搜索
清华大学朱军教授团队，NVIDIA Deep Imagination 研究组与斯坦福 Stefano Ermon 团队联合提出了一种全新的扩散模型强化学习（RL）范式 ——Diffusion Negative-aware FineTuning (DiffusionNFT)。该方法首次突破现有 RL 对扩散模型的基本假设，直接在前向加噪过程（forward process）上进行优化
今天继续给大家带来「一页纸」讲透美股公司系列。对国内投资者而言，美股研究资料相对匮乏，导致认知大多停留在几家全球科技巨头，但其实美股存在大量的“隐形冠军”，都录得相当不错的收益。这是一个非常「有钱景」的方向，我会借助 AlphaEngine 的帮助，帮你跨越美股研究的信息鸿沟，每天挖掘一个潜在的美股财富密码。
2025 年 9 月，这个未来主义的问题进入了全球最高决策层的视野。美联储率先表态将研究 AI 与代币化支付，紧接着，SEC 前主席 Paul S. Atkins 在巴黎正式将其命名为「代理金融」（Agentic Finance）时代。
作为华为服务金融客户的窗口，华为数字金融军团不仅在全联接大会上回顾了过往案例，更重点推出了应对 AI 落地挑战的 FAB（FinAgent Booster）金融智能体加速器。帮助客户快速建立自己的 Agent 能力，缩短开发周期，让 AI 加速融入业务流程。
字节跳动Seed团队联合哥伦比亚大学商学院推出了FinSearchComp，这是首个完全开源的金融搜索与推理基准测试。该基准包含635个金融专家精心设计的问题，覆盖全球和大中华两个市场，并在多个主流模型产品上进行了全面评测。
上下文学习”（In-Context Learning，ICL），是大模型不需要微调（fine-tuning），仅通过分析在提示词中给出的几个范例，就能解决当前任务的能力。您可能已经对这个场景再熟悉不过了：您在提示词里扔进去几个例子，然后，哇！大模型似乎瞬间就学会了一项新技能，表现得像个天才。
过去几年，大语言模型（LLM）的训练大多依赖于基于人类或数据偏好的强化学习（Preference-based Reinforcement Fine-tuning, PBRFT）：输入提示、输出文本、获得一个偏好分数。这一范式催生了 GPT-4、Llama-3 等成功的早期大模型，但局限也日益明显：缺乏长期规划、环境交互与持续学习能力。
随着内容创作智能化需求的爆发，长时长、高质量数字人视频生成始终是行业痛点。近日，字节跳动商业化 GenAI 团队联合浙江大学推出商用级长时序音频驱动人物视频生成模型 ——InfinityHuman，打破传统音频驱动技术在长视频场景中的局限性，开启 AI 数字人实用化新征程
传统 video dubbing 技术长期受限于其固有的 “口型僵局”，即仅能编辑嘴部区域，导致配音所传递的情感与人物的面部、肢体表达严重脱节，削弱了观众的沉浸感。现有新兴的音频驱动视频生成模型，在应对长视频序列时也暴露出身份漂移和片段过渡生硬等问题。
在社交平台上，「AI 帮我选基金，结果赚了 8%」、「AI 自动炒股，秒杀巴菲特？」之类的帖子不时刷屏，炒股机器人、对话式理财助手有关的 Agent 也不断涌现。