大语言模型（LLMs）作为由复杂算法和海量数据驱动的产物，会不会“无意中”学会了某些类似人类进化出来的行为模式？这听起来或许有些大胆，但背后的推理其实并不难理解：首先，人类的心理、认知及行为不是随便“凑”出来的。它们是几百万年自然选择的结果，长期受到 ...

近期，科技界迎来了一项重要突破，英伟达携手麻省理工学院（MIT）及香港大学，共同推出了Fast-dLLM框架，这一创新成果旨在显著提升扩散模型（Diffusion-based LLMs）的推理速度，为语言生成任务带来了全新的可能性。

在2025年5月25日发布于arXiv预印本平台的研究论文《基于影响力蒸馏的高效大规模数据选择》中，来自ISTA（Institute of Science and Technology Austria）和谷歌研究院的Mahdi ...

虽然 LLMs 被广泛用于开发代码，但该项目正在探索它们如何用于硬件架构甚至 PCB 板布局。然而，开发硬件可能更复杂，特别是当使用传感器和执行器等设备时。对于小规模或大规模生产进行迭代可能需要相当多的时间和资源。 该项目旨在使用大型语言模型（LLMs）进行“对话式原型设计”，这将允许开发人员和最终用户与 AI 系统进行对话，以开发原型功能，并结合传感和驱动。

最后，研究团队建议未来的视频评测应考虑计算效率。通过精心设计问题集，可以在减少计算资源消耗的同时，保持评测的区分能力。这就像设计一个简短但高效的体能测试，能在短时间内准确评估一个人的整体体能水平。

在最近的科技进展中，英伟达与麻省理工学院（MIT）和香港大学联合推出了名为 Fast-dLLM 的新框架，显著提升了扩散模型 (Diffusion-based LLMs)的推理速度， 最高 可达27.6倍。这一创新的成果为语言模型的应用开辟了新天地。

近日，科技巨头英伟达联合麻省理工学院（MIT）与香港大学，发布了名为 Fast-dLLM 的新框架。这一创新的框架旨在显著提高扩散模型 (Diffusion-based LLMs)的推理速度， 最高 可达27.6倍，为人工智能的应用提供了更为强大的技术支持。

对此，团队基于函数向量构建遗忘分析框架，刻画和分析LLM内部功能的变化（其中功能表示模型对某具体任务的处理能力，如求反义词、乘法计算），进一步证实了遗忘并非简单地覆盖已有函数，而是 模型激活了带偏差的新功能 。

扩散模型被认为是传统自回归模型（Autoregressive Models）的有力竞争者，采用双向注意力机制（Bidirectional Attention Mechanisms），理论上能通过同步生成多个词元（Multi-token ...

周二，摩根大通分析师重申了对苹果股票的"增持"评级，维持240美元的目标价。随着苹果股价交易于201.70美元，分析师目标价范围从170.62美元到300美元不等，根据 InvestingPro ...

周二，TD Cowen分析师重申了对苹果股票 (NASDAQ: AAPL )的买入评级，并维持275美元的目标价，远高于目前201.94美元的交易价格。根据 InvestingPro ...

在人工智能的发展历程中，我们常常关注模型最终是否能解决问题，却很少思考模型是如何一步步学会思考的。2025年5月，来自腾讯大语言模型部门和中国人民大学的研究团队联合发表了一篇引人深思的研究论文《爬山过程铭刻的智慧远超登顶：关于学习推理中的噪声奖励》（ ...