SC26 顶会论文：八卦炉 2—— 让万卡集群学会临场应变
SC26 顶会论文：八卦炉 2—— 让万卡集群学会临场应变大模型训练已经跑到万卡集群规模，显存始终是那道隐形的门槛。
来自主题: AI技术研报
6638 点击 2026-10-28 15:34
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
大模型训练已经跑到万卡集群规模，显存始终是那道隐形的门槛。
家庭不需要万能机器人。
近两年，视频世界模型（video world model）成为生成式 AI 最受关注的方向之一。只需给定一张参考图和一段场景描述，模型就能根据用户输入的相机位姿或控制指令，逐帧生成出一个可以自由漫游的虚拟世界。
传统抗体发现通常依赖动物免疫，或从大规模抗体文库中“地毯式搜索”。
大模型Agent正在从简单问答，快速走向搜索、代码生成、网页操作和多轮工具调用。
早在 1995 年，Michael Wooldridge 等学者便在智能体研究的代表性论文《Intelligent Agents: Theory and Practice》中，提出了智能体的四项核心特征：反应性（Reactivity）、社会能力（Social Ability）、自主性（Autonomy）和主动性（Proactiveness）。
曾获LeCun转发推荐、狂揽1,000万下载的百度开源神作，又杀回来了！
当模型学会持续迭代改进算法，便推开了通往智能自主进化的大门。近日，由来自智源研究院、中国科技大学、中国人民大学等多个机构的研究人员组成的 AREX 研究小组发布 AREX-2 模型。
第一视角视频越来越多，研究人员怎样把这些记录变成能够改善机器人能力的训练信息？
把模型部署到昇腾 NPU 上，计算逻辑确定之后，还有一道难题：怎样让底层实现充分利用硬件？同一个注意力计算，分块、搬运、并行和同步方式不同，运行时间就可能明显不同。
基于预训练的 Cosmos-Predict2.5-2B，SkeLAM 使用总计约 10 小时的机器人交互数据进行训练。在人手到机器人的迁移实验中，输入换成人类演示，生成视频中的机械臂仍然呈现出与演示对应的运动方向。迁移时模型参数全部冻结，没有针对这些演示额外微调。
清华大学、英伟达等机构联合推出全球首个流式交互视频生成评测榜单StreamEval，以300个用例评测38个模型，揭示当前模型在连续指令执行和状态一致性方面仍存明显短板。
人通过观摩、尝试和指点学习，机器人也能如此。可可矩阵（COCO Matrix）发布机器人模型 CO01（读作/kuːl/），让机器人也能从这些经验中学习。
各大AI框架都错了！
LLM智能体如何在部署过程中，通过自身执行持续进化？
语义搜索能够帮用户找到最相关的内容，但有时候，相关性高，并不代表结果就应该被优先展示。
机器人动手前，能不能先看一看不同选择会带来什么后果？ParallelWorld 将多步预演引入具身智能体的高层规划，将任务成功率从 56% 提升至 83%。
训练大模型，能不能不用反向传播？
自从电影《牛来》现象级爆火，那只造型粗糙、通体发黄的小牛，就成了不少人提起三维建模时的第一反应。
JEPA 能不能真正理解观测背后的生成机制？
从课堂演示到科普创作。
RSI（Recursive Self-Improvement，递归自我改进）关注系统能否不断发现自身短板、获取新经验，并用新经验提升下一轮表现。然而，当前的具身系统仍高度依赖真机试错和人工决策。
在电子产品装配线上，将连接器插到主板上，看似简单，却要求在有限的生产节拍内准确、稳定地完成。面对零点几毫米的接口间隙，细微偏差就可能让连接器卡住，造成装配失败或零件损伤。
当任务的终点是决策，模型是否应该从决策本身出发？
家人们，上次我写摄像头体感交互应用，评论区有位家人问：“测试视频怎么是个男的？”
深度学习中最基础、使用最广泛的两个函数，竟然藏着两个隐蔽的 Bug。
视频生成模型的视觉质量不断提升，但当前主流视频扩散模型仍面临两项根本局限。第一是物理规律约束不足：模型从像素中学习世界的视觉表象，却缺少物理方程的显式约束，画面看似合理，实际却不符合物理规律。
AI 写文章，往往黑话连篇、充满防御性。你费尽心思才让 AI “说人话”，可一旦新开一个对话，先前调好的语言风格就如奶油般化开，熟悉的 AI 味又卷土重来了。
世界模型希望让机器理解环境如何变化，并预测干预后的结果，支持智能体学习、仿真与内容创作。这要求视频模型在场景变化时仍保持物理关系的一致性。光照是其中关键的一环：当光源移动，人物、物体与阴影应协同响应。可控重光照由此成为探索视频模型物理表达能力的切入点。
机器人操作的「考卷」，需要为灵巧手重新出一份了。