虽然扩散模型在视频生成领域展现出了卓越的性能，但是视频扩散模型通常需要大量的推理步骤对高斯噪声进行去噪才能生成一个视频。这个过程既耗时又耗计算资源。例如，HunyuanVideo [1] 需要 3234 秒才能在单张 A100 上生成 5 秒、720×1280、24fps 的视频。
随着 OpenAI o1 和 DeepSeek R1 的爆火，大语言模型（LLM）的推理能力增强和测试时扩展（TTS）受到广泛关注。然而，在复杂推理问题中，如何精准评估模型每一步回答的质量，仍然是一个亟待解决的难题。传统的过程奖励模型（PRM）虽能验证推理步骤，但受限于标量评分机制，难以捕捉深层逻辑错误，且其判别式建模方式限制了测试时的拓展能力。
仅用4090就能实现大规模城市场景重建！
OpenAI前CTO Mira Murati初创公司，正在筹集新融资。20亿美元（折合人民币146亿），还是种子轮！消息称一旦融资完成，Thinking Machines Lab估值将达到超100亿美元。
印度人工智能初创公司 Ziroh Labs ，与该国顶尖技术学院的研究人员合作，设计出一套经济实惠的系统，据称无需依赖英伟达公司等提供的高端计算芯片，即可运行大型 AI 模型。
GPT开山一作、「爱因斯坦级的天才」携手OpenAI前首席研究官，一起加入OpenAI前CTO的新公司Thinking Machine Lab。有消息称，Thinking Machine Lab曾与风投洽谈，筹集超过1亿美元的资金。
无监督学习训练整数规划求解器的新范式来了。
前 OpenAI 首席技术官 Mira Murati（穆拉蒂）的新 AI 企业 Thinking Machines Lab 迎来了两位重量级顾问：前 OpenAI 首席研究官 Bob McGrew，和曾主导该公司多项突破性创新的前研究员 Alec Radford。
本篇论文是由南洋理工大学 S-Lab 与普渡大学提出的无分类引导新范式，支持所有 Flow Matching 的生成模型。目前已被集成至 Diffusers 与 ComfyUI。
最近，像 OpenAI o1/o3、DeepSeek-R1 这样的大型推理模型（Large Reasoning Models，LRMs）通过加长「思考链」（Chain-of-Thought，CoT）在推理任务上表现惊艳。
