2026年，大厂们不再比谁的GPU多，而是比谁的算法更聪明。 作者丨陈淑瑜 编辑丨岑 峰 一个在2026年越来越难以回避的问题是：如果H100全面断供、电费账单直线飙升、训练一次大模型的成本足以买下一家创业公司，大模型的故事还讲得下去吗？ 也许顶级学术会议的论文能给大家一个新的启发。 今年的CVPR收到了四千余篇投稿，其中一个清晰的信号正在浮现：大厂不再比拼GPU数量，而是较量如何把GPU用得更好。算力封锁之下，算法正在成为新的护城河。 在论文的汪洋中，字节跳动Seed团队是出手最密集的玩家之一。 AI 科技评论聚焦四篇来自字节跳动的论文——TEMF、Beyond Token Eviction、Mixture-of-Depths Attention和GenieDrive。它们全都围绕一个核心命题展开：当算力不再能够"暴力"解决，算法如何接棒？ 这四篇论文覆盖了一条完整的链条：从生成模型的采样步数压缩，到推理过程的显存瘦身，再到注意力计算资源的动态分配，最终延伸到端侧部署的物理感知。它们不是孤立的创新，而是Seed团队围绕"算力降本"这一命题打出的组合拳。 ...

从仿真构造到多主体配合，AI 正在补齐行动决策链条。 作者丨郑佳美 编辑丨马晓宁 过去，视觉模型更多是在回答“看见了什么”，但当 AI 进入自动驾驶、游戏、机器人和多智能体协作场景时，问题已经不只是识别环境，而是“看见之后如何行动”。 一辆自动驾驶汽车不能只知道前方有车，还要判断如何避让、如何规划路线，甚至要在遮挡、夜晚和复杂天气中借助外部信息补足感知，一个游戏智能体不能只识别画面里的角色、障碍和敌人，还要把连续观察转化成具体操作；多个机器人或虚拟人也不能只是各自执行动作，而要根据队友位置、物体形状、任务目标和团队规模动态配合。 这种变化在 CVPR 2026 的相关研究中变得更加清晰：自动驾驶方向不再只关注单一感知模块，而是开始围绕可控场景生成、真实感仿真、端到端驾驶对齐和空间检索增强展开。 智能体方向也不再停留在“看见运动”，而是进一步探索如何从视频追踪走向动作学习，如何从互联网规模的玩家视频中恢复操作监督；多智能体方向则把问题推进到更复杂的团队行为，包括任意队伍规模下的人形协作，以及离线数据条件下的多目标协作学习。...

视频智能正从画面生成走向运动控制、动态建模、信号理解与真实场景应用。 作者丨郑佳美 编辑丨马晓宁 过去，视频生成更多是在解决“像不像”的问题：人物是否清晰，画面是否流畅，风格是否统一。但随着模型能力提升，视频真正困难的部分开始显现出来——它不是一组漂亮帧的连续播放，而是一个由时间、空间、运动、相机、光照和物理信号共同构成的动态系统。 只要模型无法理解这些隐含结构，它生成的视频就可能看似逼真，却在运动逻辑、视角一致性或真实场景适应上露出破绽。因此，视频智能正在进入一个更深的阶段：不只是生成画面，而是理解画面为什么会这样变化。 从运动轨迹编辑、3D 结构约束、可迭代文生视频，到自适应视频 token、长期运动表征、频闪去除、热成像分离和地球观测模型，研究者实际上都在处理同一个底层问题：如何让模型把视频从“像素序列”理解为“动态世界”。 这也是今年 CVPR 相关方向中一个值得注意的信号——视频模型的竞争重心，正在从视觉质量转向对时间、空间和物理规律的建模能力。 换句话说，视频 AI...

当 Agent 不再是昂贵的实验品，而是像水和电一样的基础设施时，真正的 AI 时代才算真正降临。 作者丨岑峰 2026 年，大模型行业的叙事中心正在经历一场痛苦但必然的位移：从追逐参数规模的“算力竞赛”，转向追求任务落地的“工程突围”。在这场位移中，AI Agent无疑是最被寄予厚望的终极形态，但它正面临一堵名为“Token 焦虑”的围墙。 为什么 Agent 的普及如此之难？因为我们正处于一种极其低效的生产模式中：为了让 Agent 维持对话的连贯性，系统不得不反复加载数万字的上下文；一次简单的任务调度，往往伴随着不可预测的高昂账单；而数据隐私在端与云的频繁传输中，更是变得岌岌可危。 Agent 的普及，正困在安全、成本与智能的“不可能三角”中。 但这究竟是模型推理的硬性支出，还是系统基建效率低下的隐形成本？为了拆解这一本质命题，雷峰网举办了“从 Token 焦虑到记忆革命”主题的GAIR Live线上圆桌。论坛由雷峰网岑峰主持，特邀： 李志宇 记忆张量 MemTensor 联合创始人兼 CTO； 闫宇坤 Qiyuan Lab 副研究员 清华大学 THUNLP...

我们选择的道路，谁与我们同行，我们最终抵达何方。 作者丨周 蕾 编辑丨岑 峰 2050是阿里云创始人王坚博士发起的一个非营利活动，自2018年起每年4月最后一个周末在杭州云栖小镇举办，定位是“年青人因科技而团聚”。它没有传统会议的“主办方—嘉宾”结构，而是一个由自愿者驱动、年青人自由发起活动的开放场域。 第八届2050大会，在今年4月的最后一个周末如期举办。而2050学习节“AGI 4 Science”专场，或许是大会三天里信息密度最高的专场，没有之一：三个小时，十七位发言嘉宾，每人十分钟。据召集人王婷介绍，这是有意为之的高密度编排：舞台时间本就是稀缺资源，让更多正在前沿摸索的青年学者“上得了台”，比让少数人讲得更长更重要。 这种议程安排让现场节奏紧凑，讲者没有客套铺陈，听者全神贯注，云栖小镇会展中心二楼的五云厅虽不大，上座率却极高，不少听众为此驻足。 本次专场主题定位是“生长中的AGI 4...

当机器从识别图像走向介入现实，视觉研究的边界也被重新划定。 作者丨郑佳美 编辑丨马晓宁 如果您漫步在 CVPR 2026 的会场，会产生一种强烈的错觉：自己是不是跑错了场馆，误入了 ICRA 或者 IROS 的现场？满屏的机械臂抓取、足式机器人的越野导航、以及在虚拟沙盒中进行千亿次迭代的物理模拟。 具身智能（Embodied AI）已经不再是视觉领域的一个“边缘分支”，而是以一种占据主舞台的姿态，成为视觉顶会最难被忽视的叙事之一。 这种范式的易位，让人们不禁回想起 2017 年机器人学界的顶级盛会 IROS。当时，机器人专家们打破了固守多年的运动学控制圈层，邀请计算机视觉泰斗、ImageNet 奠基人李飞飞做主题演讲。 在那个时刻，视觉对于机器人而言，更像是一个“尊贵的外部插件”：机器人学是主，计算机视觉是客。机器人真正的知识核心，仍然是运动学、动力学、控制、规划、执行器和系统工程；视觉负责把外部世界翻译成机器人能够使用的状态信息，却并不真正决定机器人学的问题边界。...

注意力的浮点精度不是必须的，归一化流的"精确可逆"是可以放弃的…… 作者：马晓宁 编辑丨岑 峰 这里有一幢大楼，叫做深度学习。 过去几年，人们不停地给它加盖、扩建，越盖越高，越盖越复杂。这幢大楼叫 Transformer。盖楼时用了一大批标准件，浮点精度是它的钢筋，层归一化和残差连接是它的混凝土，因果掩码是它的承重隔断。旁边还有两栋附楼：一栋是扩散模型；另一栋归一化流。在漫长的施工期里，人们不断加装更粗的钢筋、更复杂的控制系统，以为这样做就能让这几栋楼更稳固高大美观。但是这样真的是对的吗？ 可现在，这些施工的收益越来越小，而有人在附楼里试出了更好的新零件，量化、去噪、可逆约束都有了更轻便的替代品。于是，一批施工队同时进场，对准这些标准件开刀。他们不是来修修补补的，而是问一个更根本的问题：这根柱子、这面墙、这套管道，到底是真承重，还是只因为一直在那儿所以没人动？...

从街景到仿真，离线地理信息正在成为车辆理解复杂道路的新线索。 作者丨郑佳美 编辑丨马晓宁 大模型的发展表明，智能体不能只依赖一次性的上下文输入，还需要能够检索、利用和管理长期记忆。自动驾驶也正在走向类似的路径：车辆不应只是根据当前摄像头和传感器看到的内容做即时判断，而应具备一种可检索的空间记忆，能够调取当前位置长期积累的道路结构信息。对于自动驾驶来说，这种记忆可以来自街景图、卫星图、历史地图和车队经验，从而当传感器“看不清、看不全、看不远”时，车辆仍然能理解自己所在的道路空间。 在真实道路上，这类问题几乎无处不在。夜间经过一个没有路灯的路口，摄像头里车道线被阴影吞没，雨天行驶在城区主干道，玻璃反光和水雾让路沿、人行横道变得模糊，驶入复杂立交或多岔路口时，车端传感器看到的只是当前一小段画面，却需要对完整道路结构做出判断。 人类司机在这种情况下，往往不会只依赖眼前一帧画面。我们会调动对道路的记忆：这里原本有几条车道，路口在哪里分叉，人行横道大概在什么位置，前方是不是高架匝道。...

随着多模态大模型在科学推理任务中的应用不断扩展，一个更基础的问题开始显现：当同一物理问题从文本表达转为图像表达时，模型是否仍能保持一致的推理能力？围绕这一问题，来自中山大学、苏黎世联邦理工学院、华为的研究者联合提出了SeePhys Pro ，这是一套面向多模态物理推理的细粒度评测与训练诊断框架。 项目同时发布细粒度模态迁移 benchmark、PhysRL-38K / PhysRL-8K 训练集、评测代码与 RLVR 复现实验，并作为 ICML 2026 AI4Math Workshop的挑战赛开放供社区测评。 01 核心亮点 • 渐进式模态迁移基准：通过四个语义对齐的子集逐步将结构、变量和完整题干从文本转入视觉模态。 • 多模态推理瓶颈：模型对变量与标签信息的视觉grounding能力远弱于对结构化视觉信息的理解。 • 强化学习数据库：发布 PhysRL-38K 与 视觉依赖的子集PhysRL-8K，用于推进物理推理领域的强化学习研究与训练结果诊断。...

代码驱动的视觉感知，正在为大模型补上「看」这门必修课。 作者丨陈淑瑜 编辑丨岑 峰 如果把过去几年多模态大模型在STEM领域的进展放在一起审视，会发现一个相当微妙的错位。研究者们几乎把全部精力都押在了推理能力的提升上，强化学习、思维链、自我纠错……各种花式推理策略层出不穷，模型在文本推理基准上的得分也确实在节节攀升。 但一个尴尬的事实始终摆在那里：当模型被丢进一道需要看图才能解答的几何题时，它依然经常给出让人啼笑皆非的答案。 这中间到底出了什么问题？ 过去，业界习惯性地把锅甩给“推理能力不足”，认为只要把CoO做得更长、把RL奖励设计得更精巧，模型自然能在视觉推理任务上迎头赶上。于是大量的工作涌向推理链路优化，视觉感知端却几乎被当成了一个“已经够用”的黑箱。 但上海交通大学人工智能研究院与Qwen团队联合提出的CodePercept（代码驱动的视觉感知），则给出了一个截然不同的诊断结果： 当前阶段，限制大模型STEM视觉推理的真正瓶颈，并非是推理能力，而是视觉感知。 ...