搜索
过去几年，扩散模型几乎定义了高质量图像生成：从随机噪声出发，经过多轮迭代，逐步 “雕刻” 出一张图像。但随着大语言模型席卷人工智能领域，另一条路线正迅速走到舞台中央 —— 图像，能否也像语言一样，通过自回归方式逐步生成？
不教AI认手,而是从视频世界模型里直接「读」出双手:三大基准SOTA,让百万小时野生视频第一次能变成机器人的操作教材。
奖励模型（Reward Model, RM）是大语言模型对齐的核心组件，负责为模型输出提供符合人类偏好的评价信号。现有方法各有短板：标量判别式 RM 高效稳定但可解释性有限；生成式 judge 能给出判断理由，却需为每个样本生成长 reasoning，token 与延迟开销显著。
近期，围绕「世界模型」的讨论持续升温。机器人、自动驾驶、视频生成、具身智能等多个方向都在频繁使用这一概念，相关系统不断出现，演示形式日益丰富，评价指标也越来越多。伴随这一趋势，一个基础问题变得格外重要：当一个模型被称为「世界模型」时，人们究竟在评价什么？
在过去二三十年的互联网发展中，个性化推荐几乎一直是平台的核心能力之一。打开视频 app，平台决定你接下来会刷到什么视频；打开购物软件，平台预测你可能会购买什么商品；打开短视频 app，平台根据你的浏览、点赞、停留和互动，不断优化信息流。某种意义上，现代互联网的用户体验本身就是由推荐系统塑造的。
人类可以在一生中持续学习新知识，而不会轻易遗忘已有技能。然而对 AI 模型而言，这恰恰是一道极具挑战性的难题：每当模型学习新任务时，参数更新往往会覆盖历史知识，产生经典的 “灾难性遗忘” 难题。持续学习（Continual Learning）正是为突破这一瓶颈而生的研究方向。
2026年，AI安全终于被推到了台前。
近期，美国俄勒冈州立大学研发出一种新型成像传感器，不仅可在探测光线的同时进行图像存储（近期光照信息），还能实现信息的按需“遗忘”。
为了打破多镜头长视频面临的高延迟、零交互困境，香港中文大学与快手可灵团队联合提出了首个实时流式多镜头长视频生成框架 ——ShotStream。该研究打破了传统双向架构的限制，将多镜头合成定义为基于历史上下文的下一镜头生成任务，用户可以通过动态流式提示词在运行时动态指导叙事走向！更令人振奋的是
GraphPlanner通过引入图记忆网络，将多智能体LLM的路由过程升级为动态工作流生成。不仅选择调用哪个模型，还决定每个模型应承担的角色，实现任务分解与协作规划。