AI.x社区

今天凌晨，微软在官网开源了DeepSeekR1魔改版MAIDSR1，在保留原有推理性能的基础上进行了大幅度增强。尤其是在响应和屏蔽词方面有了显著改进：MAIDSR1可以响应99.3%的敏感话题提示，比原版R1提升了2倍，这对于政治学术研究、社会问题、伦理道德研究等帮助巨大；但在安全风险大幅度降低，比原版R1降低了50%。那些想体验一下“放飞自我”版R1的小伙伴们可以试试这个，非常有意思打开全新世界。开源地址：​​https:huggingface.co...

01引言当LoRA遇见MoE，会擦出怎样的火花？▲左侧：原始版本的LoRA，权重是稠密的，每个样本都会激活所有参数；右侧：与混合专家（MoE）框架结合的LoRA，每一层插入多个并行的LoRA权重（即MoE中的多个专家模型），路由模块（Router）输出每个专家的激活概率，以决定激活哪些LoRA模块。由于大模型全量微调时的显存占用过大，LoRA、Adapter、IA这些参数高效微调（ParameterEfficientTuning，简称PEFT）方法便成为了资源有限的机构...

慕尼黑工业大学和伦敦大学学院提出了一款经过微调的DINOViT模型Pixel3DMM，用于逐像素表面法线和UV坐标预测。从上到下，下图展示了FFHQ输入图像、估计的表面法线、根据预测的UV坐标估计的二维顶点，以及针对上述两个线索的FLAME拟合结果。图片使用Pixel3DMM进行野外追踪。从左到右：输入、预测法线、预测二维顶点、跟踪覆盖、FLAME跟踪。单幅图像重建给定一个输入图像（右上），下图展示了DECA、FlowFace和Ours相对于地面真实CO...

DeepSeekR1火遍海内外，但推理服务器频频宕机，专享版按GPU小时计费的天价成本更让中小团队望而却步。而市面上所谓“本地部署”方案，多为参数量缩水90%的蒸馏版，背后原因是671B参数的MoE架构对显存要求极高——即便用8卡A100也难以负荷。因此，想在本地小规模硬件上跑真正的DeepSeekR1，被认为基本不可能。但就在近期，清华大学KVCache.AI团队联合趋境科技发布的KTransformers开源项目公布更新：支持24G显存在本地运行DeepSee...

4月15日，快手可灵2.0正式上线——上传几张图、几句话，AI就能给你剪出一段逼真到怀疑人生的视频！这次升级有多炸炸裂？视频效果全面提升：可灵2.0在动态质量、语义响应、画面美学等方面的呈现效果实现全球领先，同时全面升级视频及图像创作可控生成与编辑能力，上线全新的多模态视频编辑功能，能灵活理解用户意图；导演级操控：上传一张模特图+商品视频，AI能自动合成带动态光影的广告大片；局部精修：对专业创作者而言，可灵2...

文章链接：https:arxiv.orgpdf2504.02261项目链接：https:wonderturbo.github.io从一幅图像开始，用户可以自由调整视角，交互式地控制3D场景的生成，每次交互只需0.72秒亮点直击提出了WonderTurbo，首个实时（推理耗时：0.72秒）的3D场景生成方法，支持用户交互式创建多样化且连贯连接的场景。在几何效率优化方面，提出的StepSplat将前馈范式（feedforwardparadigm）扩展至交互式3D几何表示，可在0.26秒内加速3D场景扩展。此外...

我们常见的AIAgent都是无法看到实体的，例如，RPA、智能按键精灵、AutoGPT等。虽然它们可以自动完成一些日常工作，但你是无法看到其真实身体。清华大学、中南大学的研究人员联合开源了一款可视化3D交互实体AIAgent模型LEGENT，使用户可以在3D虚拟空间中与实体AI代理进行互动。「AIGC开放社区」通过在线demo体验了一下这个代理，非常有趣就像是玩一款游戏一样。只需发送特定指令就可以让AI做一些日常动作，例如，把汽车玩具放在...

在数字化内容创作领域，3D动画、游戏开发和虚拟现实等技术正飞速发展。然而，传统的人类动作生成方法面临着效率低下、成本高昂以及难以满足多样化需求的挑战。为了突破这些限制，北京航空航天大学、香港中文大学（深圳）、悉尼科技大学和中山大学等高校联合推出了SitcomCrafter——一个基于剧情驱动的3D人类动作生成系统。一、项目概述SitcomCrafter由北京航空航天大学、香港中文大学（深圳）、悉尼科技大学和中山大学等多所知...

著名开源大模型平台Stability.ai开源了3D生成模型——StableFast3D（以下简称“SF3D”）。用户通过图片仅需0.5秒就能快速生成高质量3D模型，还包括UV展开网格、材质参数、具有减少照明烘焙的反照率颜色，以及可选的四边形或三角形重网格等，这也是目前最快的3D生成模型。开源地址：https:github.comStabilityAIstablefast3dhuggingface：https:huggingface.costabilityaistablefast3d在传统的3D重建模型中，变换器通常输出较低...

选择DeepSeek时，是选满血版还是蒸馏版，需要根据具体的业务需求、硬件资源、成本预算以及应用场景来综合评估。以下是详细的对比和建议：1.性能与精度满血版参数规模：基于671B参数（如R1V3模型），支持超长上下文理解，功能覆盖复杂推理、代码生成（LeetCode难题通过率92%）、科研论文框架生成等。硬件要求：需专业服务器（如双H100GPU+1TB内存或8卡A100集群），适合企业级部署。应用场景：适用于自动驾驶、金融风控、医疗影像...

论文链接：https:arxiv.orgpdf2505.21060项目链接：https:nickisdope.github.ioStyl3R亮点直击提出了一种前馈网络用于3D风格化，该网络处理稀疏无位姿的内容图像和任意风格图像，无需测试时优化，并能很好地泛化到域外输入——使其适用于交互式应用。设计了一种双分支网络架构，将外观建模与结构建模解耦，有效增强了新视角合成与3D风格化的联合学习。本文方法实现了最先进的零样本3D风格化性能，超越了现有零样本方法，并接近...

文章链接：https:arxiv.orgpdf2408.04567项目地址：https:xrvisionlabs.github.ioSketch2Scene亮点直击可控的、基于草图指导的2Disometric图像生成流程。一个基底图修补模型，通过在新数据集上进行逐步展开的去噪扩散训练。基于学习的组合式3D场景理解模块。一个程序化生成流程，用于使用上述场景理解模块获得的场景参数渲染互动3D场景。3D内容生成是许多计算机图形应用的核心，包括视频游戏、电影制作、虚拟现实和增强现实等。...

编辑言征出品51CTO技术栈（微信号：blog51cto）LLM在生成文本和理解信息方面非常有效，但它们最终受限于训练数据的语料库。例如，如果你让一个通用的预训练模型回答与你的业务特定流程或操作有关的问题，最好的结果是它拒绝，最坏的情况是它会信誓旦旦地给出一个看似合理但错误的答案。当然，你可以通过自己训练一个模型来解决这个问题，但所需的资源往往超出实际可行的范围。例如，训练Meta的相对小的Llama38B模型需要约130万G...

文章链接：https:arxiv.orgpdf2411.18623项目链接：https:lift3dweb.github.io亮点直击提出了Lift3D，通过系统地提升隐式和显式的3D机器人表示，提升2D基础模型，构建一个3D操作策略。对于隐式3D机器人表示，设计了一个任务感知的MAE（MaskedAutoencoder），它掩盖了任务相关的可操作性区域，并重建了深度几何信息，从而增强了2D基础模型的3D空间感知能力。对于显式3D机器人表示，提出了一种2D模型提升策略，利用2D基础模型的预...

假设我们给模型一张手绘的「5」状图形，它就能通过不断突变来修改程序，最终得到能输出目标图形的程序。该模型来自加州大学伯克利分校的一个研究团队，他们提出的这种程序合成新方法使用了神经扩散模型来直接操作句法树。论文一作为该校博士生ShreyasKapur，其导师为该校计算机科学教授StuartRussell。论文标题：DiffusionOnSyntaxTreesForProgramSynthesis论文地址：https:arxiv.orgpdf2405.20519项目地址：https:treediffusio...

文章链接：https:arxiv.orgpdf2410.16770项目链接：:https:ai.stanford.edu˜yzzhangprojectsscenelanguage代码链接：https:github.comzzyunzhiscenelanguage亮点直击提出了一种场景表示方法，即场景语言，通过程序、词汇和embeddings来捕捉视觉场景的结构、语义和身份。提出了一种无需训练的方法，利用预训练语言模型从文本和或图像中推理表示。提出一个通用渲染模块，将场景语言渲染成图像。在文本和图像条件下的场景生成和编...

一、结论写在前面最近的一些方法已经显示出将昂贵的扩散模型蒸馏到高效的单步生成器中的前景。其中，分布匹配蒸馏(DMD)能够生成与教师模型在分布上匹配的单步生成器，即蒸馏过程不强制与教师模型的采样轨迹一一对应。然而，为了在实践中确保稳定训练，DMD需要使用教师模型通过多步确定性采样器生成的大量噪声图像对计算一个额外的回归损失。这不仅在大规模文本到图像合成中计算代价高昂，而且还限制了学生模型的质量，使其过于...

文章链接：https:arxiv.orgpdf2505.05474Git链接：https:github.comhzxieAwesome3DSceneGeneration亮点直击综述了3D场景生成SOTA方法;组织为四种范式：程序化生成、基于神经网络的3D生成、基于图像的生成和基于视频的生成;分析了它们的技术基础、权衡和代表性结果，并回顾了常用数据集、评估协议和下游应用;讨论了生成能力、3D表示、数据和标注以及评估中的关键挑战，并概述了包括更高真实度、物理感知和交互生成以及统一感知生...

我还在电脑前测试一个新模型，突然意识到一个问题让我兴奋得睡不着觉。你有没有想过，如果AI能"记住"一整本书的内容，会发生什么？不是那种似是而非的"记住"，而是真正的、完整的、一字不漏的记住。前两天，MiniMax发布了最新模型——MiniMaxM1，直接把上下文拉到了一百万token！这是什么概念？我花了一晚上测试，发现它相当于能一次性"读完"300页的书，而且全程几乎不忘记任何细节。从卡兹克的文章​​​MiniMax深夜开源首个推...

论文链接：https:arxiv.orgpdf2404.07949.pdf工程链接：https:chengzhag.github.iopublicationpanfusion生成模型，例如StableDiffusion模型，已经使从文本prompt生成逼真图像成为可能。然而，从文本生成360度全景图仍然是一项挑战，特别是由于缺乏成对的文本全景数据和全景与透视图之间的领域差异。本文介绍了一种名为PanFusion的新型双分支扩散模型，用于从文本prompt生成360度图像。本文利用StableDiffusion模型作为一个分支...