AI.x社区

译者朱先忠审校重楼简介你有没有看过配音糟糕的电影，嘴唇动作和台词不同步？或者在视频通话中，对方的嘴型和声音不同步？这些同步问题不仅仅是烦人，而是视频制作、广播和实时通信中一个真正的问题。Syncnet论文（见“项目源码”一节）通过一种巧妙的自监督方法正面解决了这个问题，该方法可以自动检测并修复音视频同步问题，无需任何手动注释。特别酷的是，修复同步问题的同一个模型，通过学习嘴唇动作和语音之间的自然关联，...

文章链接：https:arxiv.orgpdf2510.08485​项目链接：https:mce.github.ioprojectInstructXGit链接：https:github.comMCEInstructXtabreadmeovfileInstructX的案例。在图像和视频编辑方面的最先进性能。亮点直击InstructX，一个在单模型中执行图像和视频编辑的统一框架。研究分析了MLLM与扩散模型的集成，并为未来的研究提供了新的见解。讨论了一种简单而有效的方法，通过图像训练数据扩展零样本视频编辑能力。该设计使Instruct...

还在一张张地核对发票，手动录入合同信息到眼花？你可能还没意识到，那个曾经只会“傻瓜式”扫描文字的OCR（光学字符识别）技术，已经被彻底颠覆了。当大型语言模型（LLM）的浪潮席卷而来，OCR不再只是一个“文字搬运工”。新一代的LLMOCR已经进化成一个能读懂、会思考的“文档理解专家”。它不仅能识别文字，更能理解上下文、自动纠错，甚至解读数据背后的逻辑。那么，这场由LLM引领的OCR革命，究竟强在哪里？它又将如何改变我...

当OpenAI在10月初发布AgentBuilder与AgentKit时，外界第一反应是：“这不就是更好用的GPT吗？”但行业人士立刻意识到，这一次的变化不是模型升级，而是范式重构。过去一年，AI的焦点集中在“大模型能力”上——谁更聪明、谁能写更流畅的代码、谁能生成更像人的语言。而从2025年开始，新的竞争点正在转向：谁能让AI真正“动起来”——在真实的系统、真实的工作流中完成真实的任务。这，就是Agent（智能体）时代的开始。而OpenAI...

在大模型的竞速赛道上，算力就是发动机。无论是ChatGPT、Gemini还是LLaMA，这些庞然大物背后，都离不开两类主力硬件：GPU（图形处理器）和TPU（张量处理单元）。看似并肩作战，实则两者的定位、架构、生态和使用场景有着明显差异。那么，到了2025年，究竟谁才是训练Transformer大模型的最佳选择？今天，我们就从架构、性能、生态、可扩展性、能效、成本以及最新Benchmark几个维度，带你全面梳理GPUvsTPU的差异与取舍。1.架构层...

OpenAI正在成为AI时代的“Windows”。Ben认为，OpenAI正通过构建底层平台、控制接口与生态，把自己定位成新一代计算架构的操作系统。这一观察精准，但笔者感觉不够全面。Ben聚焦于“操作系统化”的技术与平台路径，却忽视了另一个更具颠覆性的层面：OpenAI不仅在控制硬件与算力，更在重塑信息、关系与交易三大社会结构。一、从“操作系统”到“社会系统”Ben的核心论点非常清晰：ChatGPT是新操作系统的“桌面”；插件生态是新一...

好久没有见到时间序列预测方向大的突破了，部分可能归因于两点：1.现有方法能力已被推至极限；2.所预测对象本身内生的随机性。近日Nature上有学者提出未来引导学习（FutureGuidedLearning,FGL），引入“未来信息”动态反馈机制，在多个任务中显著提升预测性能。核心机制FGL由两个模型构成：检测模型（FutureModelTeacher），利用未来时间窗口的数据判断关键事件是否会发生。预测模型（PredictiveModelStudent），依赖历史与当前...

大型语言模型（LLMs）在推理、工具使用和决策方面表现出色，但金融领域的研究仍然不足。现有金融基准主要测试静态知识，未能反映交易的动态和迭代特性。本文提出STOCKBENCH基准，旨在评估LLM在真实股票交易环境中的盈利能力和风险管理能力。评估结果显示，大多数LLM智能体未能超越简单的买入持有基准，表明静态问答能力与动态市场交易策略之间存在差距。摘要大型语言模型（LLMs）在推理、工具使用和决策方面表现出色，但金融领...

深度学习在股市预测中面临挑战，因市场波动性大且信号噪声比低。本文提出一种两阶段框架用于金融时间序列的模式基础方向预测。结合SIMPC（基于DTW的无监督聚类方法）和JISCNet（基于形状的分类器）。SIMPC发现多变量模式，适应动态窗口、幅度缩放和时间扭曲。JISCNet利用部分输入序列进行可解释预测。在四种金融资产上的实证评估显示，该方法在方向准确性和交易表现上显著优于竞争基线。该框架通过聚焦于与经验提取模式结构对齐...

在最近结束的OpenAIDevDay上，SamAltman宣布推出AgentKit，这是一个全新工具包，专门为开发者设计，让构建和部署AIAgent变得更简单。过去几年，agenticsystems和自动化成了AI领域最激动人心的方向之一。你可能用过或听说过像n8n、Langchain或者Make这样的工具。它们很厉害，但我也能理解为啥有些人不太敢用。这些工具复杂，需要不少技术背景知识，而且扩展起来成本不低。AgentKit是OpenAI的一次尝试，目的是把原本复杂的过程变...

如果你用过大型语言模型（LLMs）干点正经事，你肯定知道那种等待的煎熬。你输入一个问题，按下回车，然后……啥也没有。就一个转圈的光标在那晃，直到第一个词终于蹦出来。这种延迟叫“首次令牌时间”（timetofirsttoken，TTFT），真是让人抓狂。现在，有个叫LMCache的项目。它是开源的，简单说就是给LLMs提速的神器。LMCache是干啥的？LLMs老干重复的活儿。每次你给它一段文本，它都会构建一个叫KVcache（键值缓存）的东西。你...

通过Cypher实现LLM驱动的Neo4j智能在当今这个数据驱动的世界里，信息量巨大、动态变化且往往是非结构化的，挖掘有意义的关联变得至关重要。知识图谱（KnowledgeGraphs）提供了一种结构化的方式来表示实体及其关系，让机器不仅能处理原始数据，还能理解上下文。它们已经成为智能系统的基石，驱动了语义搜索、推荐引擎、问答系统和企业决策——通过将数据点连接成一个机器可理解的网络。但随着知识图谱的规模和复杂性增加，它们常...

RetrievalAugmentedGeneration(RAG)现在是最受欢迎的框架，用来构建GenAI应用。企业和组织特别喜欢它，因为它能让他们用自己的专有数据来回答用户问题。它让LLM给出准确、及时、和用户问题相关的答案。从我这几年构建RAG应用的经验来看，你的响应质量很大程度上取决于检索到的上下文。而提升RAG检索上下文的一个关键方式，就是把数据切分成合适的大小，选择合适的embedding模型，还有选一个有效的检索机制。Embeddings是LLMs的...

导语当我们用大模型回答复杂问题时，最怕两件事：一本正经地“胡说八道”，以及答非所问。原因往往并不在模型“不会”，而是训练语料里知识缺失或过时、推理路径不可靠。来自西安交通大学等机构的团队提出了一个简单而有效的思路：把知识图谱里本来就存在的“先验”用起来，用结构先验提升推理“忠实度”，用约束先验提升答案“可靠性”。他们把这套方法命名为DeliberationonPriors（DP），论文已上线arXiv，代码也已开源。论文...

QwQMed3是一个基于UMLS知识图谱的320亿参数医疗大模型，通过自底向上的组合推理方法，在ICDBench评测中全面超越现有模型，为专业领域超级智能提供了新的技术路径。引言：医疗AI的范式革命在人工智能快速发展的今天，大型语言模型（LLM）在各个领域展现出了惊人的能力。然而，在医疗这样的专业领域，传统的"自顶向下"训练方法——即在大规模通用语料库上进行预训练——往往面临着准确性和可靠性的挑战。QwQMed3的出现，为我们展...

今天，快手Kwaipilot团队开源了KATDev72BExp模型，该模型在软件开发能力评测基准SWEBenchVerified上取得了74.6%的卓越性能，创造了开源模型的新纪录。  此次登顶不仅超越了此前表现优异的Qwen3Coder等强大的开源模型，还表现出对标顶尖闭源模型的实力。 SWEBench是全球公认的软件工程基准测试，要求模型真实理解代码库、修复错误并实现功能。KATDev72BExp的优异表现，证明了其在处理复杂编程任务上的强大能力。&...

编辑听雨出品51CTO技术栈（微信号：blog51cto）就在今天，通义千问发布了Qwen3VL官方指南，并将其称为“Cookbooks”烹饪书。图片这本“烹饪书”可谓让用户告别“魔咒”。因为对于强大的AI模型，尤其是多模态模型，我们常常需要反复尝试、精心设计非常复杂和精确的指令（即“提示词”），才能让模型输出理想的结果。这个过程就像念一句复杂且不能出错的“魔法咒语”一样，门槛高且令人困扰。这就是所谓的“提示词魔咒”。“烹饪...

编辑云昭先坦白一件事：AIAgent不是魔法。它们脆弱、多变，更像是喝了咖啡的实习生，而不是能独立完成任务的员工。但我确实在5家初创公司里，造过300多个Agent。我看过它们惊艳的成功，也看过它们惨烈的崩溃。我见过投资人被炫目的Demo迷住，然后在现实到来时拔腿就跑。以下，是我学到的一切——未经粉饰的版本。1.没有上下文，Agent就是笨蛋大家都爱说：“Agent是未来。”但说实话：一个孤立的Agent，不过是穿着西装的鹦鹉。真...

编者按：为什么训练大语言模型需要如此苛刻的网络条件？InfiniBand真的是“封闭”技术吗？英伟达在AI网络领域的优势究竟从何而来？文章从LLM训练的梯度下降过程切入，生动阐释了为何在包含数万GPU的集群中，哪怕一个GPU延迟20微秒，都会造成算力的巨大浪费。作者随后对比了企业网络、超大规模云网络和高性能计算网络三种场景，指出只有HPC网络的设计理念与AI训练需求高度契合。文章还破除了一个普遍的认知误区：InfiniBand并非M...

文章链接：https:arxiv.orgpdf2510.08555项目链接：https:onevfall.github.ioprojectpagevideocanvasGit链接：https:onevfall.github.ioprojectpagevideocanvas亮点直击引入并形式化了任意时空视频补全任务，这是一个统一的框架，涵盖了广泛的可控视频生成场景。VideoCanvas，第一个将InContextConditioning范式应用于任意时空补全任务的框架。进一步引入混合条件策略：SpatialZeroPadding和TemporalRoPEInterpolation。该方法...