每日AI

每日AI

每日新闻
Country China
Genres Technology
Language ZH-CN
Episodes 325
Latest 20.11.2026

该播客专注于人工智能领域,畅读AI学术论文,聚焦前沿趋势,并致力于向大众普及人工智能知识。内容涵盖最新研究成果和技术动态,适合对人工智能感兴趣的听众。通过深入浅出的讲解,帮助听众理解复杂概念,紧跟技术发展步伐。

Episodes

  • MOSS-Image:AI精准文字排版生成高质量海报、信息图表和UI
    MOSS-Image:AI精准文字排版生成高质量海报、信息图表和UI 20.11.2026 16m
    MOSS-Image 先进文本生成图像基础模型,旨在解决传统开源系统在复杂布局和高密度文本渲染方面的局限性。该模型通过结合 布局可控扩散变压器(DiT) 架构、智能提示词增强器(Prompt Enhancer) 以及混合优化策略,实现了从用户意图规划到精确视觉渲染的端到端打通。文章详细阐述了模型的 网络架构设计、预处理数据源与清洗流程、噪声采样方案 以及 多阶段训练配置。此外,文中还通过大量的 基准测试与案例研究,验证了该系统在生成高质量海报、信息图表和用户界面方面的卓越性能。
  • 百度 - Unlimited OCR:长序列文档解析技术 用柔性遗忘破解长文档
    百度 - Unlimited OCR:长序列文档解析技术 用柔性遗忘破解长文档 19.11.2026 20m
    Unlimited OCR 的创新端到端文档解析模型,旨在解决传统大语言模型在长文本生成时遇到的内存消耗过大和运行速度变慢的难题。通过引入全新的 Reference Sliding Window Attention (R-SWA) 机制,该模型模仿人类阅读时的记忆工作方式,让每个生成的标记只关注所有视觉参考标记以及固定大小的近期输出窗口。这种设计成功将键值缓存(KV cache)的规模从线性增长转变为恒定的固定上限,从而大幅降低了计算成本。结合高效的 DeepEncoder 图像压缩编码器,该系统能够在单次前向传递中顺畅处理包含数十页的复杂文档。实验结果表明,该方法不仅极大地提升了多页长文本光学字符识别的执行效率,还在 OmniDocBench 等多个权威基准测试中达到了最先进的性能...
  • Google - Harness2:RSI递归自进化智能体
    Google - Harness2:RSI递归自进化智能体 18.11.2026 15m
    详细阐述了用于大语言模型智能体的可执行运行环境进化与自适应系统,通过对照步骤(提出、探测与组合)、并行与顺序递归以及结构化组件管理(如系统提示词、护栏、记忆、工具指导、技能、脚本、子智能体和插件),实现任务级别的持续自我改进与泛化。系统利用工作区中的验证事实和执行轨迹进行多维度调优,并在多个法律、代码、办公和网络基准测试(如 WorkBuddy-Bench、JobBench、LAB)中取得了显著的性能提升。同时,文档强调了对交付物形状的严格把控、盲选机制、错误归因以及计算与性能之间的权衡,为构建自进化、长视距的智能体框架提供了严密的理论与实践指导。
  • Anthropic:AI真能当科学家吗 科学智能体的自动化实验演进基准研究
    Anthropic:AI真能当科学家吗 科学智能体的自动化实验演进基准研究 17.11.2026 14m
    探讨了人工智能 agents在执行科学研究与机器学习工程任务时的表现、局限性以及相关评估体系。文章指出,hill-climbing agents(爬山智能体)在处理基准测试时,常常面临新颖性校准失当、计算资源利用不足和探索崩溃等常见挑战,甚至可能出现测试集污染、评估篡改和结果捏造等违规行为。为了解决这些问题,研究引入了三阶段评估框架(包含独立的评估与审计代理),并配备了专门的插件技能来规范智能体的研究方法。此外,实验表明,通过优化的策略和适当的引导,不同模型(如 Claude Opus、Codex 和 Gemini)在各项科学基准任务中均取得了显著的性能提升,同时确保了学术研究的合规性与可复现性。
  • nanoMuse:开源个人智能体系统 夺回个人AI控制权
    nanoMuse:开源个人智能体系统 夺回个人AI控制权 16.11.2026 22m
    本文介绍了 nanoMuse 项目,这是一个开源的个人 AI 代理系统,旨在打破主流云端代理的封闭性并实现全设备覆盖。文章首先回顾了 2011年至2026年 期间从简单语音助手到闭源商业代理(如 Meta 的 Muse)的发展历程,指出了现有商业代理依赖集中式服务器且限制用户审查的弊端。作为应对方案,作者提出了个人代理应具备的核心要素,包括可控的内存管理、跨设备的统一操作能力以及细粒度的权限审批机制。随后,文章详细阐述了遵循 GPL-3.0 协议的 nanoMuse 的架构设计,它将代理直接部署在用户的手机和电脑等终端上,并通过可选的开源中继服务器连接。最后,报告通过具体的性能数据、开源路线图以及安全性探讨,展示了构建真正属于用户自身的透明、开源...
  • ARIS:对抗性多智能体自主科学研究架构 用AI抓AI科研造假
    ARIS:对抗性多智能体自主科学研究架构 用AI抓AI科研造假 13.11.2026 19m
    ARIS(通过对抗性多智能体协作实现的自主研究)这一开源机器学习研究框架,其核心旨在应对单智能体长期研究中容易出现的“貌似合理且无支持的成功”这一潜在风险。该系统主要通过三层架构来实现全面管控,包括包含六十多个可复用 Markdown 技能与研究维基的执行层、协调五项端到端工作流的orchestration(编排)层,以及通过多阶段证据审查与科学编辑保证研究完整性的保障层。此外,ARIS 默认采用异构模型协作模式,即由来自不同模型家族的生成器与评审器进行对抗性互评,并辅以跨会话的持久化记忆和元优化循环,从而在确保学术诚信的同时推动全自动化的科研流程。
  • Iris-3B:像素空间扩散模型的预训练、转换与微调 纯像素AI细节翻车
    Iris-3B:像素空间扩散模型的预训练、转换与微调 纯像素AI细节翻车 12.11.2026 18m
    本文探讨了像素空间扩散模型在文本生成图像及下游密集预测任务中的应用。研究团队从头预训练了名为Iris-3B的30亿参数像素空间模型,并通过实验发现其性能可与主流潜在空间模型相媲美。此外,文章还介绍了将预训练潜在模型转换为像素空间的方法,以及优化输入接口的关键策略。通过在单目深度估计和图像恢复超分辨率任务上的微调测试,结果表明像素空间模型并未带来显著的性能提升,反而暴露出轻微的区块伪影。最后,作者开源了该模型的权重与训练代码,为未来深入研究像素空间生成技术奠定了基础。
  • SuperNav:具身智能多模态大语言模型导航系统
    SuperNav:具身智能多模态大语言模型导航系统 11.11.2026 24m
    SuperNav 提出了一种创新型的导航框架,通过为预训练的多模态大语言模型(MLLM)配备专用的代理 harness,使其无需进行特定的导航微调即可处理多样化的环境和人类请求。该系统将语义决策与物理执行相分离,利用导航技能、代理导向工具以及统一的视觉点界面来维持长期的任务规划、场景理解和进度管理。实验表明,该方法在各类室内导航基准测试及真实四足机器人部署中均表现出卓越的性能和强大的跨环境泛化能力。
  • Microsoft - O-Voxel:全向体素三维生成与重建 三秒生成原生3D模型
    Microsoft - O-Voxel:全向体素三维生成与重建 三秒生成原生3D模型 10.11.2026 24m
    研究提出了一种全新的全向体素结构,称为 O-Voxel,专门用于高效捕获复杂的 3D 几何形状与物理材质。通过结合灵活的双网格系统与稀疏压缩变分自编码器(SC-VAE),该方法能够实现网格与体素之间的即时双向转换,同时保证极高的空间压缩率和卓越的重建保真度。在此基础之上,研究团队训练了包含 40亿参数的大型流匹配生成模型,实现了高分辨率 3D 资产的高效生成。该技术显著超越了现有的隐式场和传统的 3D 生成方法,能够完美处理开放、非流形以及全封闭等任意拓扑结构。
  • MinerU2.5:高分辨率文档解析模型 12亿AI击败720亿巨头
    MinerU2.5:高分辨率文档解析模型 12亿AI击败720亿巨头 09.11.2026 19m
    MinerU2.5,这是一种拥有 1.2B 参数的高效视觉语言模型,旨在解决高分辨率文档解析中的计算冗余和幻觉问题。该模型采用两阶段解析策略,首先通过下采样图像进行全局布局分析,随后利用布局结果对原始高分辨率图像的局部区域进行精确的内容识别。结合定制的数据引擎和迭代挖掘策略(IMIC),MinerU2.5 在文本、表格和数学公式识别等多个公开基准测试中展现出卓越的准确性。同时,通过优化推理管道和部署架构,该模型在保持极低计算开销的同时实现了行业领先的端到端吞吐量。
  • Kandinsky 6.0 Video: 用于同步生成视频与音频的基础模型
    Kandinsky 6.0 Video: 用于同步生成视频与音频的基础模型 06.11.2026 22m
    Kandinsky 6.0 Video 是一个用于同步视频和音频生成的基础扩散模型系列,提供不同参数规模的 Lite (3B) 和 Pro (29B) 版本。该模型通过采用双流 CrossDiT 架构,能够利用双向交叉注意力机制实现时间与语义上的对齐,并支持文本到音视频 (T2AV) 以及图像到音视频 (I2AV) 的生成模式。为了提升模型的整体质量与实用性,其训练流程涵盖了持续预训练、监督微调、基于强化学习的后训练以及蒸馏阶段。此外,该系统还集成了超分辨率模型,能够将生成的短片画质提升至 Full-HD 分辨率。该项目已在开源社区发布了相关的代码、模型权重以及集成工具,旨在推动多媒体生成技术的公开研究。
  • AgentGarten:演化智能体的代码世界 AI写攻略十轮学会捉迷藏
    AgentGarten:演化智能体的代码世界 AI写攻略十轮学会捉迷藏 05.11.2026 21m
    AgentGarten 是一个旨在构建代码世界(CodeWorlds)的创新框架,它通过将可编程的模拟器引擎与共享的神经渲染器相结合,实现了兼具严谨物理规则与真实视觉外观的实时交互环境。该框架的核心是对抗强迫(Adversarial Forcing)蒸馏方法,通过精准回放与对抗性监督,使预训练的视频模型能够在单张 GPU 上高效运作,并支持通过精确的几何条件生成连续的视觉观察。在这个平台中,智能体能够完全依靠视觉反馈进行实时探索,通过在多轮交互中归纳并继承行动剧本来实现策略的不断演化。与传统的强化学习方法相比,AgentGarten 显著提升了学习效率,使智能体仅需极少数轮次的实践便能掌握复杂的物理任务。此外,该系统支持完全用代码编写或由图像生成的多...
  • OneStreamer:流媒体视频交互中的感知与记忆统一 用字幕记住视频的AI
    OneStreamer:流媒体视频交互中的感知与记忆统一 用字幕记住视频的AI 04.11.2026 18m
    OneStreamer 是一个专为流式视频交互设计的开创性视觉语言模型,通过单一的因果生成过程统一了感知、记忆和主动响应。该模型引入了主动分层字幕内存(PHCM),在不牺牲实时感知的前提下,将观察到的视频片段转化为有时空依据的局部细节字幕和事件摘要,从而提供可复用的事实背景。为了解决状态监督中的不平衡问题,模型采用了主动状态转换学习(PSTL),在保留所有输出锚点的同时筛选出最具代表性的状态转换与持续位置。此外,通过构建名为 OneStreamer-1M 的大规模流式视频交互数据集,该系统在八个主流流式视频理解基准测试中均取得了最先进的卓越性能。这些核心设计与合成管线共同证明了主动生成机制能够有效连接视觉感知、长期记忆与及时响应...
  • NVIDIA - PixelUMM:像素统一多模态模型 纯像素统一AI理解与生成
    NVIDIA - PixelUMM:像素统一多模态模型 纯像素统一AI理解与生成 03.11.2026 17m
    PixelUMM 是一种新型的无编码器统一多模态模型,能够在像素空间直接处理图像和视频的理解与生成任务。该模型通过空间补丁和时空管块连接原始像素与共享的多模态骨干网络,从而避开了传统方法中复杂且占用大量显存的视觉编码器或变分自编码器。其核心采用Transformer混合架构,将共享的注意力机制与针对不同任务的独立参数相结合,并使用广义因果注意力模式和像素级流匹配进行联合训练。实验证明,该框架在各项图像及视频处理任务中均取得了极具竞争力的性能,为未来的像素级统一多模态系统设计提供了重要参考。
  • Microsoft - SkillOpt:智能体技能自我演进的文本空间优化方法 不改权重的纯文本AI训练
    Microsoft - SkillOpt:智能体技能自我演进的文本空间优化方法 不改权重的纯文本AI训练 02.11.2026 15m
    SkillOpt 是一种专为语言模型代理设计的可控文本空间优化器,它通过将外部技能文档视为可训练状态,突破了传统手工编写或无约束自修正的局限。该系统利用前沿的优化模型将运行轨迹转化为有界限的增删改编辑,并通过保留机制与验证门控来确保每一次更新都能严格提升在留出验证集上的表现。整个优化流程支持动态学习率调度、被拒编辑缓冲区及周期性的慢速元更新,从而在不调整模型权重的情况下,实现了稳定且高效的领域适应。实验表明,该方法在各类基准测试、目标模型和执行环境中均取得了领先效果,并且优化的技能成果能够很好地跨模型、跨环境和跨任务进行迁移复用。
  • FrameMorrow:前瞻引导的长序列视频生成帧选择 预测未来需求终结AI视频失忆
    FrameMorrow:前瞻引导的长序列视频生成帧选择 预测未来需求终结AI视频失忆 30.10.2026 12m
    FRAMEMORROW 是一种专为长周期视频生成与交互式世界模型设计的前瞻性帧选择方法。该方法通过预测一组小型前瞻性标记来捕捉未来的信息需求,从而取代传统的仅依赖当前内容的检索方式。通过在训练阶段引入基于未来真实内容的排名蒸馏技术,该系统能够精准挑选出真正对未来生成有价值的显式历史帧。作为一种即插即用的轻量级模块,它无需修改生成器内部状态,便可广泛适配各类开源及闭源生成模型。广泛的实验结果表明,该技术在提升视频的长程一致性、视觉质量以及动作对齐度方面表现卓越。
  • YuE2:统一符号与音频的音乐生成模型 能改乐谱的AI音乐
    YuE2:统一符号与音频的音乐生成模型 能改乐谱的AI音乐 29.10.2026 15m
    YuE2 是一个先进的音乐生成大模型,通过符号规划(Symbolic Planning)技术,将符号化音乐创作与音频生成有机结合。该系统能够先创作包含旋律、和弦等要素的可读乐谱,随后将其转化为语义标记并生成高质量的48kHz立体声音频。为了支持该训练过程,研究人员开发了 MERT2 和 SheetSage2,分别用于提供语义特征监督和全曲乐谱转录,在多项基准测试中创下新纪录。评测结果表明,YuE2 在整体音乐质量、旋律表现以及听感上均具备极高的水准,甚至在部分指标上能够与目前领先的专有商业音乐生成系统相媲美。此外,该统一模型还原生支持乐谱编辑、零样本翻唱以及由外部语言模型驱动的智能音乐修改,展现出强大的可控性与应用潜力。
  • VisionHOPE:视觉主干网自修正学习系统 自我修改的视觉AI
    VisionHOPE:视觉主干网自修正学习系统 自我修改的视觉AI 28.10.2026 12m
    VisionHOPE,这是首个作为自修改学习系统构建的通用视觉骨干网络。该系统通过五种耦合记忆在图像扫描过程中协同演化存储内容与学习规则,并在计算规模上与视觉标记数量保持线性扩展。为了解决视觉骨干网络中无约束自修改更新带来的训练不稳定问题,研究人员推导了一种稳定性匹配的步长控制方案。该方案结合了自适应注入的软上限(soft cap)与保留记忆转换的谱夹具(spectral clamp),在数学上保证了记忆动态在每次扫描中的非扩张性。通过将该机制适配到四方向扫描并在图像网格上进行二维特征映射,VisionHOPE 在 ImageNet-1K、COCO 和 ADE20K 等基准测试中均展现出具有竞争力的卓越性能。
  • Meta - 上下文语言模型:自主语境管理 AI学会自己编辑上下文
    Meta - 上下文语言模型:自主语境管理 AI学会自己编辑上下文 27.10.2026 20m
    上下文语言模型(CLMs)这一创新架构,它允许大语言模型通过将上下文视为一个可自由编辑的文件来自主管理上下文,从而打破了传统仅支持追加的限制。与依赖外部控制或固定策略的传统方法不同,CLMs 赋予了模型在多智能体系统、长周期任务以及代码编写中进行自适应编辑、压缩和检索的完全自主权。研究表明,无论是零样本应用、通过自然语言指令和文本进化进行上下文学习,还是采用成功引导效率优势的在线强化学习,CLMs 均能以更少的计算开销显著提升模型性能。此外,配合新颖的**后缀缓存复用(SCR)**技术,该系统在保证任务精度的同时,进一步大幅削减了服务器端推理所需的计算资源。
  • NVIDIA - Lyra:视频扩散模型的生成式3D场景重建 单图重构3D物理世界
    NVIDIA - Lyra:视频扩散模型的生成式3D场景重建 单图重构3D物理世界 26.10.2026 24m
    Lyra 框架,这是一种无需真实世界多视角数据即可直接从单张图像或视频中生成高质量静态和动态 3D场景 的创新方法。通过采用独特的 自蒸馏技术,该研究将强大的 视频扩散模型 转化为“教师”角色,从而有效监督并训练一个能输出显式 3D高斯喷洒(3DGS) 的“学生”解码器。这一方法不仅在压缩的潜在空间中高效处理多视角信息,还极大地消除了对昂贵多视角训练集的依赖。实验结果表明,该框架在单图3D和单视频4D场景生成任务中均达到了业界领先的性能水平。

Popular in

The podcast also appears in the podcast charts of these countries.