/
互联网女皇玛丽·米克尔刚发布了一份340页的《人工智能趋势报告》，这里总结了10个核心观点
大模型时代，玛丽·米克尔（Mary Meeker）的名字可能大家不一定熟悉，但是在互联网时代，这位被可被誉为“互联网女皇”的。她是美国风险投资家和前华尔街证券分析师，专注于互联网及新兴技术领域。玛丽·米克尔（Mary Meeker）发了一份340页的《人工智能趋势报告》，粗粗看了一下，并没有非常轰动的观点，但是数据比较全面
微软研究院重大突破：更稳定高效的大语言模型强化学习算法—OPO如何解决算法不稳定和计算浪费问题
微软研究院推出的"基于最优奖励基线的在策略强化学习"（OPO）算法解决了大语言模型强化学习中的两大问题：训练不稳定和计算效率低。通过严格遵循在策略训练和引入理论最优奖励基线，OPO无需额外的辅助模型或复杂正则化项，就能实现更稳定的训练。在数学推理基准测试中，OPO不仅表现优异，还保持了更低的策略偏移和更高的输出多样性。这项研究证明，有时最有效的解决方案不是增加复杂性，而是回归基础原则并进行深入的理论思考。
吴恩达LangChain对话：别纠结Agent定义，成功的智能体往往从线性工作流开始，Vibe Coding这个概念充满误导
毫无疑问，Agent，也就是智能体已经预定了今年的最火AI关键词。不知道明年会不会是AGI呢，既然OpenAI和Anthropic的预测都是在2027年左右。而在Agent领域，非常有发言权的一位就是吴恩达。LangChain前不久的开发者活动Interrupt上，LangChain创始人Harrison Chase邀请了吴恩达专门做了一场对话
SWE-bench直播上线！微软携手上海人工智能实验室推出实时更新的代码修复基准测试
SWE-bench-Live是微软与上海人工智能实验室联合开发的持续更新基准测试平台，解决了现有代码修复评估工具的数据老化、覆盖有限和人工依赖问题。核心创新是REPOLAUNCH自动化流水线，能从GitHub抓取2024年后的1,319个真实问题，自动配置Docker环境。研究发现最先进的AI代码助手在该平台上的解决率仅为19.25%，远低于静态基准测试表现，尤其在处理多文件修改和大型代码库时存在明显局限。
是否应该为 Google 的 Veo 3 支付 Gemini Ultra 费用来制作 AI 视频？我的体验告诉你答案
本文评测了 Google 最新 AI 视频生成工具 Veo 3，从音频生成、功能局限、等待时长及费用限制等方面展示其优劣，适合 AI 爱好者体验，但专业创作者可能会感到不便。
Atlas：谷歌研究团队打造的“超级记忆师“，让AI模型记住整个上下文而非单个词
Google研究团队推出Atlas，一种革命性的AI记忆优化模型，解决传统Transformer架构在处理长文本时的计算复杂度问题。Atlas通过三大创新：超线性容量的记忆模块、基于上下文而非单词的记忆优化、及使用Muon优化器的高效记忆管理，实现了在超长文本(10M)处理中保持80%以上的准确率。研究还提出DeepTransformers架构，作为传统Transformer的严格泛化版本，在语言建模和常识推理任务中展现出色性能。
KO 满血版DeepSeek？AM-Thinking-V1，32B干翻一众千亿级大模型
在千亿模型满天飞，MOE架构正流行的当下，一个在AI领域名不见经传的企业，贝壳找房，发布了一款32B的稠密模型，AM-Thinking- V1。在包括AIME在内的多项AI基准测试中，这款中等参数模型碾压了满血版671B DeepSeek-R1，性能与阿里刚刚发布的Qwen3-235B-A22B持平。
LoRAShop：训练自由的多概念图像生成与编辑突破
LoRAShop是弗吉尼亚理工大学研究团队开发的突破性框架，首次实现了无需额外训练的多概念图像编辑。该技术通过在整流流变换器中识别概念特定区域，创建分离的潜在掩码，并仅在相应区域混合LoRA权重，有效解决了"LoRA交叉干扰"问题。实验证明，LoRAShop在身份保留、多主体融合和实时编辑方面优于现有方法，为个性化图像创作开辟了新途径。
字节Seed团队绝地翻盘，发现多模态模型也有涌现时刻，开源BAGEL模型
北京时间5月21日，百度发布2025年第一季度财报,这场会议不仅仅是一次常规的财务数据披露，更像是百度在AI时代战略布局的全景展示,李彦宏在开场发言中，将2025年第一季度形容为一个“稳健的开局”。
Fast-dLLM：NVIDIA研究团队通过KV缓存和并行解码实现扩散大语言模型的无训练加速
NVIDIA联合麻省理工学院和香港大学的研究团队提出Fast-dLLM，一种无需重新训练即可显著加速扩散大语言模型的新方法。该技术通过两大创新解决了扩散模型的主要性能瓶颈：首先设计了适用于双向注意力机制的块式近似KV缓存，使模型能重用计算结果；其次提出基于置信度的并行解码策略，只解码超过阈值的高置信度词元。实验证明，Fast-dLLM在保持准确率的同时，能将LLaDA和Dream模型的推理速度提升高达27.6倍，彻底缩小了扩散模型与自回归模型之间的性能差距。
物理世界如何实现AGI？前空中客车CTO红杉访谈：我们的愿景是让AI设计人类无法设计的系统，从星际飞船到戴森球
P1.AI创始人保罗·埃雷门科正用合成数据训练AI设计物理系统，从住宅冷却到星际飞船，突破工程AGI的终极瓶颈——数据稀缺。他的AI工程师Archie已能像人类一样处理多物理场任务，目标是让机器设计人类无法想象的复杂系统。
Uni-Instruct：北大与小红书联手打造的统一扩散模型蒸馏框架，一步生成超越教师模型的高质量图像
北京大学与小红书公司联合研究团队提出的Uni-Instruct框架，成功统一了10多种现有单步扩散蒸馏方法。该框架基于新颖的f-散度扩散扩展理论，通过可计算的等价损失函数训练单步扩散模型。实验表明，Uni-Instruct在CIFAR10和ImageNet 64×64数据集上创造了新的单步生成记录，FID分别达到1.46和1.02，甚至超越了其79步教师模型。研究还成功将该方法应用于文本到3D生成任务，展示了统一框架在提升生成质量和效率方面的巨大潜力。
京公网安备 11010802021500号 京网文(2025) 0096-033号 京字第20868号
