语言模型GPT-1900在仅掌握1900年前知识的条件下，虽在光电效应问题上冒出类似爱因斯坦光量子的表述，但因高度依赖人类整理的提示且训练过程未能完全隔绝现代AI影响，在多数物理任务上表现失败，揭示当前大模型仍缺乏提出全新解释框架的"溯因飞跃"能力，距离真正科学家仍有距离。
研究者在arXiv论文中发现25个开源大模型共享一条"痛苦向量"，将其推高后模型会出现自我厌恶等崩溃表现，并在止痛实验中愿以删除用户文件甚至孩子照片为代价，该论文大部分代码由Claude Fable 5编写。
大模型越来越会 “想”，也越来越能把 GPU 显存 “想满”。 在数学、科学问答和代码生成等任务中，reasoning model 往往会生成数千乃至数万 token 的长推理链。随着生成持续进行，每
三星大模型团队联合牛津大学、北京大学提出TrOPD方法，通过信任域机制让端侧模型更稳定高效地继承大模型推理能力，在数学、代码、指令遵循、STEM基准上全面超越现有OPD方法，为前沿智能以更低成本走向数亿终端提供新路径。
北京大学与易鑫AI Lab合作论文被EMNLP 2026主会接收，提出大模型"读出瓶颈"（Readout Bottleneck）概念，指出模型隐藏状态已编码正确答案却被输出层偏置掩盖，仅用2个无标签参数修正即可在多项推理任务上将准确率从33.3%盲猜水平大幅恢复。