把每一块显存都榨干：训练超长上下文MoE模型的四个隐藏陷阱

本文解读Salesforce提出的四种显存优化技术，针对MoE长上下文训练中专家调度、词表投影、梯度检查点、优化器状态四大内存瓶颈逐一攻克，实现百万token上下文训练，吞吐量最高提升10.4倍。

全球领袖将齐聚星展银行首届亚洲未来前瞻大会 共议AI重塑世界

Ittikar 现已上线并欢迎新成员加入

技术与社会转型时代的政策分析变革

RAND Corporation发布21页政策分析报告，指出AI驱动的变革、公众对专业知识信任的侵蚀及政治权威格局的转变，正动摇政策分析的制度基础，呼吁该领域回归基本原则，推动制度设计、培训与研究治理现代化。

罗克韦尔自动化全球报告显示，90% 的生命科学制造商表示数字化转型如今已成为业务运营的关键

机器人学会了"预演未来"：一个能读懂28种动作的世界模型

北京人形机器人创新中心提出Pelican-Sim 1.0，一个通用世界模型模拟器，融合28维统一动作数值与URDF渲染动作视频，配合稀疏MoE架构，实现跨机器人型号的动作预测，并在数据生成、策略评估、动作选择等下游任务中...

ReMoMask-2：当AI生成人体动作时，它到底在"抄"什么？

本文解读ReMoMask与ReMoMask-2，一种检索增强的文本驱动人体动作生成方法，提出分层双向动量对齐、拓扑结构化掩码、语义时空注意力等模块，并将检索空间迁移至生成器潜变量空间，实现更高保真度与更快推理速度。

终于，Google带来了Gemini 4 Argon，把旗舰对准了“严肃工作”

就在今天凌晨，Google官宣了Gemini家族的新一代旗舰模型Gemini 4 Argon。

AI智能体上岗前，要不要先自学？

AI智能体在正式接任务前能否自主决定如何预习陌生环境?论文提出任务无关的环境预处理框架,用元智能体在六大基准上对比固定策略,发现开放式自主学习总体更优,且能省去测试时的重复尝试。

你玩游戏时突然想往左转，屏幕却硬是让你的角色又往前走了半秒才反应过来，这个体验是不是很熟悉？

论文提出ActionSplice框架，通过反事实状态迁移技术，让交互式视频世界模型能在生成过程中即时响应新动作指令，无需等待或重复计算，大幅提升画面响应速度与准确度。

Beko 在 58 个国家拓展更智能、更便捷的客户服务

花了591次训练，得出的结论是：什么都没有变得更好

北大团队用591次训练实验严格测试了8种RLVR数据挑选方法和3种自适应策略，发现它们均未能稳定超越简单的均匀随机训练，同时揭示评测题库覆盖不全会导致排名结论截然相反。

泰语TTS的"蒸馏"实验：如何用15秒的声音训练出一个82M的语音模型

本文解读了一份泰语语音合成技术报告，研究团队用大型声音克隆模型OmniVoice处理15秒参考音频生成合成语料，训练出仅82M参数的固定音色学生模型Wayu-Paxa-TTS-Edge，在关键词准确率和停顿精度上部分超越...

Benchmark Radar：当AI评测基准多到数不清，谁来帮你查清楚它们的底细？

Benchmark Radar是一个每日更新的AI基准测试搜索引擎，整合1283条来自四大权威源的评测记录，揭示近四成基准无分数、分数量纲难比较等真实问题，帮研究者查清评测证据来源。

Service eVisa 指数显示：四分之三的旅客首次即可正确填写 ESTA、英国 ETA 或 eTA 申请

机器人学会了"看图说话"，却也学会了"投机取巧"

机器人操作模型在实验室里表现优异,但换个摄像头角度就大幅失效。本文提出的潜在接口训练方法,通过先无图像训练动作逻辑、再用姿态监督的窄通道引入视觉信息,在四种主流架构上均提升了泛化能力,真实机器人实验成功率提升超60个百分...

一份文档存下来，到底要花多少钱

视觉文档检索靠“后期交互”实现高精度，但每页要存上千个向量，存储代价巨大。KAUST团队发现向量分布其实只有五六维自由度，提出GLIE，仅存4个向量即可复原全部信息，压缩比大幅提升且无需重训模型。

给AI视频出一道完形填空题，它考砸了

研究者发现视频AI能看懂视频"发生了什么"，却分不清"什么时候发生"。TempCloze通过让AI从视频片段中挑选正确的缺失中段，揭示了当前视频大模型在时间对齐能力上的系统性短板，远逊于其内容识别能力。

给AI装保安，还是给每个AI配一个专属保安？

这篇论文提出EvoSafeHarness框架,针对不同AI模型和应用场景自动搜索定制化安全护栏,而非套用统一方案。在四个测试集上验证,攻击成功率大幅下降且不影响正常任务完成率,同一防御方案在不同模型场景下效果差异显著。

World in World：一段视频，怎么变成一整个可以自由探索的世界

西湖大学团队提出World in World，一种无需训练的接口，让冻结的视频世界模型通过原生注意力机制读取多种视觉证据，实现对已录制视频的自由视角探索和事件同步重渲染，性能超越现有方法。