从0到1跑通AI爽剧：超高质量短剧制作全流程SOP直接拿走！【建议收藏】
从0到1跑通AI爽剧：超高质量短剧制作全流程SOP直接拿走！【建议收藏】大家好，我是最近疯狂研究短剧的袋鼠帝 最近的AI漫剧发展的是真快啊，各种爽文小说改编的AI漫剧播放量甚至已经超过了某些电影和电视剧。
来自主题: AI技术研报
10025 点击 2026-06-24 16:05
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
大家好，我是最近疯狂研究短剧的袋鼠帝 最近的AI漫剧发展的是真快啊，各种爽文小说改编的AI漫剧播放量甚至已经超过了某些电影和电视剧。
近日清华大学于IEEE TPAMI发表论文，探讨了真机强化学习的安全性保障问题，提出了一套「安全探索均衡」新型机制，揭示了安全探索的理论最大边界，并攻克了其收敛性证明难题。
大模型推理能力越来越强，但答案对了，思考过程就一定好吗？
依赖于有限机器人数据和大量人类数据，也能让 VLA 模型更稳健吗？
刚刚，在维也纳落幕的机器人顶会ICRA 2026上，最佳论文奖（自动化方向）颁给了一支中国团队。
Google DeepMind在6月份对外分享了DiffusionGemma的技术报告，明确指向了一条与现有主流完全不同的演进道路。当大家都在绞尽脑汁让大模型逐词吐字的速度变快时，谷歌干脆把生成顺序改了。
这两天在赶工，鞭策 Codex 赶紧把 AGI Bar 的小程序弄出来，已经连续蹬了 80+ 小时了，预估再蹬 20 个小时就能蹬完
做科研的人应该都懂，论文配图真的很耗时间。
这篇文章有 530 万浏览。我想先弄明白:为什么是它?
近年来，个性化语言模型迅速普及。 从 ChatGPT、Claude 到各类垂直 agent，用户 “长期记忆” 功能也逐渐成为标配，它们被广泛部署在推荐系统、客户服务、情感陪伴等场景中。
机器人模型已经能根据“把杯子放进篮子”这类指令完成任务，但用哪只手？
今天给大家分享一个我最近经常刷的灵感外挂。
做了一年 Agent 基础设施，踩了无数坑，我终于想明白了一件事：好的 Agent 架构不是把所有功能塞进一个进程，而是让每一层都能独立演化。
当 AI 智能体真正开始干活，它的每一次请求，都要经过一个你看不见的「中间人」。
数据库自动调参，一直是大模型Agent的“看似完美、实则翻车”名场面。
就在所有人还在为Claude Fable 5的突然消失而懵圈时，Sakana AI却高调宣布：我们的Fugu比肩Fable，还不怕出口管制。
文本生成图像的领域早已经是一片红海，看上去已经卷无可卷了。
扩散模型生成得越来越好，但也越来越慢。
在机器人、自动驾驶、AR等真实场景中，空间理解从来都不是“看一眼图像”就能解决的问题。
AI Agent 正在重塑软件开发。写代码、修 bug，它的能力肉眼可见地往上涨。但软件开发，从来不止 "写代码" 这一件事。装环境、配依赖、部署服务、编排容器、管理云资源、处理安全策略，这些 "让软件活起来" 的脏活累活，才是真实开发的大头。而它们，几乎都发生在同一个地方：终端。
NANO滤波器是一种新的非线性贝叶斯状态估计方法，它不依赖线性化模型，而是将预测和更新步骤转化为优化问题。这种方法在高斯分布空间中使用自然梯度，更精确地逼近最优后验，同时利用Stein引理避免显式求导，提升鲁棒性。
深度长文分析！对AI原生游戏的探索！超长文章超多古法手搓！！
就在最近，OpenAI扔出一篇重磅论文。他们发现，只教AI好好看病，它写代码居然也不作弊了。方法简单到离谱：拿5%的训练数据，教模型在回答健康问题时诚实、谨慎、知错能改。
OpenAI 的 tevfik 写了篇关于 loop engineering 的文章,开头那句我读完顿了一下。他说,他和 coding agent 协作,到现在大多还是同一个流程:我解释一个任务,等结果,审一遍,再发下一条指令。代码是 agent 写的,但我在后台还干着另一份活——我记着发生了什么、决定下一步做什么、判断这事到底完成没。
斯坦福胡佛研究所追踪了 DeepSeek 七篇论文背后 356 名研究者的完整职业轨迹。美国培养出的最优秀 AI 人才正在大规模回流中国，而中国本土管道已经能独立产出前沿模型的核心贡献者。
近年来，大语言模型（LLMs）在长篇视觉叙事中展现出卓越潜力，生产方式正迅速从单一模型生成转向面向生产的智能体系统。但长视频剪辑仍然是一个极难控制的长期任务。模型有时会在缺乏素材依据的情况下强行生成，甚至在面对明显断档的转场或人物不一致时依然“盲目拼接”。
我们相信，常驻型 (always-on) AI 助理的下一次飞跃，不在于把某一个模型单点调得更聪明，而在于扩展智能体的上下文 (Scaling Agent Context)—— 不断拓宽助理能够持续 "感知 — 推理 — 执行" 的范围，作为生活连接器连接用户的信息孤岛，直到它能接管用户的整个数字世界。
来自西湖大学和香港中文大学（深圳）的团队沿着这一思路提出 Drifting Preference Optimization（DrPO），把漂移场用于单步文生图模型的偏好后训练。在 DrPO 中，奖励只负责对候选图像排序，不参与反向传播。具体而言，针对同一个文本提示词，当前模型生成一组候选图像。高分样本在特征空间中产生吸引，低分样本产生排斥，并结合参考模型约束给出模型的更新方向。
如今，CameraSquad 的出现，让这种多视角一致的视频生成与 3D 世界状态构建成为现实。近日，中国科学院大学高林研究员团队联合卡迪夫大学、香港科技大学和快手可灵团队，提出了一种面向多轨迹并行生成的相机可控视频生成方法 CameraSquad [1]，相关论文已被 ACM SIGGRAPH 2026 录用。