量子位

一招缓解LLM偏科！调整训练集组成，“秘方”在此 上交大&上海AI Lab等

作者

上海交通大学及上海AI Lab联合团队提出IDEAL方法，通过调整SFT训练集的组成来提升LLM在多种领域上的综合性能。研究发现增加训练数据数量并不一定提高模型整体表现，反而可能导致“偏科”。

不是视频模型“学习”慢，而是LLM走捷径｜18万引大牛Sergey Levine

作者

UC伯克利大学计算机副教授Sergey Levine提出问题：语言模型能从预测下一个词中学习很多，但视频模型却从预测下一帧中学到很少。通过类比柏拉图洞穴的故事，他讨论了AI在认知和学习能力方面存在的缺陷，并认为语言模型可能只是对人类智慧的逆向工程，而非真正的自主探索。

强化学习之父：LLM主导只是暂时，扩展计算才是正解

作者

新晋图灵奖得主Richard Sutton预测大模型主导是暂时的，未来五年甚至十年内AI和强化学习将转向通过Agent与世界的第一人称交互获取‘体验数据’的学习。他强调AI需要新的数据来源，并且要随着增强而改进。他认为真正的突破还是来自规模计算。

首创像素空间推理，7B模型领先GPT-4o，让VLM能像人类一样「眼脑并用」

作者

研究团队提出像素空间推理范式，让视觉语言模型具备原生视觉操作能力，打破文本对视觉语义的翻译牢笼。通过视觉主动操作和视觉主导推理实现高效视觉理解，在高清图像、复杂场景计数及长视频推理中均取得显著性能提升。