模型训练范式革新 - 传统R1训练范式仅通过结果对错进行奖励，导致模型可能通过捷径答题而非建立正确思考策略 [1][2] - SophiaVL-R1引入「思考奖励」机制，评估推理过程的合理性、连贯性和可靠性，提升模型泛化能力 [3][7] - 该机制通过构建思考评分数据集和训练评分模型，对推理过程进行多维度量化（如逻辑缜密性评分0.3 vs 0.9） [10][11] 技术突破与算法创新 - 采用Trust-GRPO算法解决奖励欺骗问题，通过对比正误答案的思维奖励可信度，动态调整奖励权重 [17][18] - 消融实验显示：去除Trust-GRPO或思考评分模块会导致性能下降（如MathVista得分从71.3降至70.2或68.4） [22][23] 性能表现与行业影响 - SophiaVL-R1-7B在MMMU（61.3）、MME（2403.8）、MathVista（71.3）等基准测试中超越参数量10倍的LLaVA-OneVision-72B（56.8/2261.0/68.4） [5][20][21] - 训练效率显著提升，思考奖励机制加速收敛且稳定训练过程 [23] - 模型及代码已开源，推动多模态推理领域技术共享 [8]

AI技术发展趋势 - AI技术从理解文字进化到建模世界、操控实体、模拟大脑、解构分子 [1] - 2025年AI领域热点包括DeepSeek R1、OpenAI o3、智能体Manus、英伟达Cosmos世界基础模型等 [2] - 智源大会聚集四位图灵奖得主、三十余位大模型企业创始人及CEO、一百多位青年科学家探讨AI前景 [3] 智源「悟界」系列大模型 - 智源推出全新「悟界」系列大模型，突破虚实边界，向物理AGI迈进 [4] - 「悟界」系列包含原生多模态世界模型Emu3、脑科学模型见微Brainμ、具身智能框架RoboOS 2.0/RoboBrain 2.0、全原子微观生命模型OpenComplex2 [6] - 大模型发展从文图视频主导的数字世界进入物理世界，理解尺度从宏观跨越到微观 [8] 原生多模态世界模型Emu3 - Emu3是全球首个原生多模态世界模型，支持文本、图像、视频、声音、脑信号等多模态统一建模 [12] - 通过新型视觉tokenizer实现多模态同构表征，支持端到端多模态输入输出映射 [14] - Emu3推动AI从单一模态理解向多模态协同跃迁，加速创意生成、智能搜索等应用落地 [14] 脑科学多模态通用基础模型见微Brainμ - 见微Brainμ基于Emu3架构，统一处理MRI、EEG、双光子成像等神经信号，累计处理超100万单位数据 [15] - 支持跨任务、跨模态、跨个体建模，性能超越专用模型，成为神经科学领域的AlphaFold [15] - 具备跨物种能力，兼容人类、小鼠、狨猴、猕猴数据，推动脑机接口技术实用化 [17] 具身智能框架RoboOS 2.0与RoboBrain 2.0 - RoboOS 2.0是全球首个具身智能SaaS平台，支持无服务器轻量化部署，性能提升30%，响应时延压缩至3毫秒以下 [22][24] - RoboBrain 2.0任务规划准确率提升74%，空间推理能力提升17%，新增深度思考与闭环反馈能力 [27][28] - 开源框架降低开发门槛，代码量仅为传统方式的1/10，与全球20多家具身智能企业合作 [24][31] 全原子微观生命模型OpenComplex2 - OpenComplex2突破生命尺度，可预测生物分子静态结构及动态构象分布 [34][35] - 基于FloydNetwork图扩散框架与多尺度原子级精度表示，精准捕捉分子动态特性 [35] - 在CASP16竞赛中唯一成功预测蛋白质T1200/T1300构象分布，推动生物医药研发加速 [36][38] 行业影响与未来展望 - 智源「悟界」系列从语言建模转向世界建模，为多模态、具身智能、AI for Science注入活力 [40] - 四大方向协同布局是认知智能走向具身智能与科学智能的关键一步 [40] - 大模型时代将深入理解与改变世界的系统，不止于提示框 [41]

混合专家模型技术突破 - 华为推出昇腾平台原生设计的Pangu Pro MoE 72B模型，显著降低计算开销并在SuperCLUE千亿内模型评测中并列国内第一 [2] - 通过软硬协同优化实现推理性能提升6~8倍，昇腾300I Duo单卡吞吐达321 tokens/s，昇腾800I A2单卡吞吐飙升至1528 tokens/s [3] - 采用分层混合并行(HP)策略，Decode吞吐性能相比纯TP方案提升33.1%，通过模块化分工优化通信效率 [5][6][7] 通信与计算协同优化 - 提出TopoComm优化方案，同步次数降低35%，链路有效带宽提高21%，通信数据压缩25%，AllGather通信耗时降低39% [9] - 开发DuoStream多流融合方案，实现计算与通信细粒度并发调度，解决Expert模块通信瓶颈 [12] - 构建GMMRS与AGMM融合策略，关键通信路径流水掩盖，显著提升硬件资源利用率 [12] 高性能算子创新 - 开发MulAttention融合算子，Attention计算加速4.5倍，数据搬运流水占用率89%，访存带宽利用率87% [16] - 推出SwiftGMM矩阵计算引擎，GMM计算加速2.1倍，解码阶段整网推理时延降低48.7% [18] - 算子优化实现KV缓存搬运效率提升，路由专家权重搬运瓶颈突破 [15][16][18] 推理算法创新 - 专家动态剪枝算法PreMoE保持模型准确率同时提升推理吞吐10%+ [21] - TrimR反思压缩算法通过小模型监测大模型思考过程，推理步数降低14% [22] - SpecReason反思投机算法结合大小模型优势，推理吞吐提升30% [22] 昇腾平台性能表现 - 昇腾800I A2平台4卡部署下，大并发场景单卡吞吐1148 tokens/s，较72B/32B稠密模型提升97%/18%，MTP技术下最高吞吐达1528 tokens/s [24] - 昇腾300I Duo平台4卡部署实现小并发延迟50ms，大并发单卡吞吐201 tokens/s，MTP技术下吞吐最高321 tokens/s，提供高性价比解决方案 [26] - 预填充阶段2卡2路并发实现2k序列输入延迟1.94s，单卡吞吐1055 tokens/s [26]

学术海报自动化工具Paper2Poster - 核心观点：滑铁卢大学、新加坡国立大学和牛津大学联合开发的Paper2Poster系统首次实现从学术论文到海报的全自动生成，通过多智能体协作框架解决信息压缩、多模态融合和版面规划三大挑战 [2][4][7] - 技术突破：提出PosterAgent方法，将任务分解为Parser（解析）、Planner（布局）、Painter-Commenter（绘制优化）三阶段，支持导出可编辑的pptx文件 [8][9][12] - 性能优势：在100篇顶会论文测试中，PosterAgent-Qwen版本以0.005美元/篇的成本实现87%的token效率提升，其开源模型表现超越GPT-4o方案 [21][22][23] 多智能体技术架构 - 解析模块：通过LLM提取论文层次大纲和图表素材，构建结构化素材库，完成文本粗提炼 [14] - 规划模块：采用二叉树算法递归划分版面，匹配图文语义并生成bullet points式要点 [14] - 优化循环：视觉语言模型(VLM)通过区域放大策略进行局部反馈，迭代调整板块设计直至达标 [14] 评估体系与竞品对比 - 四维指标：视觉质量(CLIP相似度0.75)、文本连贯性(PPL值8.31)、整体质量(VLM评分3.72)、论文问答(准确率71.52%)全面量化效果 [15][21] - GPT-4o缺陷：直接生成图像存在文字乱码(PPL达77.13)，HTML输出则呈现密集文本(美学评分仅2.9) [17] - 开源优势：PosterAgent-Qwen在信息得分(3.66)和成本($0.0045/篇)上均优于OWL等多智能体方案 [22][24] 应用前景与局限 - 行业影响：开创学术海报自动化新领域，配套开源数据集和评测基准推动科研辅助工具发展 [4][23] - 当前短板：串行优化效率待提升，视觉创意(Engagement评分2.89)仍落后人类设计水平 [24] - 未来方向：融合外部素材库与人机协作机制，延伸至论文审稿、科普写作等科研全流程 [25][27] 生成案例展示 - 典型输出：包含差分隐私分析表格(DP-CutMixSL)和神经切线核理论(TNTK)等专业内容的标准化排版 [29][34][37] - 可视化效果：相比竞品能更清晰传达核心论点，文字密度降低30%同时保持关键数据完整性 [20][21]

大模型强化学习中的熵塌缩问题 - 强化学习核心挑战在于利用-探索权衡，策略熵反映动作选择不确定性，传统方法通过正则化调控熵 [4] - 大语言模型训练中策略熵在几步内急剧下降至接近零，导致探索能力缺失和性能停滞，定量分析显示下游性能R与策略熵H符合指数关系R = -a exp(H)+b [4] - 在Qwen、Mistral、LLaMA和Deepseek等模型家族中验证熵塌缩现象，表明熵耗尽时性能上界确定，单纯增加算力收益有限 [7] 熵与协方差关系机制 - 策略熵单调递减的机制源于动作对数概率与logit变化的协方差，高优势度高概率动作降低熵，高优势度罕见动作增加熵 [13] - 实验显示训练初期高协方差推动熵减，后期协方差虽降低但仍维持正值持续压制熵 [13] - 传统熵/KL正则化方法在大模型中效果微弱，需针对性设计新方案 [16] 熵增强化学习方案 - 提出Clip-Cov与KL-Cov两种方法，通过限制高协方差token更新步长控制熵，Clip-Cov随机冻结部分高协方差token梯度，KL-Cov调整KL散度计算方式 [17][22] - 实验证明新方法可主动调节熵水平，在Qwen2.5-32B上实现6.4%性能提升，AIME24/25数据集提升达15% [22] - 训练动态显示新方案能维持熵值稳定并延长输出长度，突破低熵陷阱 [24] 理论与应用价值 - 发现类似Scaling Law的利用-探索曲线规律，可从小模型推演大模型性能并早期预测结果 [7] - 熵动力学理论为理解LLM强化学习底层机制提供新视角，推动算法优化 [24] - 后训练阶段算力投入增加背景下，突破熵瓶颈是实现强化学习规模化发展的关键 [24]

机器之心报道 编辑：张倩、+0 近日，新一届 ACM 博士论文奖正式公布。 该奖项每年颁发给计算机科学与工程领域最佳博士论文的作者。今年颁发的是 2024 年的奖项，包括一个博士论文奖和两个博士论文奖荣誉提名。 获得博士论文奖的论文非常有现实意义，它研究的是：现在心理健康问题越来越多，但专业心理医生不够用，怎么办？ 我们知道，在 DeepSeek 等 AI 模型火起来之后，很多人都把 AI 当成了心理医生。但很多时候，AI 并不能像真正的心理治疗师一样提供专业指导。或许，「人机 协作」是条更现实的折中路线。 在论文中，获奖作者 Ashish Sharma 探索了多种方法来实现更好的人机协作。他的方法类似于： 他最近开发的 AI 辅助心理健康工具已被公开发布，并有超过 16 万用户使用，其中大多数是低收入人群。使用这些工具的人群中，超过 50% 的家庭年收入低于 4 万美元。 除了这篇论文，还有两篇论文获得了博士论文奖荣誉提名，其中一篇研究的问题是「利用伪随机分布揭示低复杂度计算模型的固有计算局限性」；另一篇则专注 于「大型语言模型如何利用它们在训练时学习到的海量文本数据」。 随着全球心理健康问题激增，医疗保健 ...

以下文章来源于智源社区 ，作者智源社区 智源社区 . 继承学术出版严谨与系统，兼具新闻报道及时与多元；为内行搭建思想交流媒介，以事实启迪公众对AI认知 2025年 6月6日-7日， 第7届北京智源大会 将以线上+线下联动的形式召开， 4位图灵奖获 得者演讲，30余位AI企业创始人&CEO分享，100余位全球青年科学家报告，两天会议将 密集开展180余场人工智能主题演讲，在思辨与实证的交织中，为 AI 的未来绘制航图。报 名通道已开启 。 北京智源大会倒计时： 1 天 2 0 2 5 北 京 智 源 大 会 完 整 日 程 线下参会地址： 北京中关村国家自主创新示范区展示中心 线上直播链接： https://2025.baai.ac.cn/ 2025智源大会日程： https://2025.baai.ac.cn/schedule 本 届 大 会共计 20场专题论坛 ，180余场精彩报告研讨 6 月 6 日 开幕式及全体大会，大模型产业CEO论坛，NeuroAI：神经智能，自主智能体，AI+理工&医学，AI系统和开源，AI for Industry，类脑大模型， InnoVibe共创场特色活动 6 月 7 日 具 ...

技术框架与核心创新 - 提出Playmate框架：基于3D隐式空间引导扩散模型的双阶段训练框架，通过解耦面部属性（表情、唇部动作、头部姿态）实现高可控肖像动画生成[3][13] - 创新运动解耦模块：采用自适应归一化策略分离表情与头部姿态参数，其中表情归一化使用全局统计量（μ_δ=Σδ_i,j/MN_i，σ_δ=√Σ(δ_i,j-μ_δ)²/MN_i），头部姿态归一化按身份独立计算（μ_ρ_i=Σρ_i,j/N_i）[18][19] - 引入情绪控制模块：通过Diffusion Transformer Blocks实现情感条件编码，支持权重调节（音频权重w_a=4，情绪权重w_e=6时最优）[22][24] 性能优势与实验结果 - 关键指标领先：在HDTF数据集上FID达19.138（竞品30.484-29.581），FVD为231.048（竞品288.385-306.683），身份一致性CSIM 0.848（竞品0.781-0.840）[28][29] - 唇同步优化：Sync-C分数8.580优于多数竞品（Hallo2为7.754），Sync-D距离6.985接近最优（Sonic为6.549）[28] - 多场景适用性：支持7种基础情绪（Angry/Happy/Surprised等）控制，可生成真实人脸、动画及艺术风格肖像[11][31] 应用场景与行业价值 - 技术应用：已实现音频驱动视频生成（如唱歌场景），支持影视、游戏、社交领域的虚拟角色创作[1][8] - 开源生态：项目代码即将开源，配套提供论文（ICML 2025收录）、GitHub仓库及演示网站[4] - 行业突破：解决现有技术三大痛点——唇同步不准（SyncNet置信度提升12%）、控制灵活性不足（解耦误差降低19%）、情感表达受限（支持7类情绪切换）[12][33] 实现路径与技术细节 - 双阶段训练：第一阶段构建运动序列生成器，第二阶段集成情绪控制器[16] - 特征处理流程：外观特征提取器（VGG19感知损失）+运动提取器（关键点/旋转矩阵）+变形模块+解码器[17] - 扩散模型架构：采用噪声预测损失L_diff=𝔼‖ε-ε̂_θ‖²，通过Wav2Vec2提取音频特征并自注意力对齐[20][23]

机器之心发布 大型语言模型 (LLM) 的发展日新月异，但实时 「 内化 」 与时俱进的知识仍然是一项挑战。如何让模型在面对复杂的知识密集型问题时，能够自主决策获取外部 知识的策略？ 机器之心编辑部 华为诺亚方舟实验室研究团队提出了 Pangu DeepDiver 模型，通过 Search Intensity Scaling 实现了 LLM 搜索引擎自主交互的全新范式，使得 Pangu 7B 模型在开域 信息获取能力上可以接近百倍参数的 DeepSeek-R1，并优于 DeepResearcher、R1-Searcher 等业界同期工作！ 论文链接 ：https://github.com/pangu-tech/pangu-ultra/blob/main/pangu-deepdiver-report.pdf arxiv 链接： https://arxiv.org/abs/2505.24332 该项研究的主要发现如下：（1）对于复杂信息获取任务，端到端 Agentic RL 训练相比直接蒸馏老师轨迹能更好地实现 Search Intensity Scaling，从而带来平均 10 PCT 效果提升；（2）基于真实 ...