即刻App年轻人的同好社区
下载
人类对世界的认知，源于亲手触摸、尝试与探索，而非被动观察。但当前主流视频生成模型如 Sora，仅靠海量视频数据学习，缺乏真实世界交互体验，常常出现违背物理常识的 “幻觉”。近日，由北京人形机器人创新中心与香港科技大学等机构联合推出的 WoW 世界模型，凭借 200 万条真实机器人交互数据，打通 “感知 - 想象 - 反思 - 行动” 闭环，让 AI 真正具备物理直觉，为 embodied intelligence 发展奠定关键基础！已上线始智AI-wisemodel开源社区，欢迎体验。
wisemodel.cn
wisemodel.cn
1 00
随着大语言模型（LLMs）在复杂编码和推理任务中的飞速进步，传统编程基准已难以跟上其发展步伐。现有测试要么难度不足，要么评估方式脱离实际场景，无法精准衡量模型的 “慢思考” 和迭代优化能力。近日，中国人民大学高瓴人工智能学院团队推出 ICPC-Eval 基准测试，以顶级编程竞赛题目为核心，创新评估机制与本地测试工具，为 LLM 推理能力提供了更严苛、更真实的检验标准！已上线始智AI-wisemodel开源社区，欢迎体验。
代码和数据集地址
wisemodel.cn
wisemodel.cn
代码和数据集地址
wisemodel.cn
wisemodel.cn
0 00
随着大语言模型（LLM）在科研和产业界的广泛应用，模型复用已成为常态。但高昂的训练成本催生了 "伪原创" 乱象，部分开发者将开源模型微调或重打包后，谎称是 "从零训练" 的原创模型，严重侵犯知识产权。近日，武汉大学李祖超团队推出的 GhostSpec 技术，凭借创新的光谱指纹识别方案，无需训练数据、不改动模型，就能精准追溯 LLM 的 "血缘" 关系，为开源模型生态的透明化提供了强力工具！已上线始智AI-wisemodel开源社区，欢迎体验。
0 00
在 AI 图像生成技术飞速发展的今天，指令型图像编辑已成为热门赛道。只需输入文字描述，就能让 AI 精准修改图像内容。但传统模型往往受限于有监督微调的固有缺陷，容易过度拟合训练数据，难以应对复杂多样的编辑需求。近日，北京大学与Rabbitpre AI联合团队推出的UniWorld-V2，凭借创新的Edit-R1 后训练框架，在两大权威基准测试中刷新纪录，为图像编辑技术带来突破性进展！已上线始智AI-wisemodel开源社区，欢迎体验。
0 00
过去一周，智谱 GLM 先后开源了多模态模型家族：从「眼睛看得见」的视觉理解模型 GLM‑4.6V，到「手能动起来」的 AutoGLM，再到「语音听得懂」的 GLM‑ASR，与「话能说出口」的 GLM‑TTS。
GLM 团队希望让大模型逐步拥有人的世界知识、记忆能力、复杂推理能力，以及拥有多模态处理能力，最终实现 AGI。在一周内，智谱 GLM 开源了覆盖视觉理解、设备操作、语音的多模态模型，从文本扩展到多模态，不断探寻智能边界。
在多模态开源周的收官之日，智谱 GLM 再开源四项面向视频生成的核心技术成果：SCAIL、RealVideo、Kaleido 与 SSVAE。它们对准当前视频生成领域的三大难点：精细化可控生成、复杂时空结构建模，以及大规模训练成本控制。
SCAIL：影视级角色动画生成框架，实现 SOTA 姿态控制；
RealVideo：实时流式视频生成系统，仅 2-3 秒首响延迟；
Kaleido：多主体视频生成框架，一致性开源 SOTA；
SSVAE：频谱结构化变分自编码器 VAE，3 倍收敛加速。
智谱 GLM 希望通过开源这四项底层技术，为繁荣的视频生成技术社区、产品社区，提供一些工程方案与理论研究，方便社区直接复现与二次开发。已上线始智AI-wisemodel开源社区，欢迎体验。
GLM 团队希望让大模型逐步拥有人的世界知识、记忆能力、复杂推理能力，以及拥有多模态处理能力，最终实现 AGI。在一周内，智谱 GLM 开源了覆盖视觉理解、设备操作、语音的多模态模型，从文本扩展到多模态，不断探寻智能边界。
在多模态开源周的收官之日，智谱 GLM 再开源四项面向视频生成的核心技术成果：SCAIL、RealVideo、Kaleido 与 SSVAE。它们对准当前视频生成领域的三大难点：精细化可控生成、复杂时空结构建模，以及大规模训练成本控制。
SCAIL：影视级角色动画生成框架，实现 SOTA 姿态控制；
RealVideo：实时流式视频生成系统，仅 2-3 秒首响延迟；
Kaleido：多主体视频生成框架，一致性开源 SOTA；
SSVAE：频谱结构化变分自编码器 VAE，3 倍收敛加速。
智谱 GLM 希望通过开源这四项底层技术，为繁荣的视频生成技术社区、产品社区，提供一些工程方案与理论研究，方便社区直接复现与二次开发。已上线始智AI-wisemodel开源社区，欢迎体验。
1 00
提到 AI 的突破，人们首先想到的往往是大语言模型（LLM）：写代码、生成文本、甚至推理多模态内容，几乎重塑了通用智能的边界。但在一个看似 “简单” 的领域 —— 结构化表格数据上，这些强大的模型却频频失手。电网调度、用户建模、通信日志…… 现实世界中大量关键系统的核心数据都以表格形式存在。然而，无论是直接微调 LLM，还是采用专门为表格设计的深度架构（如 TabNet、SAINT、FT-Transformer），其性能在多数真实场景下仍难以超越 XGBoost、CatBoost 等传统梯度提升方法。
这引出一个尖锐的问题：为什么在非结构化数据上所向披靡的现代深度学习，在结构化数据建模中却长期陷入瓶颈？
直指这个核心问题，清华大学崔鹏团队做出了他们的回应 ——LimiX。不同于其他模型只能进行一种下游任务，LimiX-2M 在同时支持分类、回归、缺失值插补等任务的前提下，以仅有 2M 的模型参数超越了包括 XGBoost、CatBoost 在内的经典模型，并在与 AutoGluon 和 TabPFN 的对比中展示出显著优势，仅次于 LimiX 前期发布的 LimiX-16M。
LimiX 的开源使中国在表格建模领域的研究真正站到了世界的最前沿，力压 Amazon AWS，Inria 等一系列顶尖机构在诸多性能测试上登顶！仅仅 2M 的模型体量使得快速微调和工程适配成为可能，为各领域研究和工业应用提供了无限可能。LimiX-2M已上线始智AI-wisemodel开源社区，欢迎大家前去体验。
这引出一个尖锐的问题：为什么在非结构化数据上所向披靡的现代深度学习，在结构化数据建模中却长期陷入瓶颈？
直指这个核心问题，清华大学崔鹏团队做出了他们的回应 ——LimiX。不同于其他模型只能进行一种下游任务，LimiX-2M 在同时支持分类、回归、缺失值插补等任务的前提下，以仅有 2M 的模型参数超越了包括 XGBoost、CatBoost 在内的经典模型，并在与 AutoGluon 和 TabPFN 的对比中展示出显著优势，仅次于 LimiX 前期发布的 LimiX-16M。
LimiX 的开源使中国在表格建模领域的研究真正站到了世界的最前沿，力压 Amazon AWS，Inria 等一系列顶尖机构在诸多性能测试上登顶！仅仅 2M 的模型体量使得快速微调和工程适配成为可能，为各领域研究和工业应用提供了无限可能。LimiX-2M已上线始智AI-wisemodel开源社区，欢迎大家前去体验。
0 00
你肯定见过大模型在解题时「装模作样」地输出：「Hmm…」、「Wait, let me think」、「Therefore…」这些看似「人类化」的思考词。但一个灵魂拷问始终存在：这些词真的代表模型在「思考」，还是仅仅为了「表演」更像人类而添加的语言装饰？是模型的「顿悟时刻」，还是纯粹的「烟雾弹」？
来自中国人民大学高瓴人工智能学院、上海人工智能实验室、伦敦大学学院（UCL）和大连理工大学的联合研究团队，在最新论文中首次利用信息论这把「手术刀」，精准解剖了大模型内部的推理动态，给出了令人信服的答案：当这些「思考词」出现的瞬间，模型大脑（隐空间）中关于正确答案的信息量，会突然飙升数倍！
这绝非偶然装饰，而是真正的「信息高峰」与「决策拐点」！更酷的是，基于这一发现，研究者提出了无需额外训练就能显著提升模型推理性能的简单方法，代码已开源已上线始智AI-wisemodel开源社区，欢迎使用。
来自中国人民大学高瓴人工智能学院、上海人工智能实验室、伦敦大学学院（UCL）和大连理工大学的联合研究团队，在最新论文中首次利用信息论这把「手术刀」，精准解剖了大模型内部的推理动态，给出了令人信服的答案：当这些「思考词」出现的瞬间，模型大脑（隐空间）中关于正确答案的信息量，会突然飙升数倍！
这绝非偶然装饰，而是真正的「信息高峰」与「决策拐点」！更酷的是，基于这一发现，研究者提出了无需额外训练就能显著提升模型推理性能的简单方法，代码已开源已上线始智AI-wisemodel开源社区，欢迎使用。
0 00
AI 任务越来越复杂，硬件也越来越多样，现在大家都急需一种智能系统，不用手动调试，就能直接生成高性能 GPU 内核。不管是运行顶尖大语言模型的超大规模数据中心，还是学术研究用的高性能计算集群，软件和硬件得高效配合才能落地，这种需求就更迫切了。
虽然现在大语言模型在代码生成上挺厉害，但要写出能正确运行、还高效的 GPU 代码，依然是个大难题。而 AI 辅助开发 GPU 内核（尤其是针对 AMD Instinct™ MI300X 这类新型硬件），能大大提升开发效率，加快部署速度。
AMD 推出了 GEAK（生成高效 AI 中心 GPU 内核），一款专门针对 AMD Instinct™ GPU 的自动 Triton 内核生成智能体框架。它把最先进的大语言模型和结构化推理、反馈循环结合起来，就是要把 AI 辅助代码生成的能力再提一个档次。
同时还发布了两个评估基准：一个是 TritonBench 修订版（从 TritonBench-G 改编而来，包含 184 个内核，测试工具更严格），另一个是全新的 ROCm Triton 基准（从 AMD 开源 ROCm 仓库挑选 30 个真实场景内核），用来测试 AI 生成内核的正确性和运行性能。
实际测试结果很亮眼：GEAK 比直接用大语言模型生成代码强太多 ——TritonBench 修订版上正确生成率高达 54.89%，ROCm Triton 基准上更是达到 63.33%，而直接提示大语言模型不做智能体反馈的话，正确率还不到 15%。另外，GEAK 生成的内核在 TritonBench 修订版上，比原来的参考版本平均快 2.59 倍。还对 ROCm Triton 基准中的一个高性能内核做了详细研究，并且已经开源了 GEAK 智能体和评估框架。
目前，GEAK-agent已开源上线始智AI-wisemodel开源社区，8月底举办的AMD AI 速训营24小时 GPU黑客松的一个赛题就是基于GEAK-Agent设计的，几十个团队已经在参赛时深度体验和尝试，欢迎更多感兴趣的朋友前往体验和尝试。
虽然现在大语言模型在代码生成上挺厉害，但要写出能正确运行、还高效的 GPU 代码，依然是个大难题。而 AI 辅助开发 GPU 内核（尤其是针对 AMD Instinct™ MI300X 这类新型硬件），能大大提升开发效率，加快部署速度。
AMD 推出了 GEAK（生成高效 AI 中心 GPU 内核），一款专门针对 AMD Instinct™ GPU 的自动 Triton 内核生成智能体框架。它把最先进的大语言模型和结构化推理、反馈循环结合起来，就是要把 AI 辅助代码生成的能力再提一个档次。
同时还发布了两个评估基准：一个是 TritonBench 修订版（从 TritonBench-G 改编而来，包含 184 个内核，测试工具更严格），另一个是全新的 ROCm Triton 基准（从 AMD 开源 ROCm 仓库挑选 30 个真实场景内核），用来测试 AI 生成内核的正确性和运行性能。
实际测试结果很亮眼：GEAK 比直接用大语言模型生成代码强太多 ——TritonBench 修订版上正确生成率高达 54.89%，ROCm Triton 基准上更是达到 63.33%，而直接提示大语言模型不做智能体反馈的话，正确率还不到 15%。另外，GEAK 生成的内核在 TritonBench 修订版上，比原来的参考版本平均快 2.59 倍。还对 ROCm Triton 基准中的一个高性能内核做了详细研究，并且已经开源了 GEAK 智能体和评估框架。
目前，GEAK-agent已开源上线始智AI-wisemodel开源社区，8月底举办的AMD AI 速训营24小时 GPU黑客松的一个赛题就是基于GEAK-Agent设计的，几十个团队已经在参赛时深度体验和尝试，欢迎更多感兴趣的朋友前往体验和尝试。
0 00
11月11日，百度文心多模态思考模型ERNIE-4.5-VL-28B-A3B-Thinking正式开源。本模型仅3B激活参数，媲美顶级大模型性能！ERNIE-4.5-VL-28B-A3B-Thinking是在ERNIE-4.5-VL-28B-A3B基础上训练的深度思考模型，在视觉语言多模态理解能力上实现了显著提升。模型具备领先的文档与图表理解能力，在理科与文科综合推理、通用视觉推理等任务中表现优异，展现出更强的跨模态推理与问题解决能力。同时，结合空间定位与工具调用，该模型推出“图像思考”等创新功能，为多模态思维与交互应用带来更丰富的可能。ERNIE-4.5-VL-28B-A3B-Thinking模型以Apache License 2.0协议开源，允许商业使用。模型已上线始智AI-wisemodel开源社区，欢迎体验。
0 00
大模型驱动的语义表示时代，文本嵌入模型（Text Embedding Models）已成为检索、STS、分类、排序等各类NLP下游任务的核心基石。然而，主流嵌入模型普遍依赖大规模数据或合成数据，很少系统性探索训练技巧与数据质量的协同优化。
结果就是，并且由于模型体积庞大，部署成本高昂，其泛化能力和可复现性不太理想。
此外，多数业界领先的嵌入模型来源于头部公司，其专有数据、封闭代码和商业限制为学术界和开发者社区带来了巨大的挑战，使得高效、可复现的研究难以进行。
为此，KaLM-Embedding团队推出了KaLM-Embedding-V2系列模型，一个以高质量数据+精湛训练技巧为核心打造的紧凑通用嵌入解决方案。它不仅性能强悍，更以0.5B参数的“小体型”挑战甚至超越多个7B~9B级模型！与同参数量规模的Qwen3-Embedding-0.6B以及bge-m3相比，KaLM-Embedding-V2系列展现出来显著的性能优势。
最重要的是，KaLM-Embedding不仅仅是一系列单点模型，而是一个面向学术界的全面开源贡献：
完整的数据配方和全开源的数据：让研究者能直接从training-ready的数据集着手；
卓越的训练技术：让研究者快速构建媲美工业级的检索器模型。
开放的商业授权：明确开放模型的商用权限，旨在推动RAG基础设施的普及；
完整的训练与推理代码：降低复现与扩展的门槛，以及下游任务适配难度；
KaLM-Embedding团队望借此推动通用文本嵌入技术的开放：让任何研究者、开发者乃至企业团队，都能自由使用、改进与扩展这一嵌入框架；让高质量的语义理解能力不再只属于超大规模模型与封闭系统，而能通过开放数据与透明训练，被更广泛地共享、验证与创新。模型已上线始智AI-wisemodel开源社区，欢迎大家前去体验。
结果就是，并且由于模型体积庞大，部署成本高昂，其泛化能力和可复现性不太理想。
此外，多数业界领先的嵌入模型来源于头部公司，其专有数据、封闭代码和商业限制为学术界和开发者社区带来了巨大的挑战，使得高效、可复现的研究难以进行。
为此，KaLM-Embedding团队推出了KaLM-Embedding-V2系列模型，一个以高质量数据+精湛训练技巧为核心打造的紧凑通用嵌入解决方案。它不仅性能强悍，更以0.5B参数的“小体型”挑战甚至超越多个7B~9B级模型！与同参数量规模的Qwen3-Embedding-0.6B以及bge-m3相比，KaLM-Embedding-V2系列展现出来显著的性能优势。
最重要的是，KaLM-Embedding不仅仅是一系列单点模型，而是一个面向学术界的全面开源贡献：
完整的数据配方和全开源的数据：让研究者能直接从training-ready的数据集着手；
卓越的训练技术：让研究者快速构建媲美工业级的检索器模型。
开放的商业授权：明确开放模型的商用权限，旨在推动RAG基础设施的普及；
完整的训练与推理代码：降低复现与扩展的门槛，以及下游任务适配难度；
KaLM-Embedding团队望借此推动通用文本嵌入技术的开放：让任何研究者、开发者乃至企业团队，都能自由使用、改进与扩展这一嵌入框架；让高质量的语义理解能力不再只属于超大规模模型与封闭系统，而能通过开放数据与透明训练，被更广泛地共享、验证与创新。模型已上线始智AI-wisemodel开源社区，欢迎大家前去体验。
2 00