搜索
近日，腾讯混元官方账号（@TencentHunyuan）在 X 上发布了一项新研究：ExplorationBench，一个专门衡量 AI 系统如何「探索」的评测基准；随后，腾讯 AI 官方账号（@TencentAI_News）也发文进行了专题推介。
清华大学MADSys实验室与趋境科技主导提出开源KTransformers-FineTune（KT-FT），让CPU直接参与MoE专家计算并优化布局与线程调度，使LoRA微调吞吐达到传统卸载范式的2.5～21.2倍。
TaoMate-H3 是由阿里巴巴 TaoLive AIGC 团队研发的音视频联合流式生成模型。基于 MiniMax H3，TaoMate-H3 将三步 LoRA 推理与自回归生成相结合，能够根据文本
Mind Lab（马卡龙）正式发布面向企业的模型后训练与推理平台 Mint Recursive，将其从 Macaron V1.1 训练实践中沉淀的 MinT 底层系统、自动化训练与迭代管线以托管服务形式开放给企业，支持 GLM、Qwen、DeepSeek、Kimi、MiniMax 等开源基座及监督微调、强化学习、全参数训练和 LoRA。
过去一年，AI数据市场经历了几轮剧烈的主题切换：从标准Coding到垂直行业，从合成蒸馏到真实场景，从任务够长就是好数据到什么任务值得解。需求每两个月刷新一次，供给侧的生存法则也在同步重写。在这个过程中，一些原本隐身于产业链深处的角色开始浮出水面——数商，就是其中之一。
AIGC相关创作中，多个LoRA合并到一起，画风串味、角色崩坏几乎是必然。
最近，一篇来自 UIUC 与哈佛大学的论文，试图把这块最后的拼图补上。作者给这个新范式起了个名字，叫 Explorative Modeling（探索式建模），模型简称 XM。它的想法简单到近乎朴素，却指向一个大胆的结论：生成模型除了参数和数据，其实还有第三根可以放大的轴。
最近手头在测一个新模型，叫 Macaron-V1。说实话一开始没抱太大期待，打着「个人智能体」旗号的产品这两年太多了，大多数打开之后还是那套老配方：一个聊天机器人，外面挂几个插件。但测了三四天下来，发现这个模型的思路跟我预想的不太一样，值得认真写一篇。
最近，一篇名为 FreeStyle: Free Control of Style-Content Dual-Reference Generation from Community LoRA Mining 的工作引起了不少关注。换句话说，FreeStyle 研究的是 style-content dual-reference generation，也就是「内容 - 风格双参考生成」。
近日清华大学于IEEE TPAMI发表论文，探讨了真机强化学习的安全性保障问题，提出了一套「安全探索均衡」新型机制，揭示了安全探索的理论最大边界，并攻克了其收敛性证明难题。