搜索：递归式自我提升

「递归式自我提升」共找到 3161 篇相关文章

We-Math 2.0：全新多模态数学推理数据集 × 首个综合数学知识体系

北京邮电大学、腾讯微信、清华大学团队提出We - Math 2.0，含知识体系、数据集及训练策略，可提升模型数学推理泛化能力。该成果在X上获关注，登Huggingface Paper日榜第一。

斯坦福AI+CS博士Joseph Suarez回顾强化学习历史，指出其曾因学术短视、学界追名逐利走向衰落。如今他坚持用小模型从零开始的RL，重建标准，让研究速度和效果大幅提升。

Qwen3.8-Max是Qwen家族迄今最强模型，2.4万亿参数，下周将开源权重。它在多项基准测试中表现出色，能连续自主工作数天，在编程、办公、科研、长周期任务、多模态等方面全面提升。

脸谱心智（FaceMind）虽未关停「叠叠社」AI 应用，但开始押注底层世界模型研究。其论文提出 Looped World Models，带来 100× 参数效率提升，强调 AI 可靠更深内部推演获得能力，指出只做应用不够。

作者介绍内容生产系统newtype OS，以写Newsletter为例展示其运作，包括主Agent Chief的工作流程，如获取文档、制定大纲、分配任务等，还阐述使用AI工具的思路，后续将添加自我总结模块。

过去中国AI产业常焦虑算力不足，如今国产AI芯片进入集中交付阶段，自给率提升。伯恩斯坦测算，国产化率有望从2023年约17%提至2027年约55%。产业进入新阶段，竞争从“拼参数”转向“拼体系”。

2026新年第一天，DeepSeek发表梁文锋署名新论文，提出「mHC（流形约束超连接）」架构。它仅增约6.7%训练时间开销，就能让27B参数模型性能显著提升，还可能淘汰ResNet结构。

清华和快手团队提出新框架AttnRL，引入注意力机制提升过程监督强化学习效率与性能。它解决传统方法在分支位置选择和采样策略上的效率问题，实验显示在多基准测试中表现优异。

针对视觉 Transformer（ViT）‘低通滤波’特性致细节丢失问题，北京理工大学等团队提出即插即用的 FDAM 模块。它受电路理论启发，能提升模型在分割、检测等任务性能，取得 SOTA 效果，有巨大应用潜力。

阿里8月发布的Qwen-Image-Edit迎来月迭代版本Qwen-Image-Edit-2509，可在https://chat.qwen.ai/使用。更新支持多图编辑，有多种玩法，还提升单图一致性，在人物、商品、文字编辑上表现显著。