「循环式架构」共找到 2508 篇相关文章
Loop-ViT：让AI学会「反复思考」，3.8M参数小模型追平人类平均水平
香港科技大学等团队提出 Loop - ViT，将循环 Transformer 引入视觉推理领域。该模型参数少但性能强，3.8M 小版本追平人类平均水平，揭示视觉推理任务中‘思考时间’比‘模型大小’更重要。
你奶奶也能看懂：DeepSeek-OCR的秘密。
本文介绍DeepSeek-OCR，它并非普通OCR工具，而是用“上下文光学压缩”将大量文本信息转为少量视觉Token。其架构含编码器和解码器，压缩效果惊人，重新定义AI“记忆”，或改变AI认知方式。
DeepMind让AI当「上帝」，导演一场只有AI演员的「西部世界」
Google DeepMind和多伦多大学研究人员受TTRPG和现代游戏引擎启发，提出Concordia软件库。它基于「实体 - 组件」架构，将工程师与设计师角色分开，能灵活构建多角色生成式AI系统，满足不同需求。
Transformer与RNN合体，谷歌打下显存门槛，解锁超长上下文
谷歌论文提出 Memory Caching 技术，通过架构机制创新赋予 RNN「可生长的记忆容量」，兼顾 Transformer 与 RNN 优势，能处理更长文本、降低推理资源门槛，实验显示有良好效果。
算法与我们：谁在驱动极化？
荷兰阿姆斯特丹大学论文《我们能修复社交媒体吗？》借助AI模拟无算法社交平台，发现三大乱象迅速复现，干预收效甚微。指出问题根源或在社交底层架构，用户可改变分享模式。
苹果AI选Mamba：Agent任务比Transformer更好
苹果新研究指出，在长任务、多交互的Agent式任务中，基于SSM架构的Mamba在效率与泛化能力上超Transformer。虽Mamba有局限性，但引入外部工具后性能显著提升。
从 Shopify 构建 Agent 的经验中可以学到的
Shopify 分享构建 Agent 经验，采用主流 Agentic Loop 架构。给出4条打造 AI 智能体核心建议，还指出工具控制在20个内，可用 SubAgent 分摊上下文；用人类标记结果作基准让 LLM 评估 Agent 生成结果。
打破传统游戏逻辑！Google | 提出Concordia ，通过Mutil-Agent构建游戏引擎！
Google DeepMind和多伦多大学研究人员提出Concordia软件库，用AI驱动智能体担任GM，基于「实体 - 组件」架构，让工程师和设计师分工，可灵活构建复杂游戏场景，还支持不同交互动态和多种使用动机。
苹果光速撤回RLAX论文：用了谷歌TPU和阿里Qwen，作者中还有庞若鸣
苹果一篇新论文在 arXiv 公开后匆匆撤稿。该论文揭示基于 TPU 的可扩展 RL 框架 RLAX，用了谷歌 TPU、亚马逊云及阿里 Qwen 模型，还介绍其架构、策略支持等，实验结果亮眼，也分享 Debug 过程。
训练即服务！让模型训练回归算法语义，150行代码跑通RL
ModelScope团队开源Twinkle框架，采用Client - Server架构，支持20余种算法组件。开发者约150行代码就能编排复杂RL训练循环，底层调度等交给框架。它兼顾易用性与灵活性，有多种特点和优势，代码已开源。