计算机科研圈的博客

本文介绍了We-Math2.0系统，这是一个针对多模态数学推理任务提出的创新解决方案。研究团队构建了包含5个层级、491个知识点、1819个知识原理的完整知识体系，并开发了MathBook-Standard和MathBook-Pro两个数据集，采用"一题多图"和"一图多题"策略进行数据扩展。

英伟达推出新型高效语言模型Jet-Nemotron，通过两项核心技术突破实现性能飞跃：1）PostNAS后训练架构搜索方法，可在预训练模型上灵活优化注意力模块配置；2）创新的JetBlock线性注意力模块，显著提升计算效率。实验显示，2B参数规模的Jet-Nemotron在MMLU-Pro基准上超越Qwen3等主流模型，同时生成吞吐量提升高达47倍，在H100GPU上实现21-53.6倍加速。该研究突破了传统Transformer架构的效率瓶颈，为轻量化大模型发展提供了新范式。

Karpathy发布最新VibeCoding指南，提出AI编程三层结构：1）Cursor负责基础补全与修改（占75%工作量）；2）Claude/Codex用于较大功能块实现，特别适合陌生领域；3）GPT-5Pro解决最复杂问题，如深度调试和文献研究。他指出当前AI工具存在代码臃肿、风格不佳等问题，需要人工优化。

谷歌TPU作为AI专用芯片的典型代表，通过脉动阵列等创新设计显著提升了机器学习效率。近日，加拿大西安大略大学的工程师团队开发出开源项目TinyTPU，成功复刻了TPU的核心功能。该项目采用模块化设计，包含脉动阵列、统一缓冲区和向量处理单元等组件，支持从推理到训练的全流程。团队通过手工计算神经网络运算，实现了包括矩阵乘法、反向传播等关键算法，并创新性地采用双缓冲机制提升性能。这个由非专业学生完成的项目，不仅验证了TPU设计理念，也为AI芯片研究提供了有价值的开源参考。

中国人民大学刘文涵博士团队提出推理型文档排序模型ReasonRank，通过自动化数据合成框架生成13K高质量推理密集型训练数据，并设计两阶段训练（SFT+RL）结合多视角排序奖励机制（NDCG@10/Recall@10/RBO）。

浙江大学团队针对扩散大语言模型(dLLM)提出创新优化方法。研究发现dLLM存在"先对后错"现象，即中间迭代可能生成正确答案却在后续被推翻。

港大与快手团队提出ContextasMemory方法，通过将历史视频帧作为记忆条件，实现了长视频生成的场景一致性。该技术创新性地采用基于相机轨迹视场的记忆检索机制，显著提升了计算效率。实验显示其效果接近DeepMind未开源的Genie3，

强化学习之父、2024 年 ACM 图灵奖得主 Richard Sutton 今天分享了他在 RLC 2025（强化学习会议） 和 AGI 2025 上发表的远程演讲《OaK 架构：一个基于经验的超级智能愿景》。

论文《FlashCommunicationV2》提出创新通信技术，解决大模型分布式训练中的带宽瓶颈问题。

深度学习领域创新研究新思路：特征提取模块改良成为论文高效产出路径。

淘天集团未来生活实验室团队提出的CombatVLA模型在3D动作角色扮演游戏中展现出卓越性能，该3B参数规模模型通过动作思维（AoT）序列训练，在《黑神话：悟空》《只狼》等游戏中实现了实时决策能力。

中科院、清华大学等机构联合提出SE-Agent自进化框架，突破大模型多步推理瓶颈。

在实验中，世界模型的训练数据会与策略模型的训练数据区分开，从而验证世界模型的泛化能力。具体而言，LaDi-WM 利用预训练的视觉基础模型 (Vision Fundation Models) 来构建隐空间表示，该表示同时包含几何特征（基于 DINOv2 构造）和语义特征（基于 Siglip 构造），并具有广泛的通用性，有利于机器人操作的策略学习以及跨任务的泛化能力。2. 一种基于世界模型预测迭代优化的扩散策略：利用世界模型生成未来预测的状态，将预测的状态反馈给策略模型，迭代式地优化策略输出。

英伟达与牛津大学联合开发的VISTA3D成为首个在3D医学影像领域实现全流程支持的统一基础模型。

上海交通大学DENGLab与UCSD联合提出DiscreteDiffusionForcing（D2F）技术，突破扩散大语言模型（dLLMs）的推理瓶颈。

国防科技大学与中科院团队在《自然·通讯》发表创新成果，提出多突触发放（MSF）脉冲神经元模型，突破传统SNN时空信息编码瓶颈。该模型模拟生物神经多突触特性，统一了LIF神经元和ReLU激活函数，在图像重建、动态识别等任务中性能显著提升，能耗降低2-3个数量级。团队已在国产芯片成功部署该模型，为边缘计算提供高效解决方案。研究获国家基金支持，代码已开源。

上海交大赵海团队发布全球首个人脑启发大模型BriLLM，突破传统Transformer架构局限。

腾讯混元团队最新开源X-Omni模型，通过强化学习显著提升自回归图像生成的质量。该模型解决了传统方法在细节失真、语义偏差和文本渲染等方面的瓶颈，采用包含美学偏好、语义对齐和OCR准确性的多维度奖励系统，实现了高质量图像生成和精准指令遵循能力。研究成果已公开论文、代码及演示资源，为视觉理解与生成任务的深度耦合提供了新思路。

第一作者陈杨是浙江大学硕士生，研究方向为多模态大模型和推理，本工作完成于她在上海AI Lab实习期间，实习所在团队以Agent-Ready的知识为核心，实现「提取->结构化->推理」全链路，包括基于MLLM的文档理解、基于异质图网络的多模态知识表征、自主终身学习智能体等。此时，一个更强大的「视觉裁判」模型（论文中使用了 72B 的 Qwen2.5-VL）会介入，对比渲染图和原图，并生成定性的、结构化的自然语言反馈，例如：「图表类型正确，但颜色不匹配」、「网页布局基本正确，但缺少了一个按钮」。

大模型时代下，迁移学习与多模态融合成为研究热点。针对多模态模型全量微调成本高、模态对齐难等问题，近期研究聚焦模型高效迁移、动态融合框架等方向。三篇前沿论文分别提出。

西湖大学AGI实验室提出新型扩散模型加速方案EPD-Solver，融合数值求解、模型蒸馏与并行计算优势，可在3-5步采样内保持高质量图像生成。该方法采用轻量级蒸馏学习参数，并行计算梯度方向并加权融合，有效降低积分误差。

我滴个神嘞！多模态医学影像又冲上Nature！确定不来了解一下？