每日AI

每日新闻

畅读AI学术论文，聚焦前沿趋势，普及人工智能

Play

Open in

87 episodes
daily
Avg 20 min
Chinese

Episodes 87

Newest Oldest Longest

All20 Unplayed20 In progress0 Played0

Counted on this page — what you have heard stays on this device, so it is not something the list can be paged by.

Yesterday · 19 min
ARIS：对抗性多智能体自主科学研究架构用AI抓AI科研造假
ARIS（通过对抗性多智能体协作实现的自主研究）这一开源机器学习研究框架，其核心旨在应对单智能体长期研究中容易出现的“貌似合理且无支持的成功”这一潜在风险。该系统主要通过三层架构来实现全面管控，包括包含六十多个可复用 Markdown 技能与研究维基的执行层、协调五项端到端工作流的orchestration（编排）层，以及通过多阶段证据审查与科学编辑保证研究完整性的保障层。此外，ARIS 默认采用异构模型协作模式，即由来自不同模型家族的生成器与评审器进行对抗性互评，并辅以跨会话的持久化记忆和元优化循环，从而在确保学术诚信的同时推动全自动化的科研流程。
Thursday · 18 min
Iris-3B：像素空间扩散模型的预训练、转换与微调纯像素AI细节翻车
本文探讨了像素空间扩散模型在文本生成图像及下游密集预测任务中的应用。研究团队从头预训练了名为Iris-3B的30亿参数像素空间模型，并通过实验发现其性能可与主流潜在空间模型相媲美。此外，文章还介绍了将预训练潜在模型转换为像素空间的方法，以及优化输入接口的关键策略。通过在单目深度估计和图像恢复超分辨率任务上的微调测试，结果表明像素空间模型并未带来显著的性能提升，反而暴露出轻微的区块伪影。最后，作者开源了该模型的权重与训练代码，为未来深入研究像素空间生成技术奠定了基础。
Wednesday · 24 min
SuperNav：具身智能多模态大语言模型导航系统
SuperNav 提出了一种创新型的导航框架，通过为预训练的多模态大语言模型（MLLM）配备专用的代理 harness，使其无需进行特定的导航微调即可处理多样化的环境和人类请求。该系统将语义决策与物理执行相分离，利用导航技能、代理导向工具以及统一的视觉点界面来维持长期的任务规划、场景理解和进度管理。实验表明，该方法在各类室内导航基准测试及真实四足机器人部署中均表现出卓越的性能和强大的跨环境泛化能力。
Tuesday · 24 min
Microsoft - O-Voxel：全向体素三维生成与重建三秒生成原生3D模型
研究提出了一种全新的全向体素结构，称为 O-Voxel，专门用于高效捕获复杂的 3D 几何形状与物理材质。通过结合灵活的双网格系统与稀疏压缩变分自编码器（SC-VAE），该方法能够实现网格与体素之间的即时双向转换，同时保证极高的空间压缩率和卓越的重建保真度。在此基础之上，研究团队训练了包含 40亿参数的大型流匹配生成模型，实现了高分辨率 3D 资产的高效生成。该技术显著超越了现有的隐式场和传统的 3D 生成方法，能够完美处理开放、非流形以及全封闭等任意拓扑结构。
Monday · 19 min
MinerU2.5：高分辨率文档解析模型 12亿AI击败720亿巨头
MinerU2.5，这是一种拥有 1.2B 参数的高效视觉语言模型，旨在解决高分辨率文档解析中的计算冗余和幻觉问题。该模型采用两阶段解析策略，首先通过下采样图像进行全局布局分析，随后利用布局结果对原始高分辨率图像的局部区域进行精确的内容识别。结合定制的数据引擎和迭代挖掘策略（IMIC），MinerU2.5 在文本、表格和数学公式识别等多个公开基准测试中展现出卓越的准确性。同时，通过优化推理管道和部署架构，该模型在保持极低计算开销的同时实现了行业领先的端到端吞吐量。
November 6 · 22 min
Kandinsky 6.0 Video: 用于同步生成视频与音频的基础模型
Kandinsky 6.0 Video 是一个用于同步视频和音频生成的基础扩散模型系列，提供不同参数规模的 Lite (3B) 和 Pro (29B) 版本。该模型通过采用双流 CrossDiT 架构，能够利用双向交叉注意力机制实现时间与语义上的对齐，并支持文本到音视频 (T2AV) 以及图像到音视频 (I2AV) 的生成模式。为了提升模型的整体质量与实用性，其训练流程涵盖了持续预训练、监督微调、基于强化学习的后训练以及蒸馏阶段。此外，该系统还集成了超分辨率模型，能够将生成的短片画质提升至 Full-HD 分辨率。该项目已在开源社区发布了相关的代码、模型权重以及集成工具，旨在推动多媒体生成技术的公开研究。
November 5 · 21 min
AgentGarten：演化智能体的代码世界 AI写攻略十轮学会捉迷藏
AgentGarten 是一个旨在构建代码世界（CodeWorlds）的创新框架，它通过将可编程的模拟器引擎与共享的神经渲染器相结合，实现了兼具严谨物理规则与真实视觉外观的实时交互环境。该框架的核心是对抗强迫（Adversarial Forcing）蒸馏方法，通过精准回放与对抗性监督，使预训练的视频模型能够在单张 GPU 上高效运作，并支持通过精确的几何条件生成连续的视觉观察。在这个平台中，智能体能够完全依靠视觉反馈进行实时探索，通过在多轮交互中归纳并继承行动剧本来实现策略的不断演化。与传统的强化学习方法相比，AgentGarten 显著提升了学习效率，使智能体仅需极少数轮次的实践便能掌握复杂的物理任务。此外，该系统支持完全用代码编写或由图像生成的多样化场景，为具身智能的可扩展发展提供了强大的虚拟实践基地。
November 4 · 18 min
OneStreamer：流媒体视频交互中的感知与记忆统一用字幕记住视频的AI
OneStreamer 是一个专为流式视频交互设计的开创性视觉语言模型，通过单一的因果生成过程统一了感知、记忆和主动响应。该模型引入了主动分层字幕内存（PHCM），在不牺牲实时感知的前提下，将观察到的视频片段转化为有时空依据的局部细节字幕和事件摘要，从而提供可复用的事实背景。为了解决状态监督中的不平衡问题，模型采用了主动状态转换学习（PSTL），在保留所有输出锚点的同时筛选出最具代表性的状态转换与持续位置。此外，通过构建名为 OneStreamer-1M 的大规模流式视频交互数据集，该系统在八个主流流式视频理解基准测试中均取得了最先进的卓越性能。这些核心设计与合成管线共同证明了主动生成机制能够有效连接视觉感知、长期记忆与及时响应。
November 3 · 17 min
NVIDIA - PixelUMM：像素统一多模态模型纯像素统一AI理解与生成
PixelUMM 是一种新型的无编码器统一多模态模型，能够在像素空间直接处理图像和视频的理解与生成任务。该模型通过空间补丁和时空管块连接原始像素与共享的多模态骨干网络，从而避开了传统方法中复杂且占用大量显存的视觉编码器或变分自编码器。其核心采用Transformer混合架构，将共享的注意力机制与针对不同任务的独立参数相结合，并使用广义因果注意力模式和像素级流匹配进行联合训练。实验证明，该框架在各项图像及视频处理任务中均取得了极具竞争力的性能，为未来的像素级统一多模态系统设计提供了重要参考。
November 2 · 15 min
Microsoft - SkillOpt：智能体技能自我演进的文本空间优化方法不改权重的纯文本AI训练
SkillOpt 是一种专为语言模型代理设计的可控文本空间优化器，它通过将外部技能文档视为可训练状态，突破了传统手工编写或无约束自修正的局限。该系统利用前沿的优化模型将运行轨迹转化为有界限的增删改编辑，并通过保留机制与验证门控来确保每一次更新都能严格提升在留出验证集上的表现。整个优化流程支持动态学习率调度、被拒编辑缓冲区及周期性的慢速元更新，从而在不调整模型权重的情况下，实现了稳定且高效的领域适应。实验表明，该方法在各类基准测试、目标模型和执行环境中均取得了领先效果，并且优化的技能成果能够很好地跨模型、跨环境和跨任务进行迁移复用。
October 30 · 12 min
FrameMorrow：前瞻引导的长序列视频生成帧选择预测未来需求终结AI视频失忆
FRAMEMORROW 是一种专为长周期视频生成与交互式世界模型设计的前瞻性帧选择方法。该方法通过预测一组小型前瞻性标记来捕捉未来的信息需求，从而取代传统的仅依赖当前内容的检索方式。通过在训练阶段引入基于未来真实内容的排名蒸馏技术，该系统能够精准挑选出真正对未来生成有价值的显式历史帧。作为一种即插即用的轻量级模块，它无需修改生成器内部状态，便可广泛适配各类开源及闭源生成模型。广泛的实验结果表明，该技术在提升视频的长程一致性、视觉质量以及动作对齐度方面表现卓越。
October 29 · 15 min
YuE2：统一符号与音频的音乐生成模型能改乐谱的AI音乐
YuE2 是一个先进的音乐生成大模型，通过符号规划（Symbolic Planning）技术，将符号化音乐创作与音频生成有机结合。该系统能够先创作包含旋律、和弦等要素的可读乐谱，随后将其转化为语义标记并生成高质量的48kHz立体声音频。为了支持该训练过程，研究人员开发了 MERT2 和 SheetSage2，分别用于提供语义特征监督和全曲乐谱转录，在多项基准测试中创下新纪录。评测结果表明，YuE2 在整体音乐质量、旋律表现以及听感上均具备极高的水准，甚至在部分指标上能够与目前领先的专有商业音乐生成系统相媲美。此外，该统一模型还原生支持乐谱编辑、零样本翻唱以及由外部语言模型驱动的智能音乐修改，展现出强大的可控性与应用潜力。
October 28 · 12 min
VisionHOPE：视觉主干网自修正学习系统自我修改的视觉AI
VisionHOPE，这是首个作为自修改学习系统构建的通用视觉骨干网络。该系统通过五种耦合记忆在图像扫描过程中协同演化存储内容与学习规则，并在计算规模上与视觉标记数量保持线性扩展。为了解决视觉骨干网络中无约束自修改更新带来的训练不稳定问题，研究人员推导了一种稳定性匹配的步长控制方案。该方案结合了自适应注入的软上限（soft cap）与保留记忆转换的谱夹具（spectral clamp），在数学上保证了记忆动态在每次扫描中的非扩张性。通过将该机制适配到四方向扫描并在图像网格上进行二维特征映射，VisionHOPE 在 ImageNet-1K、COCO 和 ADE20K 等基准测试中均展现出具有竞争力的卓越性能。
October 27 · 20 min
Meta - 上下文语言模型：自主语境管理 AI学会自己编辑上下文
上下文语言模型（CLMs）这一创新架构，它允许大语言模型通过将上下文视为一个可自由编辑的文件来自主管理上下文，从而打破了传统仅支持追加的限制。与依赖外部控制或固定策略的传统方法不同，CLMs 赋予了模型在多智能体系统、长周期任务以及代码编写中进行自适应编辑、压缩和检索的完全自主权。研究表明，无论是零样本应用、通过自然语言指令和文本进化进行上下文学习，还是采用成功引导效率优势的在线强化学习，CLMs 均能以更少的计算开销显著提升模型性能。此外，配合新颖的**后缀缓存复用（SCR）**技术，该系统在保证任务精度的同时，进一步大幅削减了服务器端推理所需的计算资源。
October 26 · 24 min
NVIDIA - Lyra：视频扩散模型的生成式3D场景重建单图重构3D物理世界
Lyra 框架，这是一种无需真实世界多视角数据即可直接从单张图像或视频中生成高质量静态和动态 3D场景的创新方法。通过采用独特的自蒸馏技术，该研究将强大的视频扩散模型转化为“教师”角色，从而有效监督并训练一个能输出显式 3D高斯喷洒（3DGS）的“学生”解码器。这一方法不仅在压缩的潜在空间中高效处理多视角信息，还极大地消除了对昂贵多视角训练集的依赖。实验结果表明，该框架在单图3D和单视频4D场景生成任务中均达到了业界领先的性能水平。
October 23 · 19 min
Princeton等：跨拓扑骨骼动画的统一生成模型文本驱动任意3D骨骼动画
为了解决现有动作生成模型受限于特定骨骼拓扑结构或需要繁琐测试时优化的难题，研究人员开发了 UniMate 这一统一的动画基础模型。该模型能够仅凭带骨骼的3D资产和文本提示，为任意骨骼拓扑结构直接合成流畅自然的动作。为了支持跨拓扑的有效训练，团队构建了包含超过一万三千条动作序列的 UniML3D 数据集，涵盖了从生物到机器人的多样化形态。此外，UniMate 核心引入了拓扑感知扩散变压器（TADiT），通过图感知注意力偏置、Spec-RoPE 谱旋转位置编码以及全局拓扑调节器，完美实现了骨骼结构与动态动作的联合推理。在无需重新训练或微调的情况下，该模型不仅在生成质量上超越了现有方法，还零样本支持了动作迁移、补帧、扩展以及文本驱动编辑等多种下游任务。
October 22 · 22 min
Raven：可组合智能的智能体框架生态系统干掉AI群聊
Raven 的开源多智能体生态系统，旨在通过构建、演化和组合专门的模型-构件对来解决复杂的跨领域任务。该系统利用 Host Agent 动态分解目标、编排有向无环图（DAG）执行任务，并通过持续的经验记忆和 Skill Forge 实现跨会话的技能复用。文章从理论上推导了多智能体协作在资源预算内扩展可靠任务覆盖范围的条件，并引入了多智能体编排基准（MAOB）来评估其在规划、研究、编码、设计及运维等领域的卓越性能。
October 21 · 20 min
Tencent - GameHorizon：多时空维度的AAA游戏数据与评估基准 4亿次按键教AI打3A大作
GameHorizon Suite 是一个专为评估人工智能在AAA级视频游戏中表现而设计的统一数据与评估套件。该系统主要由三部分组成：能够自动生成多层级自然语言指令的 GameHorizon-Annotator、包含由人类专家录制的 5000 小时视频及对齐动作的 GameHorizon-Data，以及结合离线多项选择题和在线逐步测试的 GameHorizon-Bench。通过对 47 个模型进行超过一百万次的调用测试，该研究揭示了不同任务的难度层级和模型能力的显著差异。研究发现，在视觉输入中引入文本指令能够显著提升模型的动作感知和未来行动规划能力。这一框架不仅为跨模态和跨模型评估提供了标准化的标尺，也为未来游戏智能体的发展奠定了基础。
October 20 · 21 min
Tencent - WorldCrafter：基于隐式三维感知存储的视频世界模型治愈AI金鱼记忆
WorldCrafter 是一种创新的视频世界模型，能够通过单张图像或文本提示支持实时交互式场景探索。该系统引入了一种隐式 3D 感知记忆机制，利用特殊的记忆编码器将历史视频帧和摄像机姿态压缩为紧凑的表示，从而在长视野探索中保持极高的视觉一致性。此外，结合姿态引导的记忆读取与快速金字塔蒸馏技术，该模型在保证精确的摄像机控制和场景结构还原的同时，实现了流畅的流式生成。实验表明，该方法在重访一致性和摄像机控制精度方面均显著优于现有的同类模型。
October 19 · 15 min
浙大 - Spatial-Interactor：通过物理交互学习空间推理 AI如何建立物理世界的时空感
Spatial-Interactor 的创新视觉语言模型（VLM）框架，旨在通过与物理世界的交互来增强模型的空间推理能力。为了解决现有模型在长序列环境和动态状态变化中容易迷失的问题，研究团队设计了一个涵盖被动世界状态、主动自我状态及长视野交互轨迹的三阶段渐进课程，并构建了包含108K条验证性问答对的 LSI-108K数据集。该方法通过两阶段训练策略，结合监督微调与策略上蒸馏（OPD），有效提升了模型在局部状态建模和长视野轨迹整合方面的表现。多项基准测试结果表明，该框架在显著改善视觉语言模型的空间推理能力方面具有广泛的通用性和出色的性能。

Showing 1–20 of 87 episodes