具身智能最缺的“空间常识”，被这套隐空间强化学习一次性补全 | ECCV‘26
具身智能最缺的“空间常识”，被这套隐空间强化学习一次性补全 | ECCV‘26大规模视频扩散模型，画面越来越真，却总在“物理定律”上栽跟头。
来自主题: AI技术研报
5190 点击 2026-07-29 13:49
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
大规模视频扩散模型，画面越来越真，却总在“物理定律”上栽跟头。
终于！Agent赛道，不再是自回归（AR）模型一家独大。
还记得「苦涩的教训」（The Bitter Lesson）吗？
推理大模型 (如 DeepSeek-R1、o1) 靠长思维链拿高分，却普遍「想太多」: 研究统计了五个代表性模型里，发现有 41–52% 的 token 是在模型给出它的最终答案之后生成的。
过去几年，扩散模型几乎定义了高质量图像生成：从随机噪声出发，经过多轮迭代，逐步 “雕刻” 出一张图像。但随着大语言模型席卷人工智能领域，另一条路线正迅速走到舞台中央 —— 图像，能否也像语言一样，通过自回归方式逐步生成？
扩散模型已经越来越会「画」，却还远没有学会「守住要求」。决定系统是否可靠的，已不再只是画质，而是生成结果能否持续遵守条件、维持状态，并符合人类与现实世界的基本标准。
扩散模型又被玩出新花样了。
扩散模型生成得越来越好，但也越来越慢。
大语言模型的RL技术已日趋成熟，多模态生成模型的强化学习训练却仍在“各自为战”——图像扩散模型一套流程、视频生成另一套标准、VLM和LLM又有不同的技术栈。
就在刚刚，谷歌闷头干了件大事：把生成图片的扩散模型，拿来写文字了，而且一出手就是4倍加速。 新模型名为DiffusionGemma，它直接抛弃了传统自回归那套“逐Token生成”的打字机模式，而是像“印刷机”一样工作——