HOMIE:让视频里的“人-物关系”更稳定、更可控
HOMIE 面向人-对象中心的视频个性化,试图同时解决“像不像本人”和“互动对不对”这两类难题。它把多模态大模型知识更自然地接入视频生成流程,提升了对参考信息的理解能力。
阅读全文Claude API 中转站避坑指南、检测原理与大模型 API 实测经验
共 2320 篇文章
RSS 订阅HOMIE 面向人-对象中心的视频个性化,试图同时解决“像不像本人”和“互动对不对”这两类难题。它把多模态大模型知识更自然地接入视频生成流程,提升了对参考信息的理解能力。
阅读全文这篇工作把焦点放在多语种自动语音识别中最难的一块:长期被忽视的中亚语言。作者用大规模自监督预训练加上更精细的数据均衡策略,试图缓解“头部语言”对模型的挤压。
阅读全文这篇论文提出 Distilled Reinforcement Learning,将教师模型的细粒度偏好引入 LLM 后训练的策略梯度更新中,试图同时避开传统 RL 奖励稀疏和在线蒸馏盲目模仿的问题。
阅读全文Apple-PI 试图回答一个更深的问题:视频模型生成得像不像只是表面,还是它真的按物理规律在“思考”。这项工作把物理定律引入视频模型评测,提供了更细的诊断视角。
阅读全文DiffGI 针对服装等薄壳、非流形 3D 形状难以被体表示准确建模的问题,提出以连续 2D TSDF 和可微 Marching Squares 连接 2D 潜空间与 3D 表面优化。它的重点不是单纯换一种编码,而是让表面重建从后处理变成可训练链路的一部分。
阅读全文JoyNexus 将 VLA 模型的微调、强化学习与评测封装为多租户服务,试图解决机器人后训练中资源独占、成本偏高与利用率不足的问题。
阅读全文Qwen 团队发布 Qwen-Music 技术报告,展示了一个面向文本生歌与翻唱生成的音乐模型。其核心亮点是将旋律规划引入自回归音乐建模,并通过渲染模块补足高保真立体声细节。
阅读全文这篇论文提出 Contrastive Policy Optimization(CPO),尝试解决 RLVR 中把熵当作优势塑形信号时无法区分“有益不确定性”和“有害混乱”的问题。它通过比较参考引导生成与普通生成的 token 级分布差异,为训练提供更接近正确性的信号。
阅读全文Xiaomi-Robotics-1 试图把大模型的“规模化法则”引入机器人学习:用超过 10 万小时真实操作轨迹预训练,再对齐真实机器人和自然语言指令。实验显示,更大的数据和模型规模能带来更低动作预测误差,并提升真实机器人任务成功率。
阅读全文这篇论文把 Muon 从大规模预训练场景拉到稀疏奖励的智能体强化学习后训练中,发现它并非“换上就有效”,而是在特定优势估计方法和学习率设置下显著优于 AdamW。
阅读全文SVR-R1 试图把推理时常见的自我检查,前移到强化学习训练循环中。它让视觉语言模型先回答、再给出 Yes/No 自判,并在否定时触发重新思考。
阅读全文一篇新论文指出,即便谈判中的具体数值被加密,智能体的让步节奏、出价轨迹和收敛模式仍可能暴露私有约束。研究提出一种自适应随机谈判策略,在保护行为隐私的同时尽量维持成交率与效用。
阅读全文这篇论文提出以“成本—成功率”视角重新评估攻防安全智能体,强调推理、工具调用和遥测查询都会带来实际开销。研究显示,红队与蓝队任务的扩展规律并不相同。
阅读全文S1-Omni 试图用一个统一多模态模型连接 AI4Science 中长期分散的任务与数据形态。它覆盖 200 多个科学任务,并开放了模型权重、推理代码和部分数据集。
阅读全文微软研究提出 RESOURCE2SKILL,尝试从教程视频、代码仓库、文章和参考作品中抽取可复用技能,让软件 Agent 不再只依赖手写提示或自身轨迹学习。
阅读全文REBASE 提出一种训练自由的 in-context segmentation 方法,通过移除参考图像中的背景特征子空间,降低跨图像匹配时的背景干扰。它与 SAM 等可提示分割模型结合,在多个数据集上刷新训练自由方法表现。
阅读全文一项基于 207 个 GitHub 项目、102 万个已评审 Pull Request 的研究显示,AI Agent 参与代码评审后,决策速度明显提升,但质量收益并不稳定。
阅读全文RAGU 提出一种更工程化的 GraphRAG 路线:把知识抽取和图谱整合拆开,并用面向 RAG 任务微调的 7B 模型 Meno-Lite-0.1 降低构图成本。
阅读全文KAIST AI 提出的 Robot-Centric Pointmaps 试图解决 VLA 模型中相机视角与机器人动作坐标系不一致的问题。它把场景点的三维坐标直接编码到机器人坐标系下,同时保留类似图像的二维网格结构,便于接入现有 VLA。
阅读全文RecGPT-V3 试图把大语言模型变成工业推荐系统中的“智能大脑”:既记住用户长期偏好,也能把自然语言意图更直接地映射到商品空间。其在淘宝首页“猜你喜欢”场景的 A/B 测试中带来 GMV +3.97% 和服务资源消耗下降 52.4%。
阅读全文