看遍奥斯卡后，VLM达到电影摄影理解新SOTA｜上海AI Lab开源
看遍奥斯卡后，VLM达到电影摄影理解新SOTA｜上海AI Lab开源当前最强大的视觉语言模型（VLMs）虽然能“看图识物”，但在理解电影方面还不够“聪明”。
来自主题: AI技术研报
9220 点击 2025-07-17 10:19
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
当前最强大的视觉语言模型（VLMs）虽然能“看图识物”，但在理解电影方面还不够“聪明”。
Agent能力每7个月翻一番！
GPT-4o、Gemini这些顶级语音模型虽然展现了惊人的共情对话能力，但它们的技术体系完全闭源。
超长上下文窗口的大模型也会经常「失忆」，「记忆」也是需要管理的。
从GPT-2到Llama 4，大模型这几年到底「胖」了多少？从百亿级密集参数到稀疏MoE架构，从闭源霸权到开源反击，Meta、OpenAI、Mistral、DeepSeek……群雄割据，谁能称王？
你好，我是杰哥。 近日，波士顿咨询公司（BCG）发布了《ai-at-work-2025-slideshow-june-2025-edit-02》，简称《AI at Work 2025》第三版报告，基于对全球 10,635 名员工的调研，深入分析了 AI 在职场中的应用现状。这份报告揭示了 AI 应用的五大关键趋势，为企业和员工提供了重要洞察。
难得难得，几大AI巨头不竞争了不抢人了，改联合一起发研究了。
剧本杀大家都玩过吗？这是一种经典的桌上角色扮演游戏（TTRPG）， 游戏中的核心人物是游戏主持人（GM）， 相当于整个世界的「导演 + 编剧 + 旁白」，负责掌控游戏环境，讲述故事背景，并扮演所有非玩家角色（NPC）。
大模型在潜空间中推理，带宽能达到普通（显式）思维链（CoT）的2700多倍？
自 Stable Diffusion、Flux 等扩散模型 (Diffusion models) 席卷图像生成领域以来，文本到图像的生成技术取得了长足进步。但它们往往只能根据精确的文字或图片提示作图，缺乏真正读懂图像与文本、在多模 态上下文中推理并创作的能力。能否让模型像人类一样真正读懂图像与文本、完成多模态推理与创作，一直是学术界和工业界关注的热门问题。
一个冒号，竟然让大模型集体翻车？
你以为你在掌控AI，其实是AI在驯化你！最新研究警告：ChatGPT正改变英语的表达方式，悄然植入自己的偏好。是时候重新审视，我们到底在表达自我，还是AI的「复读机」？
深度学习界的传奇论文，终于等来了它的“封神”时刻！
MIRIX，一个由 UCSD 和 NYU 团队主导的新系统，正在重新定义 AI 的记忆格局。
上周五（711），月之暗面蛰伏半年，憋了个大的，正式发布Kimi K2模型，总参数1T，同步开源。具体模型效果就不过多赘述了，网上已经有很多实测。
我们正经历一场前所未有的智能跃迁。人工智能带来的，远不止于技术革新，更是一场深刻重塑人类认知、教育与生存方式的范式转移。
现在几乎所有主流的代码生成工具都在用CoT。但问题来了：这些"思考步骤"真的可靠吗？来自北京航空航天大学的研究者们发现，虽然CoT提升了性能，但关于这些中间推理步骤的质量，学术界竟然没有系统性的研究！
疯狂，太疯狂了~ 大神卡帕西预测的「下一代GUI系统」这就水灵灵地实现了？！
都在研究考生，考卷出问题了。
还在担心机器人只能机械执行、不会灵活应变？
本文作者来自：南京大学、香港大学、中南大学、地平线、中国科学院计算所、上海交通大学、慕尼黑工业大学、清华大学。
Google双线出击！T5Gemma重燃encoder-decoder架构战火，性能暴涨12分；MedGemma坚守decoder-only路线，强攻医疗多模态，击穿闭源壁垒。Gemma体系完成「架构+落地」双重进化，打响Google开源反击战。
借助AI，新型蛋白质合成周期大幅降低！
大家好，我是歸藏（guizang），今天展示一下我用 Kimi K2 实现的一套组件库，以及K2 替代 Claude Code 的默认模型的教程补充。
当甄嬛传、让子弹飞全都转英文，会怎样？
每当我们讨论AI对就业的影响时，大多数都是专家拍脑袋的预测。但微软研究院的这篇论文不一样，他们分析了20万个真实的Microsoft bing Copilot用户对话，每一个数据点背后都是一个真实的人，一个真实的工作场景，首次用硬数据告诉我们：AI到底在改变什么工作？哪些工作活动和职业正在被生成式AI（Generative AI）最大程度地影响？
边缘-云协同计算通过整合边缘节点和云端资源，解决了传统云计算的延迟和带宽问题，推动了分布式智能和模型优化的发展。最新综述论文系统梳理了ECCC的架构设计、模型优化、资源管理、隐私安全和实际应用，提出了统一的分布式智能与模型优化框架，为未来研究提供了方向，包括大语言模型部署、6G整合和量子计算等前沿技术。
在上一篇关于子模优化与多样化查询的文章发表后，我们收到了来自圈内很多积极的反馈，希望我们能多聊聊子模性（submodularity）和子模优化，尤其是在信息检索和 Agentic Search 场景下的更多应用。
在大语言模型能力如此强大的背景下，AI与神经科学之间的联系变得前所未有地重要，催生了一个新兴领域：NeuroAI。它关注两个角度的问题：
LLM正以前所未有的速度进化：METR发现，它们的智能每7个月就翻一番。到了2030年，一个模型可能只需几小时，就能搞定人类工程师几个月的工作。别眨眼，你的岗位或许已在倒计时中。