他用AI办了个音乐节,主题:别读博

邓思邈 发自 凹非寺
量子位 | 公众号 QbitAI

一个博士生连续做了6小时实验后,凌晨3点才吃上晚饭——

他打开了一首AI生成的歌,开始单曲循环。

img

听着歌词里的“被抢一作”“延毕”“审稿不通过”“创新点都没有”“科研理想”,他又哭又笑,眼泪止不住地往下流。

那些他在组会上咽下去、在导师面前没敢说出口的话,无奈、恐惧、焦虑、疲惫……全在这首歌里。他突然感觉自己被看见了,被理解了。

就这么一边听着歌,一边把实验做下去。直到窗外泛白,他才记起来自己一夜没睡觉。

他不是一个人。

就是这样42首歌组成的“不读博音乐节”系列,在B站上收获超5000万次播放,376.4万次点赞。

△参考文献:少女时代.《Gee》EP, 2009.

为了用AI做出这样一首满意的歌,作者抽卡次数多的时候可以生成100多个版本。

没人知道他的真实身份,但却有3000多封信写给他表达感谢:

你不是站在岸上呼喊的人,而是会跳下水,和我们一起感受在水里挣扎浮沉的感受。

接下来,你将会看到一个被迫停下来的科研人,在停下来的时候,做出了让别人得以喘息的东西。

他创作出这些歌词和旋律,原本是为了治愈自己,结果治愈了别人,而别人的回应又反过来治愈了他。

写歌的人自己也在水里

写出这些歌的人,网名叫“馄饨皮茄总”。

△图片为AI生成

是在读博士生?博士毕业了?博士后?还是大学青椒?

说实话,我也不知道,他也不敢告诉我。

我只知道他是一名科研工作者,他写下的每一个字,他自己或多或少都亲眼目睹过、亲身经历过。

而这些情绪和作品的集中爆发,发生在一个他不得不从现实中抽离的时间点。

去年七月,他出了一场意外事故,左臂严重骨折,手术之后连正常生活都难以为继,更别提回学校做科研。

但他竟然告诉我,至今他都非常怀念胳膊不能用的那三个月,是他最幸福的时光。

父母把他安置在自家开的月子中心的单间里,有人每天送饭,从睁眼到闭眼,他就坐在桌前创作,不需要操心任何家务。

唯一受伤的是左臂,右手能用来操作电脑,大段空白的时间完全由他自己支配。

在那之前,他一直处于一种快节奏持续高压、不停工作的状态,每天被实验任务、研究任务和各种deadline推着往前走。

△图片为AI生成

那种生活里,一个人很容易忽视自己内心真实的感受是什么,甚至来不及问。

直到骨折之后,他才第一次被允许停下来,尝试用一种旁观者的视角去客观看待自己,去审视那些长期被压抑、被忽视的感受。

科研进度被迫停滞了,但新的东西生长了出来。

去年7月18日那天晚上,观看《歌手》直播,他听着那个熟悉的旋律(原曲出自某冷门女歌手),脑子里突然闪过了另一套歌词的模样。

歌词里写的不是爱情,而是一个博士生面对一次次拒稿时的心酸和疲惫,是审稿人不断否定和打压之后的委屈,是学术梦想一点点碎掉的失落,还有明明已经崩溃、却还是要硬着头皮继续做下去的那种无奈的释怀。

他当天晚上就开始写,第二天中午就写完了。

他未曾预料过这首歌会大火,当时他以为只会有几千次观看,几百个点赞。结果视频一发出去48小时,播放量当即突破了5万。

来自听众的鼓励和正反馈源源不断,于是他开始了平均两到三天一更的节奏,更一条火一条,每天睁开眼都是999+,那种感觉“真的像做梦一样”。

那段时间里他每天早上5、6点起床,晚上9点多就睡觉,或许也正是因为作息健康、精力充沛,去年8月他一口气发了12首作品。

他更没有想到的一点是,这些歌同时在治愈他自己,缝合他的伤痛。

科研完全停摆的那几个月里,他和外面的世界几乎完全切断了联系,出不了门,见不到人。

但每天打开手机,后台都会涌进无数条私信和评论。茄总说:

我不会觉得和这个世界脱节。这个世界在用另一种方式给我反馈。

那些歌词,是他与自我进行的对话,就像是把自己长期压着的情绪拆开来、放大、反复表达的过程。写完之后,他反倒觉得轻松了很多。

他会选择用音乐来表达,很大程度上只是因为一件事:喜欢。

没有音乐科班背景,不识谱,也不会乐器。但音乐几乎贯穿了他所有的日常,恨不得一天24小时把耳机挂在耳朵上——

做实验、跑代码的时候也要放BGM,他觉得只有这样才能撑过那些枯燥的时间。

最初他动手写歌的想法其实很朴素,如果能把这些迷茫、困惑和不甘心做成歌,那以后一个人搞科研的时候,至少可以当作背景音乐播放给自己听。

近五年里,他看了30多场演唱会,从陈奕迅、邓紫棋,到Taylor Swift,再到IU、BLACKPINK,他理解那种被音乐裹住、情绪一下子打开的感觉。

音乐于他,是爱好,也是一种排解苦闷的出口。他说音乐会让人感到生活无时无刻都充满旋律,“它会成为你人生当中的一种伴奏。”

用搞科研的方法论去“搞抽象”

他一开始并没有刻意去总结什么方法。

只是写着写着,处理音乐的方式,就不自觉带上了科研训练留下的痕迹。

只不过研究对象换成了音乐旋律、情绪和人。

第一步,先选歌。

他有一套“选歌三要素”:我听过他的歌,我不讨厌他的歌,我身边的人也都听过他的歌。

在此基础上,还有一个独家的选题库可供参考。

通过逐条读取留言区或私信评论,他主动记录下粉丝的点歌需求,进行歌曲的呼声权重排序,目前已经统计整理了上千条数据。

在他看来,听人劝,才能让别人更喜欢你。

盲目蹭新歌热度不是他想要的,因为那样做出来的作品,往往也与他歌词原本想要表达的主题内核不搭。

这还没完,这段视频所选取的画面,必须得是现场Live,因为音乐现场比录制的MV更沉浸,适合用来释放情绪。

△图片为北京鸟巢五月天演唱会现场

他选素材也有一套标准——

只选两类现场:舞台美学设计在线、歌手当场情绪符合他填的歌词。同时面部特写还不能太多,否则口型不好处理。

所以他会把这首歌市面上能找到的所有Live版本,挨个看一遍,再做决定。

他拒绝用AI生成歌手演唱画面或对口型,哪怕技术上已经可行。

实在碰到没办法对口型的情况,他会选择把那个画面瞬间切换,对准台下的听众,或者来一个远景镜头。

曾经因为找不到满足要求的视频素材,他不得不放弃一首非常想改编的歌,因为画质是他的底线,1080P以下的素材不能用——“这是对观众的不负责”。

img

当歌曲敲定好之后,第二步进入填词阶段,茄总把它比作写“八股文”或命题作文。

你不是在充满自由的情况下去创作,它有着非常明确的规则、格式和方向在引导你。

他会对着原曲,记录下每一句歌词的字数、断句、重音位置,甚至连原唱在哪里停顿都要打上标记。

最关键的一点在于,改编后的歌词句尾的韵脚发音严格与原词对齐,这是为了确保画面中歌手口型能够自然“对上”,不让观众感到出戏。

原曲的音乐风格,也会对他的填词产生影响。

如果原曲是忧伤的情歌,那二创的歌词就可以用来表达科研人的心酸疲惫、无人认可的悲伤;如果原曲节奏很欢快,他就会在歌词中加入更多自嘲、搞笑、抽象的元素,以乐景衬哀情。

他发现观众特别喜欢看外语歌被改编成中文,但发音依然顺滑贴切的感觉,这背后与一个叫“空耳”的小技巧分不开。

例如,文章开头少女时代的《Gee》,大家耳熟能详的那句“Gee Gee Gee Gee / baby baby baby”,被他改编成了“记记记记 / 背背背”和“寄寄寄寄 / 悲悲悲”;

Michael Jackson的那首《Beat It》的“Just Beat It”,被他改成了“Just 避雷”。

△参考文献:迈克尔·杰克逊.《Beat It》EP, 1983.

他还从电影里学了一个技巧:打破第四面墙。

仔细看你会发现,他的歌词里经常会突然冒出来一句直接和观众互动的话,就像是歌手突然抬起头,对着屏幕前的人开口。

img

填词的工作,大部分时间都是一气呵成写完的,AI基本帮不上什么忙,因为“写词需要人脑主动去思考,需要温度,这是AI给不了的。”

第三步,才到了重头戏,也就是用AI模型生成音乐。

这项工作会占到他总工程量至少一半的时间,甚至有时候能到70%。

在他看来,AI充满幻觉,没有哪一个模型能做到100%稳定不翻车。

突然的升调、降调,咬字发音不清晰,甚至完全改变歌词旋律……诸如此类的情况时有发生。

所以他的应对策略是“赛马”,同时动用Suno、MiniMax Music这样的商业闭源模型,也包括HeartMuLa、ACE-Step这样的开源模型,对同一段内容进行反复“抽卡”。

然后从这些模型生成的歌曲片段里面优中选优。

他会听每一个版本,挑出表现最好的段落,再拼接成完整作品。

抽卡次数多的情况,同一首歌他甚至会反复修改,做出100多个版本。相当于他要把这首歌重听100多遍,可以说是近乎强迫症般的审美坚持……

他对自己的要求只有一条:我不能糊弄粉丝,也不能糊弄我自己。

AI擅长模仿和复制,但不擅长举一反三,它生成的歌很难摆脱原唱的影子,“尤其是当你想添加一些自己想法的时候”。

所以茄总具体改了什么地方?

改配乐,请看弹幕:

img

改咬字和发音。AI如果念不准某个中文字的发音,就把它改成英文里的同音词,或是笔画更少、发音相近的中文字。

改调(Key)。他会为了YOASOBI《群青》里一个不那么燃的结尾升华,去某鱼花钱找真人歌手录制降调后的Demo,再用AI过一遍,只为了增添那一点点“悲情现实主义”的质感。

△参考文献:YOASOBI.《群青》EP, 2020.

如此一番“折腾”下来,你最终听到的是一个好听耐听的版本,这也是茄总放在第一位的衡量标准。

他从不刻意追求对原唱音色的“神还原”。

相反,他希望自己的改编版本,在好听程度和情感表达效果上,能做到让听众暂时忘记这是一首抽象的二创。

“我”的含量很高,作品本身散发出一种主体性,这是他想要的,他也做到了。

img

△图片为AI生成

但有些问题,到今天他也没有解决。

茄总在改编过程中发现,AI至今都无法处理密集、复杂的和声叠唱。比如在多声道音频面前,模型会失去辨别力,把几个人的声音误认为是同一个人发出的,从而失去了原本的层次感。

这是他目前唯一真正放弃的遗憾。其他的所有较劲,都指向同一件事——

他想把这些歌做得足够好,好到对得起听歌的人。

那群听歌的人

截至去年年末,茄总在后台收到了3000多封粉丝来信。

那是B站推出的年终总结功能,用户可以给自己的“年度挚爱UP主”写一封信。

很多人提到会在做实验时循环播放他的歌,也有人在读博读不下去时反复回来听,甚至有人打算把他写进论文致谢。

这群人需要他的歌,不是因为这些歌能解决任何实质性问题。

事实上,也没有人因为他的歌,真正改变了人生走向。

来这里听歌的人,要么是看完视频庆幸自己当初没选择读博;要么就是觉得——这说的就是我现在的感受。

大家其实是在寻找一种共鸣和归属感。

img

他们的父母、亲朋好友未必能切身体会他们做科研时的感受和处境,于是需要一个互联网嘴替帮他们发声,从中找到一种精神解脱,然后接着继续苦中作乐。

而且这种状态,并不只是发生在网络世界。

茄总有一个同样在搞科研的朋友,从小唱歌就非常好听,自己也创作过很多歌,但从来没敢发出来,只是私下发给他听。

有一天他们打视频电话,聊到这件事,朋友叹了口气,说已经很久很久没有写过新歌了,因为没有时间。

读博最残忍的一点,是它会把人放进一种长期不确定的封闭环境里。

你不确定自己的实验失败多少次才能成功,不确定费尽千辛万苦写出的paper会不会被拒,不确定还需要多久才能达到毕业要求。

全世界和你做同一个细分方向研究的,可能不超过10个人。

你的父母不理解,你的朋友不理解,尤其是当实验失败、论文被拒、导师也未必能给出有效的帮助的时候。

人在这种处境里,很容易开始怀疑自己,觉得自己一无是处,然后这种自我否定会慢慢积累,甚至变成长期的内耗,慢慢侵蚀进身体里。

img

更深的困境在于,很多人拼命内卷,最后却发现自己追逐的那个研究方向根本没有意义。

真正有价值的想法早就被人做过了,剩下的大多是跟风的热点、边角料的题材,或者为了满足考核指标硬凑出来的伪命题。

他们不是不努力,但他们自己也搞不清楚,这些努力到底值不值得。包括茄总他自己在内,也是拧巴的曲中人之一。

纯粹靠好奇心驱动的研究,是极少数人才能享受的奢侈品——它需要更高的容错率,也需要更多的资源支持。

绝大多数普通科研工作者只能被绩效和KPI牵着走,什么热点火就做什么,被迫生产出那些可以快速发表、可以拿到经费的东西。

大多数人在踏进“围城”之前,也没有想清楚自己到底该不该、适不适合读博。

img

很多人要么是出于科研信仰,要么是把学历当投资。但茄总发现,这两种理由都不牢靠。

因为科研信仰会在一篇篇灌水的paper面前慢慢磨损;投资的回报又从来不是稳定的,“绝大部分资质平庸的博士生,毕业之后还是拿不到985和211的教职,也拿不到大厂顶尖的人才计划offer”。

作为同路人,茄总想通过这些歌,把没有摆在明面上的代价讲清楚。很多人只看到读博的好处,但从来没想清楚这背后隐藏着什么。

如果把个体经验拉回到整体层面,这群听歌的人,其实是一个正在持续扩张的群体。

根据国家统计局数据,全国在学研究生人数(含硕士和博士)从2023年的388.3万,到2024年的409.5万,再到2025年的430万,三年连续攀升。

img

那些听歌的人终究会离开这条路,但还会有新的人走进来,带着同样的疲惫,同样找不到人说话,同样在评论区戒读……

没有人会读一辈子读博士,但是每年都会有新人读博士。

One more thing

今年年初,茄总重新回归科研生活。视频更新的频率不得不回到一周一更,甚至是一月一更。

有人会私信关心他:是不是手头在赶什么paper?是不是论文马上要提交了?

他们替他想好了理由,因为他们自己也是这样过来的。

但茄总依旧没有断更,当然也不会停更。

让他真正下定决心要把这个系列做下去的那个时刻,发生在去年中秋节。

那天他上传视频的时间比平时晚了很多,快到深夜11点才发出去。

他以为没什么人会看,结果不到一个小时,评论区涌进来很多人,给他点赞,留言祝他中秋快乐。

img

就是那一刻,他突然意识到,“我要守护这个群体。”

曾经,他在工位独自肝到深夜。现在,因为这些歌,他和无数素未谋面的陌生人之间,建立了某种真实的连接。

他想了很久,该对这群人说些什么。

还在考虑要不要读博的人:先想清楚你愿意为它付出什么代价,而不只是你想从中得到什么好处。

正在读博的朋友:不要因为实验失败、文章被拒而否定自己,你的身心健康比任何一篇paper都更重要,都更值得被珍惜。

已经博士毕业的朋友:你能走到今天真的很不容易,接下来的人生,请不必再用同一套标准去证明自己。

他一直觉得自己歌词里写的那个人,是一个有血有肉的普通人。

不是只会坐在原地叹气,更不是什么loser,而是那种在学术生涯里遭受了很多挫折、却还是在积极乐观往前走的人。

你应该认识这样的人。

或者,你就是。

相关推荐

DeepSeek V4芯模协同背后,国产算力生态开始飞轮加速

更关键的是,CANN开始逐步兼容主流AI生态。开发者每一次正向反馈、每一个优化结果、每一个创新应用,都能通过昇腾和华为的生态快速走向产业界,形成技术、商业、生态的完整闭环。之前,昇腾与不少模型进行过协同探索,但V4是第一次在大规模、高强度、工程化的尺度上,验证了这种“芯模协同”的可行性与效率。开源以后,我们能更充分地学习业界的优秀实践,在此基础上进行适配和优化,也能将一些好的经验应用到自己的项目中。可以说,从“能跑”到“有人长期建设”,从“厂商推动”到“生态自增长”,华为算力生态,正在进入新的阶段——

量子位 523

世界模型接棒语言模型,这家公司全球首创物理AGI“双金字塔”体系,通用机器人进入“家庭时代”

毕竟在现阶段,家庭场景对机器人的真实刚需,是稳当地端水、收拾餐具、抱起脏衣篮、把零食递到孩子手上,而不是在客厅里完成酷炫的跑酷动作。可以说,这支团队完整经历了CV、自动驾驶、具身基模、世界模型等物理AI过去十年的发展历程,并在每个阶段都做出了行业领先的世界级成果。该模型实现了从感知、理解到行动的完整闭环,能够自主识别物体与场景、规划路径,并执行包含抓取、对齐、折叠、归类等多步骤的。他主导了业内首个智能驾驶数据闭环系统的落地,有效提升了数据的处理效率,为智能驾驶技术的发展提供了重要的基础设施支持。

量子位 248

LeCun新证明:世界是高斯的

论文借用这个框架证明,要让转移算子的第一个特征函数恰好是仿射函数(即线性函数加常数),潜变量的分布必须满足一个非常严格的条件——它的对数密度的导数必须是线性的,而满足这个条件的分布恰好只有高斯分布。从理论角度看,对于高斯分布,描述变量如何在时间上演化的转移算子有一组特殊的特征函数,叫做Hermite多项式,它们是高斯分布下函数空间的自然正交基,类似于周期函数里的傅里叶级数。真正有用的表示,应该对应世界的真实自由度,比如物体的位置、速度、颜色这些独立的内在变量,而不是它们被观测过程扭曲之后的混合产物。

量子位 194

玻璃里跑AI!华中科大&上交大科研成果登Nature子刊

更进一步的,光本位科技还将独有的相变材料存算一体光计算方案引入玻璃光计算芯片中,利用相变材料的非易失性,能够避免在玻璃中引入额外的相移器,从而实现计算过程几乎不耗能的三维光子神经网络系统。它既解决了三五族平台器件密度不足的问题,又突破了固定场景的应用限制,相变材料的引入,使得芯片在推理过程中保持极高能效比的同时芯片参数仍然可根据不同模型实时调整,适配性更强。尽管与论文中直接在玻璃中实现三维结构有所差异,但是同样在玻璃平台上提供了三维集成的完整方案,通过单层玻璃芯片堆叠的方式最终实现相同的三维输入效果。

量子位 176

5篇AI生成的数学论文被接收!00后创始人洪乐潼融资14个亿

如果一个 AI 系统能把数学证明交给机器逐步检查,那么同样的“生成、形式化、验证”闭环,也可能被拿去处理其他学科,以及高风险决策场景。她的创业合作伙伴Shubho Sengupta也从Meta辞职,两人从AI与数学推理的交叉可能性出发,决心解决AI的幻觉问题。创始人洪乐潼,2001年出生于广州,本科MIT三年拿下数学与物理双学位,还拿过北美数学本科生的最高荣誉罗德奖学金和摩根奖。2019年,17岁的洪乐潼考入MIT,仅用三年时间便完成了数学与物理双学位的学业,本科期间就发表了9篇学术论文。

量子位 224

AI正在重写软件行业?8岁孩子做操作系统,一人公司拿下千万订单丨百度秒哒朱广翔 @AIGC2026

这些都完成之后,我们再选择分发给谁,比如百度搜索、小红书投流,或者去微信发送到私域社群里,或者说去App store上架,分发流量之后有了用户数据再去回流、去分析、去运营,指导下次迭代,形成下个循环,每个色块就是一个真人。在很多企业里,原来提需求的是业务人员,他们自身没有开发能力,将需求提到研发部门,研发部门又不懂业务人员的痛点,需要反复沟通、调整,但现在业务人员自己就可以开发软件了。我非常荣幸能从事这个赛道,因为在这个过程中、在这一年半的时间里,我不仅看到了产品的变化,还更多地看到了整个时代的变化。

量子位 435

清华有了新老师:黄仁勋

既包括科技圈顶流如马斯克、微软CEO纳德拉、Meta扎克伯格等,也不乏金融圈大拿,如摩根大通的杰米·戴蒙、贝莱德的拉里·芬克、花旗的简·弗雷泽。,使命是加强学院与外部各界的联系,提升学院在科研和教学方面的整体水平,帮助学院建设成为世界一流的经济管理学院。后来黄仁勋转学,并且一直学业成绩优异,在高中时连跳两级,16岁毕业,进入。,除了讨论学院的国际化战略和长期发展方向,也会给经管学院的学生做讲座。不过,比起这些头衔,老黄最近最出圈的,可能还是他在夜市的花式插队——可口可乐、西门子、通用汽车、BP、塔塔。

量子位 196

「斯隆奖」得主戴亮全职加盟复旦

曾担任波士顿咨询合伙人,副总裁,中国区首席数据科学家,百度研究院大数据实验室和商业智能实验室的主任,和美国俄勒冈大学计算机和信息科学系正教授(终身教职)。,覆盖面相当宽:从宇宙大尺度结构与演化,到暗物质及其通过引力透镜留下的观测信号,再到天体物理引力波。2024年起到复旦大学物理系工作,现任复旦大学特聘教授、复旦大学天文与天体物理中心主任。获奖者覆盖数学、物理、天文、计算机、经济、生物等领域,成长路线相当恐怖,很多后来成了。继袁峰、季索清之后,复旦的天文版图,再迎一位顶尖天体物理学者。

量子位 170

高分辨率视频生成不再慢半拍:让大模型保留“原味”的同时提速十余倍

为此,SURF训练了一个轻量级Refiner,它从线性上采样后的预览latent出发,学习低分辨率latent到高分辨率latent 的flow mapping,只需少量去噪步骤,就能补足高清纹理。因为这些步骤决定了视频最终“会长成什么样”,等到整体结构、主体关系和运动方向基本稳定后,SURF再将latent 下采样到低分辨率,在保留全局结构的前提下,快速完成预览。原因在于,每个预训练模型都有自己的“舒适区”,通常接近它的训练分辨率,一旦分辨率不匹配,模型原本学到的布局、语义和运动先验,就可能被破坏。

量子位 149

大模型也需要睡觉!让AI打个盹,醒来更聪明

Transformer的核心是注意力机制,但注意力有一个天生的短板就是,上下文越长,算力平方级往上蹿,KV缓存也线性往上涨。,让大模型上下文窗口快满的时候别硬撑了,打个盹把最近的上下文反复咀嚼几遍,压缩进长期权重,清空缓存,醒了再接着干。依靠可学习的局部规则,反复对信息进行提炼整合,逐步更新SSM模块内的快速权重,完成信息的深度压缩与消化。这里的“睡眠时长”,本质上就是信息迭代处理的轮次,轮次越多,代表模型对上下文内容的梳理、打磨次数越充分。

量子位 164

1400亿Agent入场,“流量”这条护城河要塌了

因为人要睡觉,但Agent不会睡觉,所以Agent时代的交易呈现7×24小时不间断、极小额、高频次、多形态的特征,此外,支付金额的最小单位可能低于1分钱,成本大幅下降。如果说担保交易解决了电商早期敢不敢买、敢不敢卖的信任问题,移动支付解决了移动互联网时代能不能随时随地交易的效率问题,那么AI支付面对的,就是Agent时代的新问题。早在今年年初,支付宝联合千问App、淘宝闪购、Rokid、大麦、阿里云百炼等伙伴,正式发布中国首个ACT协议,提供一套智能体跨终端、跨系统的“通用语言”。

量子位 165

7B打败o3、GPT-5!医学AI智能体让模型学会“看哪里、怎么看”

是上海创智学院面向下一代医学AI Agent、视觉推理与多模态大模型的青年交叉研究团队,聚焦Visual Reasoning、Agentic RL、Clinical Tools,推动模型从“生成答案”走向基于证据的观察、验证与行动。Ophiuchus的价值不只是让医学大模型多了几个视觉工具,而是让模型学会在诊断过程中主动“看哪里、怎么看、看完如何修正”。当模型能够在思考中主动回看影像、放大病灶、截取视频、验证证据,医学AI才真正从“会回答问题”走向“会进行临床视觉推理”。

量子位 167

AI越用越聪明,自主+自进化是关键拼图丨盛大邓亚峰EverMind@AIGC2026

另一方面,我们认为,未来的AI Memory的Layer(记忆层),服务的可能不仅是资深的开发者,将来很多人都会构建AI应用。我们在token节省和模型成本方面也取得了显著的效果,原因是利用强化学习的方法训练了很小的模型——我们的4B模型在记忆提取和检索使用上的效果可媲美几百B的模型,并且已有不少学术成果发表。当前,大家看到模型进展非常快,但在记忆方面的工作,今年才逐渐多起来,去年这个时候我们和行业里一些团队开始交流AI Memory,这方面的关注还非常少。的爆火,我简单谈谈我的理解。

量子位 763

让大模型“边看边改”,视觉分割准确率直接上涨9% | ICML 2026

给模型一张图、一句话,让它把目标区域的像素圈出来——听起来直接,但一旦目标含糊、被遮挡,或者需要推理才能定位,一次性猜出正确的掩码就变得相当困难。模型不再一次性输出mask,而是先观察图像、进行推理、调用视觉工具、读取反馈,再根据历史结果迭代修正,最终生成更可靠的准确掩码。而RSAgent总体框架如下,包括多轮交互、工具调用、观察反馈、cold-start SFT与agentic RL。痛点不是单纯追求更复杂的分割头,而是让模型在开放语义任务中具备“先判断、再行动、看反馈、再修正”的能力。

量子位 186

OpenAI挖来了个F1级别车手搞公关

在我职业生涯早期,我曾效力于红牛车队,参加过F1级别的职业比赛。后来无论是Salesforce、ServiceNow,还是现在的OpenAI,他几乎每一次跳槽,踩中的都是技术范式切换最剧烈的时候。毕竟现在的OpenAI,既是全球最炙手可热的AI公司,也是最复杂、最难做品牌管理的公司之一。当年从赛道退下来后,他没有选择一条更稳妥的路,而是直接跨进了一个与赛车几乎毫无关系的行业,从零开始做市场与品牌。Salesforce后来之所以能从一家卖CRM的软件公司,变成云计算时代的行业代表,这是很重要的一步。

量子位 150

5秒完成3D场景编辑,北大&港中文&上海AI Lab搞出VGGT-Edit,120倍加速太炸了

尤其是在添加家具、调整位置、修改材质这些复杂任务中,很多传统方法仍然会出现明显的“贴图感”和几何漂移,但VGGT-Edit生成的结果,会明显更像一个真实稳定的3D空间。而这件事,可能比“会生成3D”本身更重要。对于机器人、AR/VR、空间智能这些方向来说,这几乎是致命问题——这些场景真正需要的,不是“某一个角度看起来对”,而是整个3D世界始终稳定一致。对于原生3D编辑来说,这一步非常关键——模型真正需要学习的,不只是“图像变化”,而是同一个编辑,在不同视角下如何始终保持空间一致。但问题也恰恰出在这里。

量子位 154

触觉具身来了个梦之队:天使轮近亿

背靠产学研与地方政策双重加持,作为复旦大学与静安区战略合作的重要落地成果,公司在初创期便获得静安区科经委与市北高新集团的大力培育,先后获得静安区战略性资金及上海市经信委促进产业高质量发展专项资金的支持,上海市科委也针对其核心视触觉传感器的研发给予了专项经费支持,全面加速公司的技术攻关进程。能够夹起衣物,却无法实时感知布料的滑移状态与张力分布,难以完成精准的褶皱整理。对于后发企业而言,沿着先行者的轨迹亦步亦趋难以实现突破,唯有找到行业尚未解决的核心难题,从新的技术变量切入,才能构建起不可替代的竞争壁垒。

量子位 167

DeepSeek陈德里开发自动研究Skill,写一篇论文人类只动脑2小时

论文共迭代6次(V1:4 次,V2:1 次,V3:1 次),总耗时6天,进行了约108轮Agent调用,消耗64.8万token,写了2234行LaTeX代码。,智能体可自主选题、分配资源、长期积累知识、跨领域持续研究,是当前未实现的理想状态,核心瓶颈为持续知识积累、可靠自我评估、架构规模化。早期智能体框架CAMEL、AutoGen、MetaGPT等为代表,特点是分工协作、多视角纠错,成本较高,沟通易混乱。,人类仅提供研究目标、评估最终成果,智能体可完成多步实验、代码、论文撰写,但无法自主选择研究问题。

量子位 191

双榜SOTA!微软ACL2026新作重新定义AI长记忆

结果它找到了Boston和San Francisco,却完全遗漏了Detroit——因为“attended a conference in Detroit”被埋藏在一条长消息中,与“去过哪些城市”的语义相似度不够高。最终,System-1确保语义直接匹配的记忆不遗漏,System-2确保结构相关但语义距离较远的记忆被覆盖,两者。团队认为,真正的AI记忆应当是有组织的、可推理的、双模式的、并能持续进化的。记忆系统的质量,很大程度上取决于“存储时做了什么”,而不仅仅是“检索时怎么找”。

量子位 182

将DSA注意力引入多模态,快手Keye2.0开启强化推理新范式

情感与主题的深度升华:模型并没有停留在“建雪雕”的表层,它提取了画面中巨大的“振兴东北”刻字,关联了片中“老程盼女儿、小李回流家乡”的人物背景,在总结中直指故事内核:“极寒的温度冻不住东北人的热血,冰雪项目不仅是奇观,更是承载着东北人振兴家乡、呼唤游子归乡的炽热情感与现实路径。当接收到“请找出视频中的高光时刻,并给出你的依据,时间戳用[mm:ss]的形式来表示”的指令时,Keye-VL-2.0- 30B-A3B没有陷入传统AI“哪里有击杀提示就截取哪里”或“只看画面元素剧烈变化”的机械逻辑。

量子位 189

专治世界模型幻觉!ECCV 2026 Workshop征稿,Sergey出席,帝国理工等联合发起

ergey Levine(UC Berkeley)、Jiajun Wu(Stanford)等国际顶级学者做特邀报告,同步举办具身动作世界模型挑战赛,以及主题为From Synthesis to Deployment:Bridging Academic and Industry Focuses on World Models的圆桌讨论,旨在弥合学术界在世界模型合成方面的进展与工业界对部署需求之间的差距。世界模型作为智能体的内部模拟器,在执行前预判风险、规避危险,实现风险感知决策。

量子位 196

卡帕西Anthropic最新头衔:技术员工(MTS)

但尴尬的是,这些案例的争议其实很大,都被吐槽过说没有宣传的那么美好,所谓扁平会变成隐性权力,表面没老板,实际有老员工、核心圈层……头衔都一样,竞争对手就没法通过头衔判断谁是L7谁是L5,推断一个员工具体做什么方向,定向挖人的难度直接上升。一个很直观的事实是,整个商业史上,能在没有层级制度的情况下完成规模化的组织,一只手数得过来。后来离开Ins,自己做了个新闻聚合App,叫Artifact,同样是联创+CTO的标签。这些说不在意职称的,一旦离职,就开始在领英自称上「副总裁」了(hehe)。

量子位 81

把VLM塞进隐式世界模型,港大&小鹏机器人新框架让机器人长出物理直觉

通过将人类的姿态对齐到机器人的动作空间,双系统能够共同从多样的人类动作数据(如EgoDex)中汲取养分:System-2负责从人类视频中提取通用的任务逻辑,而System-1则从人类动作标签中蒸馏通用的运动先验。借鉴认知科学中的双系统理论,不仅让强大的VLM直接在其原生的ViT特征空间中进行轻量化的隐式世界建模(Latent World Modeling),更关键的是,它将这种隐式视觉预见构建为一个可微的结构化瓶颈。System-1则在真实未来特征的指导下,专心学习从感知到精准动作的映射。

量子位 101

留给人类数学家的悬赏不多了!谷歌DeepMind一口气解决9道埃尔德什问题

同时,AlphaProof Nexus还在OEIS整数序列百科里证明了44个开放猜想,在代数几何那边解决了一道希尔伯特函数对数凹性的15年悬案,凸优化那边改进了一个锚定梯度下降法的理论边界。这个结果或许也在预示着,未来随着大模型能力持续升级,复杂的多工具组合系统,可能不再是刚需,只用大模型+专业校验工具这套简单循环,就能搞定大多数数学难题。简单理解就是,这群数字之间,既不能一个数整除另一个数,也不能一个数整除另外两个数的和,同时数字还要分布得相对密集,不能只挑寥寥几个数投机取巧。

量子位 133

龙虾之父教你省钱:开源Skill给你的Skill减肥

严格遵循Codex计费规则(UTF8字节数/4向上取整),以模型上下文2%为默认技能预算基数,结合技能优先级排序规则(系统技能>内置技能>插件技能>仓库自定义技能),核算全量技能原始占用令牌、最小渲染令牌、预算内可用令牌。同时可模拟真实运行场景,计算预算不足时的技能描述截断字符数、被省略技能数量,精准输出预算使用率、剩余预算、上下文占用比例等核心指标,直观展示技能体系的资源负载情况。跨Codex内置库、插件缓存、代码库、个人技能根目录,扫描同名技能、描述/内容高度相似的重复技能,标记冗余项。

量子位 86

刚刚,国产AI自己造了AI,全球首例!

在MMLU-Pro、MMLU-Redux、AIME-2025、AIME-2026、BFCL-v4、AA榜单等项目上,也给出了对应成绩。我们完全可以给不同的模型、不同的硬件、不同的任务,分别写专用的代码。如果人不够,那就用AI来凑!更直白一点说,就是当AI写代码的成本越来越低,未来软件不一定非要做成一套通用大框架,也可以针对不同模型、不同硬件、不同任务,现场锻造一套专用代码。这也让MiniCPM5-1B的价值更明确了,它不只是一个小尺寸模型,而是一个在参数规模、部署成本和实际能力之间重新找平衡点的端侧模型。

量子位 638

画数独、烧蜡烛都不翻车了?浙大&阿里让AI先三思再下笔|ACL 2026

让模型画 “数独解完后的样子”、“蜡烛燃烧6小时后的状态”,开源模型要么出现逻辑幻觉,要么无法把文字指令转化为精准视觉操作,形成难以跨越的执行鸿沟。研究者设计了一个独立的Thinker模块,它不直接生成像素,而是充当大脑,负责将模糊的用户意图分解为分层、结构化、且对下游生成器友好的中间表示。阶段,Thinker产生的多条推理路径直接由生成图像的视觉质量打分反馈,这迫使模型放弃空洞的辞藻,转而学习生成“视觉可执行”的指令。这种双向反馈机制,真正实现了脑与手的深度协同。

量子位 62

0.9B跑出90%真机成功率!上海交大为VLA补上空间感

从多视角RGB提取紧凑的隐式深度表征,再以轻量方式融入视觉-语言通路,最后通过flow-matching动作专家输出连续动作。参数,不额外增加硬件负担,用紧凑的隐式深度编码把空间感写进VLA策略里,仿真与真机同时兼顾性能与部署效率。论文中,IDEM骨干约0.13B参数,并结合多视角深度预训练初始化,在轻量条件下引入与深度相关的归纳偏置。值得注意的是,相比只关注benchmark分数,论文也给出了部署侧开销与实时性指标。从RGB学几何,省了硬件,但不少方案依赖较重的基础模型,训练和推理成本偏高。

量子位 83

Grok最新模型吃上Cursor「加餐」,马斯克:Coding实现巨大改进

Cursor数据其实更可能告诉模型,开发者在真实项目里,是怎么描述需求、定位问题、让AI读上下文、修改文件、修复报错、再继续追问的。更大的模型容量,往往能让它更好地理解复杂上下文、进行更长的链式思考,以及处理更具挑战性的真实开发任务~要知道,毕目前承载Grok所有生产流量都由0.5T的v8-small模型,也只有0.5T的大小。用户输入需求后,Grok Build不会直接动手,而是先制定详细执行计划,让用户确认后再执行。这边,也被马斯克亲口点名,补充训练里加入了大量Cursor数据,后续还会继续添加。

量子位 113

刚刚,国产Agent模型闯入全球第一梯队!限时免费

从训练的第一天起,它的目标就不是聊天,而是干活。就像我在实测中感受到的那样,做完桌宠它问你要不要存成Skill,做完周报它提醒你设成定时任务,昆仑万维瞄准的显然不只是一个模型,而是一整套Agent工作生态。发现没,自从模型进入Agent时代后,大部分玩家在推主力模型时都会附带一个轻量版,这也很好理解,就像前段时间Snapchat前机器学习工程师说的那样:。一只小猫,能在屏幕上随机溜达,点击会说打工人语录,右键能切工作模式和摸鱼模式,工作模式带番茄钟倒计时,还要有喝水提醒、远眺提醒、拉伸提醒这些健康功能。

量子位 537
上一篇: GPT Image 2研究科学家陈博远:我在OpenAI修中文
下一篇: 北大开源统一世界模型框架:多类合成推理任务一套搞定
QbitAl
QbitAl 企业官方账号 企业官方账号
博客等级 码龄7年 2万+粉丝 2173原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值