ForgeWM:让动作条件视频世界模型以一到四步实时生成
ForgeWM提出一套渐进式因果训练方案,将双向动作条件视频生成器转化为适用于交互游戏的少步世界模型。它在降低推理延迟的同时,试图保持键盘、鼠标和手柄动作与视频演化的一致性。
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ForgeWM提出一套渐进式因果训练方案,将双向动作条件视频生成器转化为适用于交互游戏的少步世界模型。它在降低推理延迟的同时,试图保持键盘、鼠标和手柄动作与视频演化的一致性。
阅读全文大模型记住信息,并不意味着一定能更好地完成当前任务。MemTrapBench 揭示了两类由记忆诱发的认知陷阱,并提出 AdaptiveMem 作为推理阶段的缓解方案。
阅读全文PolicyGuide将组织政策编译为工作流图,并在每轮用户交互边界主动校验智能体状态。实验显示,这种从“拦截动作”转向“引导流程”的方法能显著提升客服智能体的合规表现。
阅读全文一篇新研究提出 IAR 框架,试图让语言模型在推理时不接收检索片段,也能回答固定文档集合中的问题。它将文档注入、问答对齐和通用能力恢复分开处理,以缓解领域能力与通用能力之间的冲突。
阅读全文DeepMind提出EXIMO,用视觉语言模型规划长时任务,再结合模仿学习与残差离策略强化学习,高效微调视觉-语言-动作策略。该方法试图减少昂贵的遥操作数据需求,并提升机器人学习新任务的样本效率。
阅读全文一项新研究提出 Chain-of-Experience(CoE),通过在测试时累积交互痕迹与反馈,让大模型不再局限于一次性零样本回答。实验显示,自反馈、正确性信号和代码测试结果等机制可以共同推动模型迭代改进。
阅读全文SkillEvo 指出,智能体技能自进化的瓶颈不只是修改能力或迭代次数,更在于反馈能否持续提供可靠、可定位的改进方向。该方法把多轮用户模拟转化为反馈生成器,并引入独立治理层,约束事实与结构风险。
阅读全文Hume AI 的研究提出了一套衡量 ASR 基准优化的方法:部分高分模型可能在复现公开数据集的参考文本,而不是真正依据音频完成转写。这一发现提示,单一公开基准上的优异成绩未必等同于通用语音识别能力。
阅读全文SWE-bench Science将科学软件工程带入仓库级评测,覆盖98个GitHub仓库和20个科学领域。结果显示,编码智能体即使能通过表面测试,也未必真正修复了科学问题。
阅读全文FlashPrefill V2 面向长上下文模型的预填充阶段,引入均值校正、面向 GPU 的稀疏算子优化,以及对分页 KV Cache 和连续批处理的原生支持。在 NVIDIA H20 测试中,其相对 FlashAttention-2 在 128K 上下文下最高实现 47.26 倍加速。
阅读全文FACET提出一种以执行环境为共同依据的终端任务合成框架,试图同时解决任务信息丢失与指令、解法、验证器相互不一致的问题。该方法通过环境修复、执行验证和定向修补,生成更复杂且更可靠的训练任务。
阅读全文EnvHarness 不再要求研究者从零重建智能体环境,而是通过可插拔组件改造现有环境的行为。配套的 EnvRigger 会根据目标策略的执行轨迹诊断弱点,并自动生成、验证针对性的环境调整。
阅读全文QuoteBench指出,编码智能体的成功率不仅取决于模型生成了什么,还取决于命令经过怎样的序列化、包装和解析。若只看最终匹配分数,接口引入的失败可能会被误判为模型能力不足。
阅读全文一项覆盖 37 项任务的系统评测显示,LLM 与专用 Embedding 模型的总体表现几乎持平,但推理成本和速度差距悬殊。更现实的方案不是二选一,而是按任务分工。
阅读全文一项围绕希腊语推理的研究发现,准确率几乎没有变化,并不意味着语言适配没有发生。监督微调让模型开始用用户语言思考,强化学习则进一步修复格式和通道控制问题。
阅读全文NARU 是一个面向日语极长视频理解的新基准,联合考察叙事演进追踪与文化语境推理。研究显示,现有多模态模型在跨长时段整合情节和理解隐含社会意义方面仍存在明显不足。
阅读全文LinkedIn表示,平台上线“看起来像AI垃圾内容”按钮后,已有超过100万人通过帖子菜单使用。与此同时,平台称被其识别为AI垃圾内容的帖子,获得的浏览量较此前减少了40%。
阅读全文Nvidia研究显示,同一个模型在不同Harness下,长程任务表现可能大幅分化。记忆管理、工具调用和监督智能体,正在成为智能体系统的关键竞争力。
阅读全文DeepSeek 在 API 平台上线 deepseek-v4-flash-vision-exp,首次为 V4 系列明确提供官方视觉输入能力。除了图像理解,新模型在工具调用、代码 Agent 和长周期任务测试中也出现明显提升。
阅读全文Meta AI Research 发布开放权重模型 Muse Glimmer,主打本地运行、视觉理解和多步工具调用。借助 4 位量化与 DFlash 推测解码,它试图把 30B 级智能体能力带到消费级硬件。
阅读全文