「动态无偏学习框架」共找到 3004 篇相关文章
别难为 ChatGPT 了！面对海量资料，NotebookLM + Gemini 的“外挂模式”才是降维打击
Google打通NotebookLM和Gemini后，二者协作效果出色。NotebookLM可拆解复杂信息，Gemini以其为参考数据源答案更精准。二者还能基于笔记本做网站、视频、图片等，各有优势、双向协作。
OmniInsert：全新无掩码视频插入技术
基于扩散模型的视频插入技术发展快，但以往方法有局限。字节提出InsertPipe和OmniInsert，解决数据不足等难题。OmniInsert设计巧妙，还建立评测平台InsertBench，虽有小问题，但推理快，可加速优化。
大语言模型（LLM）到底是怎么运作的？（配图通俗讲解）
文章先介绍条件概率，指出大语言模型预测下一个单词是条件概率问题，会计算所有可能单词的条件概率选最高的。还提到直接选最高概率会使内容单调，引出温度概念，它能调整概率分布影响抽样结果。
Ilya Sutskever多伦多大学最新演讲：即将上大学或正在上大学的强烈建议围观
2025年6月6日，ChatGPT之父Ilya Sutskever重返多伦多大学获荣誉理学博士学位并演讲。他分享人生建议，指出AI定义了“最不寻常时代”，建议学生体验使用AI，称其是人类最大挑战与机遇。
逆向工程：ChatGPT 的记忆是如何工作的
文章是工程师eric对ChatGPT记忆系统的深度逆向工程和技术实现推测，详细拆解‘可保存记忆’和‘聊天历史’，分析工作原理、实现方案，探讨其对提升用户体验的作用，认为‘用户洞察’是关键。
见微知著：LLM 奖励建模的「Analytic Rubric」范式全面综述
该文是对LLM奖励建模的「Analytic Rubric」范式的全面综述。介绍了Rubric概念来源，指出传统奖励模型存在对齐风险，而Rubric RM在多方面取得平衡，还阐述其工作流、各维度研究情况及面临的挑战。
东方理工团队提出HiDrop：重构MLLM计算路径，压缩90%视觉Token实现2.2倍加速
东方理工大学沈晓宇团队提出HiDrop，基于MLLM不同层功能差异，设计出延迟注入、凹金字塔式剪枝和提前退出的视觉Token压缩策略。实验显示，它能压缩约90%视觉Token，保持98.3%性能，实现训练和预填充加速。
走出 MMLU 的高分幻觉：AI Agent 的「斯坦利时刻」与职场生存法则
文章指出多模态大模型在基准测试分数高，在实际业务流程却像‘职场巨婴’。研究团队构建Trainee - Bench测试顶尖模型，结果显示模型离‘独立上岗’远，凸显提升Agent自主学习性的重要性。
面向 AI Agents 的高性能数据基座：架构和工程实践
在 QCon 全球软件开发大会上，晨章数据创始人陈亮分享了面向 AI Agents 的高性能数据基座。他指出 AI Agent 驱动的应用带来数据挑战，提出多模态数据基座设计目标，并介绍工程实践，证明传统架构有 CPU 瓶颈。
2026年AAAI Fellow名单出炉！清华校友田奇等4位华人学者入选
2026年AAAI Fellow名单出炉，12位学者当选，含4位华人，分别是南洋理工大学的Bo An、香港中文大学的Irwin King、南加州大学的Yan Liu和光明实验室的Qi Tian。AAAI将在会议期间的颁奖典礼上表彰他们。