搜索
清华大学MADSys实验室与趋境科技主导提出开源KTransformers-FineTune（KT-FT），让CPU直接参与MoE专家计算并优化布局与线程调度，使LoRA微调吞吐达到传统卸载范式的2.5～21.2倍。
视觉语言模型已经进入办公助手、内容审核、机器人和智能终端等场景。
大模型做 In-Context Learning（ICL，上下文学习）时，通常会先从示例库里检索若干 demonstration，再把这些示例和当前问题一起放进 prompt。
近日，清华大学电子工程系数据科学与智能实验室在 AI for Science 方向提出面向智能体符号回归（agentic symbolic regression）的运行时框架 SRHarness [1]，让 AI 更可靠地从观测数据中发现公式；同时构建机制发现基准 MechBench [2]，系统评测 AI 能否进一步揭示公式背后的机理。
一道科学问题，AI 可以给出解释，列出步骤，甚至写出分析代码。
随着前沿模型进入长链推理、工具调用、代码修复与科研任务，一个关键缺口随之显现：模型不断生成和修改候选，但“新状态是否真的更可靠”不能只由模型自己判断。
对着屏幕说一句 “向左转”，画面随即展开新的视野；调整角色的动作，场景紧接着给出反馈。多模态交互要求视觉生成跟上人的操作，而漫长的等待会打断整个体验。
阶跃星辰新出的 Step 5 Preview，我前前后后测了一圈
清华大学智能产业研究院（AIR）的一项NeurIPS 2026录用工作提出高阶动作监督，无需改动策略网络即可约束动作的一阶时序变化，并在OGBench及约1%数据的D4RL实验中提升小样本性能与动作平滑性。
好家伙，世界动作模型（WAM）赛道，中国团队直接冲到了全球第一？！