开源新王炸！10B多模态小模型屠榜，性能媲美20倍巨无霸
开源新王炸！10B多模态小模型屠榜，性能媲美20倍巨无霸10B参数拥有媲美千亿级模型的多模态推理实力。
来自主题: AI技术研报
7037 点击 2026-01-21 12:02
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
10B参数拥有媲美千亿级模型的多模态推理实力。
AI变聪明的真相居然是正在“脑内群聊”？！
不知道有多少人曾为了让数据图表既“好看”又“好懂”，而在设计软件与代码编辑器之间反复横跳，熬到“头秃”。
不讲武德！游戏圈这回真是被AI抄家了。（doge）
刚刚，𝕏 平台（原 Twitter 平台）公布了全新的开源消息：已将全新的推荐算法开源，该算法由与 xAI 的 Grok 模型相同的 Transformer 架构驱动。
“全局交互” 几乎等同于 self-attention：每个 token 都能和所有 token 对话，效果强，但代价也直观 —— 复杂度随 token 数平方增长，分辨率一高就吃不消。现有方法大多从 “相似度匹配” 出发（attention），或从 “扩散 / 传导” 出发（热方程类方法）。但热方程本质上是一个强低通滤波器：随着传播时间增加，高频细节（边缘、纹理）会迅速消失，导致特征过平滑。
如果你最近关注了 GitHub，可能会注意到一个有趣的现象： YOLO 的版本号，直接从 11 跳到了 26。
大语言模型的爆发，让大家见证了 Scaling Law 的威力：只要数据够多、算力够猛，智能似乎就会自动涌现。但在机器人领域，这个公式似乎失效了。
不要被AI的温柔表象欺骗！ Anthropic最新研究刺穿了AGI的温情假象：你以为在和良师益友倾诉，其实是在悬崖边给「杀手」松绑。 当脆弱情感遇上激活值坍塌，RLHF防御层将瞬间溃缩。既然无法教化野兽，人类只能选择最冷酷的「赛博脑叶切除术」。
上下文分割（In-Context Segmentation）旨在通过参考示例指导模型实现对特定目标的自动化分割。尽管 SAM 凭借卓越的零样本泛化能力为此提供了强大的基础，但将其应用于此仍受限于提示（如点或框）构建，这样的需求不仅制约了批量推理的自动化效率，更使得模型在处理复杂的连续视频时，难以维持时空一致性。
最新综述首次系统探讨LLM控制机器人的安全威胁、防御机制与未来挑战，指出LLM的具身鸿沟导致其在物理空间可能执行危险动作，而现有防御体系存在逻辑与物理脱节等问题。
元旦期间，DeepSeek 发布的 mHC 震撼了整个 AI 社区。
AI证明数学猜想，这次来真的了。
你可以卖自己的 Skills 了。
想象这样一个日常画面：你吩咐家用机器人「烧壶开水」，它却当场卡壳——水壶在哪？该接自来水还是过滤水？先插电还是先按开关？水开了又该如何判断？这些对人类而言像呼吸一样自然的家务，对过去的机器人却是大大的难题：要么忘了插电，要么找不到水壶，甚至会把柜门把手错当成开关一通乱按。
无需真实奖励，哪怕用随机、错误的信号进行训练，大模型准确率也能大幅提升？
让大模型轻松处理比自身上下文窗口长两个数量级的超长文本！
ICLR 2026 的 Rebuttal 结束了。当 OpenReview 上的喧嚣散去，我们发现，作者与审稿人之间漫长的拉锯战，最终往往只剩下一个核心分歧：「这个想法，以前真的没人做过吗？」
当你在电商平台搜索“苹果”，系统会推荐“水果”还是“手机”？或者直接跳到某个品牌旗舰店？短短一个词，背后承载了完全不同的购买意图。而推荐是否精准，直接影响用户的搜索体验，也影响平台的转化效率。
视觉模型用于工业“缺陷检测”等领域已经相对成熟，但当前普遍使用的传统模型在训练时对数据要求较高，需要大量的经过精细标注的数据才能训练出理想效果。
近日，清华大学与星尘智能、港大、MIT 联合提出基于对比学习的隐空间动作预训练（Contrastive Latent Action Pretraining, CLAP）框架。这个框架能够将视频中提纯的运动空间与机器人的动作空间进行对齐，也就是说，机器人能够直接从视频中学习技能！
2025年，风光无限的机器人们在Demo中大秀绝活，从叠衣服、工厂和物流站分拣包裹，到零售店卖货……它们忙碌的身影存在于各种各样的场景中。但回到现实世界，具身智能真正参与的生活和生产环节，却少之又少。
在日常工作和学习中，笔记管理一直是个让人头疼的问题。传统的笔记工具要么功能单一，要么需要手动绘制各种图表和整理格式。特别是当我们需要制作知识结构图、思维导图或者将内容转化为不同风格的笔记时，往往需要花费大量时间和精力。
3D模型的实例分割一直受限于稀缺的训练数据与高昂的标注成本，训练效果有待提升。
视频世界模型领域又迎来了新的突破！
北邮最新综述探讨了文生图扩散模型的可控生成技术，总结了在文本条件之外引入新条件信号的方法，从任务和方法两个层面梳理了可控生成技术。
随着大模型步入规模化应用深水区，日益高昂的推理成本与延迟已成为掣肘产业落地的核心瓶颈。在 “降本增效” 的行业共识下，从量化、剪枝到模型蒸馏，各类压缩技术竞相涌现，但往往难以兼顾性能损耗与通用性。
在家庭厨房自主使用洗碗机，在办公室边移动边擦拭白板——这些人类习以为常的场景，对人形机器人来说，却是需要调动全身关节协同运作才能完成的“高难度挑战”。
来自 Player2 的研究员们提出了 Pixel2Play（P2P）模型，该模型以游戏画面和文本指令作为输入，直接输出对应的键盘与鼠标操作信号。在消费级显卡 RTX 5090 上，P2P 可以实现超过 20Hz 的端到端推理速度，从而能够真正像人类一样和游戏进行实时交互。P2P 作为通用游戏基座模型，在超过 40 款游戏、总计 8300 + 小时的游戏数据上进行了训练，
简单到难以置信！近日，Google Research一项新研究发现：想让大模型在不启用推理设置时更准确，只需要把问题复制粘贴再说一遍，就能把准确率从21.33%提升到97.33%！