扩散语言模型（Diffusion Language Models，DLM）一直以来都令研究者颇感兴趣，因为与必须按从左到右顺序生成的自回归模型（Autoregressive, AR）不同，DLM 能实现并行生成，这在理论上可以实现更快的生成速度，也能让模型基于前后文更好地理解生成语境。
谢赛宁团队最新研究给出了答案——VAE的时代结束，RAE将接力前行。其中表征自编码器RAE（Representation Autoencoders）是一种用于扩散Transformer（DiT）训练的新型自动编码器，其核心设计是用预训练的表征编码器（如DINO、SigLIP、MAE 等）与训练后的轻量级解码器配对，从而替代传统扩散模型中依赖的VAE（变分自动编码器）。
Claude Code没法用了后，国内大厂纷纷推出国产平替。最近，阿里心流研究团队就悄咪咪地发布了一款终端AI智能体——iFlow CLI，号称是Claude Code最强平替！iFlow CLI可以使用自然语言命令行的形式直接在终端运行，最重要的一点是，专为国内开发者设计，面向个人用户永久免费，没有限流！
为什么大模型，在执行长时任务时容易翻车？这让一些专家，开始质疑大模型的推理能力，认为它们是否只是提供了「思考的幻觉」。近日，剑桥大学等机构的一项研究证明：问题不是出现在推理上，而是出在大模型的执行能力上。
大语言模型在RLVR训练中面临的“熵困境”，有解了！
源于真实一线需求，Listen Labs聚焦传统定性调研低效痛点，以AI主持访谈、自动生成报告的方式，重构用户研究工作流。
两位哈佛学者通过研究6200万份简历和近2亿条招聘职位数据，揭示了AI对就业带来的真实、残酷的冲击：它不是无差别地针对所有人，而是在大量“吞噬”初级岗位，让那些刚刚踏入社会的年轻人，面临着空前陡峭、狭窄的职业起跑线。与此同时，为数众多的普通院校毕业生群体受到的冲击更为显著。
在中国科学院计算技术研究所入选NeurIPS 2025的新论文中，提出了SpaceServe的突破性架构，首次将LLM推理中的P/D分离扩展至多模态场景，通过EPD三阶解耦与「空分复用」，系统性地解决了MLLM推理中的行头阻塞难题。
扩散模型本该只是复制机器，却一次次画出「六指人像」甚至是陌生场景。最新研究发现，AI的「创造力」其实是架构里的副作用。有学者大胆推测人类的灵感或许也是如此。当灵感成了固定公式，人类和AI的差别还有多少？
AI自己讲明白论文，还能生成更美观的幻灯片。加州大学圣塔芭芭拉（UCSB）与圣克鲁兹（UCSC）的研究者提出EvoPresent，一个能够自我进化的学术演讲智能体框架，让AI不仅能“讲清楚论文”，还能“讲得好看”。
