千卡集群破壁之道：vivo视觉多模态大模型训练效率跃迁实战

多模态大模型在多领域需求增长，但千卡级 GPU 训练挑战大。vivo AI 架构师王兆雄在大会演讲，结合 LLaVA 和 DiT 模型实践，解析优化策略，分享提升训练效率与稳定性的经验，还展望了 AI Infra 未来。

CVPR 25 |全面提升视觉感知鲁棒性，生成模型快速赋能三维检测

香港中文大学（深圳）等单位学者提出 DriveGEN 无训练自动驾驶图像可控生成方法，无需额外训练生成模型，通过两阶段策略扩展训练数据，提升三维检测模型鲁棒性，代码已开源。

【明日开幕】山洋平个展《风铎》，观一场视觉风动｜三影堂厦门

14.9k Star！Firecrawl 开源的 PDF 智能分类器，200 份文档 0.47 秒搞定！

Firecrawl 开源 PDF 智能分类与文本提取库 pdf-inspector，已获超 1.4 万人标星。它能智能分类、感知提取、转 Markdown 及按需路由，性能炸裂，分类快，多项指标领先，还支持多平台。

谷歌“世界模拟器”深夜上线！一句话生成3D世界，支持分钟级超长记忆

谷歌DeepMind发布新一代通用世界模型Genie 3，只需一句话就能生成可实时交互的3D世界。性能大幅升级，支持720P画质等，还能推动具身智能体研究，谷歌期待其助力迈向AGI。

从打分器到思考者：RM-R1用推理重塑模型价值判断

伊利诺伊大学香槟分校团队提出 RM - R1 框架，将奖励建模定义为推理任务。它引入推理奖励模型和链式评估准则机制，经两阶段训练，在多基准测试中表现超大规模模型，验证了推理能力对奖励模型的重要性。

西湖大学张驰团队：从视觉合成到空间理解，视频 AI 正在「转向」丨CVPR 2026

过去两年视频生成发展近成熟，但多数模型缺乏空间结构稳定建模能力。西湖大学AGI Lab团队提出论文，将问题落回推理阶段，让相机轨迹成约束条件，推进视频生成到三维结构约束建模。

全球首个人形机器人通用视觉感知系统，Humanoid Occupancy建立多模态环境理解新范式

北京人形机器人创新中心推出 Humanoid Occupancy 感知系统，创新性融合多模态传感器信息，构建通用感知框架。它以语义占用表征为核心，有全编码和适配融合优势，经实验验证性能优，推动机器人迈向通用感知时代。

中学生就能看懂：从零开始理解LLM内部原理【九】｜ 层归一化：神经网络的稳定器

本文是系列文章第九篇，介绍了神经网络中的层归一化。先回顾标准差、标准分概念，指出其可使差异可控稳定。接着说明层归一化将原思想用在神经网络，还加入可学习参数，最后总结其作用与应用位置。

DeepSeek-R2尚未问世，微软小模型捡漏称王？6000样本炼出「数学作弊器」！

微软推出Phi-4推理模型系列，参数最多14B，能在本地高性能笔记本电脑上流畅运行。Phi-4-mini-reasoning在数学推理上性能超越DeepSeek-R1蒸馏模型，且参数规模更小。文章还介绍了模型特点、训练方法、性能表现及局限性等。