传统预训练正走向终结，推理优化与后训练提升有限，大模型今后如何突破发展瓶颈？
传统预训练正走向终结，推理优化与后训练提升有限，大模型今后如何突破发展瓶颈？高质量数据枯竭，传统预训练走向终点，大模型如何突破瓶颈？
来自主题: AI技术研报
5601 点击 2025-04-12 13:42
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
高质量数据枯竭，传统预训练走向终点，大模型如何突破瓶颈？
大家还记得那个 ICLR 2025 首次满分接收、彻底颠覆静态图像光照编辑的工作 IC-Light 吗？
在现实世界中，如何让智能体理解并挖掘 3D 场景中可交互的部位（Affordance）对于机器人操作与人机交互至关重要。所谓 3D Affordance Learning，就是希望模型能够根据视觉和语言线索，自动推理出物体可供哪些操作、以及可交互区域的空间位置，从而为机器人或人工智能系统提供对物体潜在操作方式的理解。
港中文、清华等高校提出SICOG框架，通过预训练、推理优化和后训练协同，引入自生成数据闭环和结构化感知推理机制，实现模型自我进化，为大模型发展提供新思路。
北京大学陈宝权教授团队提出RainyGS技术，通过结合物理模拟和3D高斯泼溅渲染框架，实现了真实场景中动态雨效的高质量仿真与呈现，真正实现「从真实到真实」，或者「以仿真乱真」，即Real2Sim2Real ！相比现有的视频编辑工具（如 Runway），其物理真实性获得保证。
无监督学习训练整数规划求解器的新范式来了。
AI 圈永远不缺「新活」。
GPT-4o图像生成架构被“破解”了！
随着 VR/AR、游戏娱乐、自动驾驶等领域对 3D 场景生成的需求不断攀升，从稀疏视角重建 3D 场景已成为一大热点课题。
本篇论文是由南洋理工大学 S-Lab 与普渡大学提出的无分类引导新范式，支持所有 Flow Matching 的生成模型。目前已被集成至 Diffusers 与 ComfyUI。