AI在线 AI在线

模型

首篇AI自写论文通过ICLR 2025同行评审！6.25高分碾压人类，AI独挑科研大梁

首篇AI自写论文通过ICLR 2025同行评审！6.25高分碾压人类，AI独挑科研大梁
首篇完全由AI生成的论文，竟通过了ICLR 2025同行评审！ 刚刚，Sakana AI正式亮相AI Scientist-v2版本，直接踢破了AI顶会的大门。 从提出科学假设、设计实验、到编写代码、运行实验、分析数据、绘制图表，再到撰写完整论文，所有环节均由AI完成。
3/13/2025 9:16:25 AM
新智元
谷歌Gemma 3上线！单GPU最强多模态手机可跑，27B完胜o3-mini

谷歌Gemma 3上线！单GPU最强多模态手机可跑，27B完胜o3-mini
谷歌Gemma 3全家桶来了！ 刚刚，在巴黎开发者日上，开源Gemma系模型正式迭代到第三代，原生支持多模态，128k上下文。 此次，Gemma 3一共开源了四种参数，1B、4B、12B和27B。
3/13/2025 9:12:35 AM
新智元
字节首次公开图像生成基模技术细节！数据处理到RLHF全流程披露

字节首次公开图像生成基模技术细节！数据处理到RLHF全流程披露
就在今天，字节豆包大模型团队在 arxiv 上发布了一篇技术报告，完整公开了文生图模型技术细节，涵盖数据处理、预训练、RLHF 在内的后训练等全流程模型构建方法，也详细披露了此前大火的文字精准渲染能力如何炼成。 报告将豆包文生图模型称为 Seedream 2.0，并明确提到，该模型于去年 12 月初上线到豆包 APP 和即梦平台。 从模型能力看，Seedream 2.0 是原生的中英双语图像生成基础模型，拥有很强的美感和文本渲染效果，与目前即梦上的文生图主力模型特性匹配。
3/12/2025 2:40:53 PM
机器之心
32B IOI奥赛击败DeepSeek-R1！Open R1开源复刻第三弹，下一步R1-Zero

32B IOI奥赛击败DeepSeek-R1！Open R1开源复刻第三弹，下一步R1-Zero
Hugging Face的Open R1再度升级！ Hugging Face的Open R1是一个社区驱动的项目，目标是创建一个完全开源的DeepSeek-R1版本。 目前，已有模型如OlympicCoder-32B和数据集如codeforces发布，显示了项目的进展。
3/12/2025 1:55:05 PM
新智元
10秒生成4分钟音乐，8GB显存就能跑！已登Hugging Face趋势榜

10秒生成4分钟音乐，8GB显存就能跑！已登Hugging Face趋势榜
音乐创作，尤其是完整歌曲的生成，一直是人工智能领域的一大挑战。 Suno、Udio等商用音乐生成大模型展现出惊人的音乐生成能力。 但现有开源的音乐生成模型要么只能生成人声或伴奏，要么依赖复杂的多阶段架构，难以扩展到长音频生成。
3/12/2025 10:41:34 AM
新智元
快慢双系统！清华&博世最新Chameleon：无需训练即可解决复杂道路拓扑（ICRA'25）

快慢双系统！清华&博世最新Chameleon：无需训练即可解决复杂道路拓扑（ICRA'25）
在自动驾驶技术中，车道拓扑提取是实现无地图导航的核心任务之一。 它要求系统不仅能检测出车道和交通元素（如交通灯、标志），还要理解它们之间的复杂关系。 例如，判断车辆是否可以左转进入某条车道，就需要综合考虑交通规则、车道布局和信号灯状态等多种因素。
3/12/2025 10:07:06 AM
自动驾驶之心
OpenAI深夜发布全新Agent工具：两大杀器登场，感觉可以手搓Manus了

OpenAI深夜发布全新Agent工具：两大杀器登场，感觉可以手搓Manus了
可以自己动手手搓Manus了？ 刚刚OpenAI举行了一个19分钟的线上发布会，推出全新Agent工具，OpenAI直接祭出自研Agent SDK和Responses API两大杀器！ 旨在彻底简化agent开发流程，让开发者和企业都能轻松构建实用又可靠的智能体！
3/12/2025 10:00:44 AM
AI寒武纪
揭示显式CoT训练机制：思维链如何增强推理泛化能力

揭示显式CoT训练机制：思维链如何增强推理泛化能力
基于逐步生成解决方案的大语言模型（LLMs）训练范式在人工智能领域获得了广泛关注，并已发展成为行业内的主流方法之一。 例如，OpenAI 在其「12 Days of OpenAI」直播系列的第二日推出了针对 O1 模型的强化微调（Reinforcement Fine-Tuning，RFT），进一步推动了 AI 定制化的发展[1]。 RFT/ReFT[2] 的一个关键组成部分是使用思维链（Chain-of-Thought，CoT）注释[3] 进行监督微调（Supervised Fine-Tuning，SFT）。
3/12/2025 9:48:19 AM
机器之心
18项任务200万视频编辑对，云天励飞联合多高校打造出大规模编辑数据集

18项任务200万视频编辑对，云天励飞联合多高校打造出大规模编辑数据集
目前的视频编辑算法主要分为两种：一种是利用 DDIM-Inversion 完成视频编辑，另一种是利用训练好的编辑模型。 然而，前者在视频的一致性和文本对齐方面存在较大缺陷；后者由于缺乏高质量的视频编辑对，难以获得理想的编辑模型。 为了解决视频编辑模型缺乏训练数据的问题，本文作者（来自香港中文大学、香港理工大学、清华大学等高校和云天励飞）提出了一个名为 Señorita-2M 的数据集。
3/12/2025 9:40:28 AM
机器之心
大模型全军覆没，中科院自动化所推出多图数学推理新基准 | CVPR 2025

大模型全军覆没，中科院自动化所推出多图数学推理新基准 | CVPR 2025
挑战多图数学推理新基准，大模型直接全军覆没？ 事情是这样的。 近日，中国科学院自动化研究所推出多图数学推理全新基准MV-MATH（该工作已被CVPR 2025录用），这是一个精心策划的多图数学推理数据集，旨在全面评估MLLM（多模态大语言模型）在多视觉场景中的数学推理能力。
3/11/2025 1:49:20 PM
量子位
阿里开源R1-Omni，DeepSeek同款RLVR首度结合全模态情感识别，网友：可解释性+多模态学习=下一代AI

阿里开源R1-Omni，DeepSeek同款RLVR首度结合全模态情感识别，网友：可解释性+多模态学习=下一代AI
首次将DeepSeek同款RLVR应用于全模态LLM，含视频的那种！ 眼睛一闭一睁，阿里通义实验室薄列峰团队又开卷了，哦是开源，R1-Omni来了。 同样在杭州，这是在搞什么「开源双feng」（狗头保命）？
3/11/2025 1:47:10 PM
量子位
武大等发布大视觉模型最新安全综述：全面分类攻击策略、防御机制和评估方法

武大等发布大视觉模型最新安全综述：全面分类攻击策略、防御机制和评估方法
随着GPT-4o与Qwen-VL等模型的视觉理解和多模态生成能力逐渐打破众人认知，大型视觉语言模型（LVLMs）正以前所未有的速度重塑AI世界，这些能够理解视觉信息并生成自然语言响应的智能系统，已在医疗诊断、自动驾驶、金融风控等关键领域崭露头角。 然而，当研究者仅用几百美元就能突破顶级模型的安全防线、简单的对抗噪声图片就能让模型输出危险内容，我们是否该感到担心？ 近期，武汉大学、中国科学技术大学和南洋理工大学的研究团队发布了一篇综述，系统性总结了LVLMs在安全性上的挑战，并提出了全面而系统的安全分类框架。
3/11/2025 1:44:24 PM
新智元
轻松拿捏高等数学，LLM平均得分90+！GPT-4o、Mistral几乎没错

轻松拿捏高等数学，LLM平均得分90+！GPT-4o、Mistral几乎没错
朋友会离开你，兄弟会背叛你。 但数学不会，数学不会就是不会。 相信学不好高等数学的人，对上面这个梗深有感悟。
3/11/2025 1:42:19 PM
新智元
OpenAI最强模型惨遭剖脑，CoT写下作弊自白书！不写代码耍心机被当场抓包

OpenAI最强模型惨遭剖脑，CoT写下作弊自白书！不写代码耍心机被当场抓包
就在刚刚，OpenAI博客放出了一项新的研究。 他们发现，前沿推理模型一旦有机会，就会试图钻漏洞！ 这种行为，被称为奖励欺骗。
3/11/2025 1:39:08 PM
新智元
使用DeepSeek的GRPO，7B模型只需强化学习就能拿下数独

使用DeepSeek的GRPO，7B模型只需强化学习就能拿下数独
没有任何冷启动数据，7B 参数模型能单纯通过强化学习学会玩数独吗？ 近日，技术博主 Hrishbh Dalal 的实践表明，这个问题的答案是肯定的。 并且他在这个过程中用到了 DeepSeek 开发的 GRPO 算法，最终他「成功在一个小型数独数据集上实现了高奖励和解答」。
3/11/2025 1:07:58 PM
机器之心
Magic Mirror：可从单个参考图像生成电影级质量身份一致性和自然运动视频

Magic Mirror：可从单个参考图像生成电影级质量身份一致性和自然运动视频
Magic Mirror 可以生成合成身份配对的视频数据。 该框架利用视频扩散模型，能够在保持身份一致性的同时，生成具有电影级质量和动态运动的视频。 Magic Mirror 根据 ID 参考图像生成文本转视频结果。
3/11/2025 10:15:00 AM
AIGC Sdudio
DPG-Bench榜首！智谱开源文生图模型CogView4：支持中英文输入和生成，免费商用授权！

DPG-Bench榜首！智谱开源文生图模型CogView4：支持中英文输入和生成，免费商用授权！
在图像生成技术的浪潮中，智谱开源再次引领潮流，推出了全新的文生图模型——CogView4。 这款模型不仅支持中英双语提示词输入，更擅长理解和遵循中文指令，让创意表达无界限。 尤为值得一提的是，CogView4开创了先河，成为首个能在画面中直接生成汉字的开源文生图模型，让文字与图像的融合更加自然流畅。
3/11/2025 10:00:00 AM
AIGC Studio
腾讯混元-TurboS：首个混合Transformer-Mamba MoE超大模型来了

腾讯混元-TurboS：首个混合Transformer-Mamba MoE超大模型来了
腾讯混元团队发布了他们最新的力作——Hunyuan-TurboS，首个混合Transformer-Mamba MoE架构的超大模型大家都知道，传统Transformer模型在处理长文本时一直面临挑战，O(N²)的复杂度以及KV-Cache问题让长文本训练和推理效率大打折扣。 而这次，混元-TurboS巧妙地融合了Mamba和Transformer两种架构的优势：• Mamba的高效长序列处理能力• Transformer强大的上下文理解能力强强联合，效果自然惊艳！ 官方数据显示，Hunyuan-TurboS在多个关键benchmark上表现出色：• 数学、推理、对齐能力超越或持平 GPT-4o-0806、DeepSeek-V3 以及各类开源模型。
3/11/2025 9:42:00 AM
AI寒武纪