「并行循环Transformer」共找到 626 篇相关文章
何恺明团队重磅新作：去掉VAE，无需Tokenizer，纯Transformer预测数据比预测噪声更高效
麻省理工学院何恺明团队发布颠覆性研究，指出主流扩散生成模型未做好去噪工作，回归洁净数据预测才是高维像素生成正解。团队设计实验验证观点，提出极简架构JiT，展现优越性能与扩展能力。
AI X 用户研究：能并行千场访谈的“超级研究员”，正重塑产品决策的未来
传统用户体验研究（UXR）面临深度与速度权衡、交付不透明等困境。AI正改写规则，将其变为企业基础设施，在多环节带来变革。市场潜力大，新老玩家竞争，未来公司需强化优势、健全合规等。
Hybrid Model Support：阿里云 Tair 联合 SGLang对 Mamba-Transformer 等混合架构模型的支持方案
文章介绍阿里云 Tair KVCache 团队与SGLang社区在推理框架上支持混合架构模型的工程化实践。分析混合架构崛起原因、面临挑战，阐述内存管理、关键技术优化方案，验证性能，并指出未来演进方向。
从Transformer到Agent：生成式AI行业技术路线与职业发展指南，深度解析AI价值链
文章深度解析生成式AI行业，介绍其宏观图景、商业运作、行业定位与战略考量。指出行业价值链呈“杠铃”形态，应用层机会大，还提及盈利模式、岗位薪酬、开源闭源之争等，为从业者提供职业指南。
OpenAI资深研究科学家、Transformer联合作者Łukasz Kaiser领衔，2026 奇点智能大会·北京站正式官宣
2026年，Sam Altman等四位AI界大佬称已进入奇点。11月20 - 21日，奇点智能大会北京站将举行，两大核心会议同期举办。OpenAI资深科学家Łukasz Kaiser将演讲，会议汇聚专家探讨AI前沿与底层技术。
空间智能新高度：港科大谭平团队SAIL-Recon突破万帧级图像大规模3D场景重建Transformer
香港科技大学谭平教授团队与地平线团队发布3D场景表征与大规模重建新方法SAIL - Recon，突破现有模型处理能力瓶颈，可实现万帧级场景表征抽取与定位重建，在多数据集上表现优于现有方法。
AI顶会模式出了问题？ 「不发表，就出局」的恶性循环，正在压垮整个AI学界
随着AI领域发展，NeurIPS等大型学术会议愈发热门，但也带来诸多问题，如发表激增、碳排放过载、研究与会议脱节等。新加坡国立大学团队研究后指出传统模式弊端，并提出社区联合型会议新模式。
ICML2025|宁波东方理工大学刘野，陈云天：DragSolver：用于真实汽车风阻系数估计的多尺度Transformer方法
当汽车高速行驶，空气阻力影响车辆性能。传统风阻系数测算方法耗时久，难以满足实际需求。宁波东方理工大学等机构研究者提出DragSolver模型，能快速准确估计风阻系数，经实验验证效果优，有降本增效等价值。
“当年在OpenAI像在疯人院！”Jev作者完整访谈：全人类陪AI聊天的价值，不如程序员一个for循环
本文整理了前OpenAI核心研究员、Jev模型创始人Diogo Almeida的完整访谈，Diogo批判当前行业all in聊天大模型的路径偏差，推出专为程序决策设计、不做聊天交互的Jev模型，提出全新RLCD技术范式，倡导AI作为软件底层基础设施赋能自动化生产力。
告别Transformer！北大、北邮、华为开源纯卷积DiC：3x3卷积实现SOTA性能，比DiT快5倍！
北大、北邮和华为研究提出纯卷积扩散模型 DiC，抛弃自注意力机制回归 3x3 卷积。它性能超 DiT，推理速度快 5 倍，证明精心设计的卷积网络在生成任务中也能表现卓越。