搜索
加拿大蒙特利尔大学、Mila 人工智能研究所和麦吉尔大学团队提出 HyperQ，以逐 Token 自适应量子电路增强扩散语言模型，使 11 亿参数模型在六项零样本测试中超过 Qwen3-8B 等 80 亿参数模型，并在 IBM 156 量子比特量子集群完成验证。
在将 LLM 真正应用到产品的过程中，我们经常会遇到一个看似简单、却非常关键的问题：模型生成的内容，究竟有多可信？
看一段房间视频，视觉语言模型（VLM）能够认出桌子、椅子和柜子。但在它的内部，这些物体是按颜色、形状组织在一起，还是形成了一张包含邻接关系的空间地图？
近年来，Loop Transformer 逐渐从简单的模块复用走向更复杂的分层循环计算，探索如何通过共享参数持续更新模型状态。一个自然的问题是：当模型开始看图，这套机制还成立吗？
OpenAI前研究员Nick Cammarata与Goodfire团队发布研究称，一个320亿参数语言模型中约90%的神经元各有可解释的主要任务，表明追踪和干预神经元或能揭示AI内部规律，但该判断仍待更多检验。
视觉语言模型已经进入办公助手、内容审核、机器人和智能终端等场景。
大语言模型的生成过程天然具有自回归特性，即模型基于已有上下文逐 token 预测并生成后续内容。随着模型规模不断增大，单步前向计算的开销也随之增加，使得自回归解码面临较高的推理延迟。
大语言模型为什么能 scale？一个重要基础是，海量来源各异的知识，被统一进了同一种输入输出空间 —— 文本。输入是文本，输出也是文本，主干模型在这个统一空间中学习、组合与迁移知识。那么，具身智能要获得类似的泛化能力，通往 Physical AGI，它的 “原生统一空间” 是什么？
ChatGPT共同创造者Liam Fedus表示，数学可由Lean验证，但材料等物质科学必须依靠真实实验，因此其创立的Periodic Labs在门洛帕克建设实验室，结合语言模型推理、物理模拟与高通量实验探索AI科学家。
扩散智能DiffuSpace连续完成两轮融资，总金额达数亿元，由经纬创投、顺为资本、君联资本联合领投，创下全球扩散语言模型（dLLM）最大规模融资纪录。