高考记忆与情感 - 高考结束后广播响起时大脑和心脏被抽空的感觉 高考生普遍存在考后心理真空期[3] - 疫情期间封校调整作息反而提升成绩的案例 显示环境变化对备考效果的双向影响[4] - 特殊考场安排引发对隔离考生心理状态的关注 反映极端考试环境下的共情心理[5] - 考试途中偶遇老人摔倒却无法施救的长期愧疚 显示道德困境对考试状态的潜在干扰[7] - 考前师生冲突导致成绩下滑的典型案例 证明情绪管理对临场发挥的关键作用[8] 考试应对策略 - 监考老师紧张情绪反向缓解考生压力的意外效果 体现情绪传递的双向性[9] - 考前饮食引发急性肠胃炎的警示案例 突出饮食安全对考试状态的重要性[10] - 生理期应对方式争议及实际考试表现 反映身体状态与发挥水平的非必然关联[13] - 考前集体用餐仪式形成的心理激励效应 显示群体仪式对缓解焦虑的作用[14] - 视觉误差导致数学失分的典型失误 揭示考场细节检查的必要性[17] 志愿选择与职业发展 - 提前批志愿选择失误引发的连锁反应 反映早期决策对大学生活质量的深远影响[19] - 专业选择与就业现实落差案例 建筑行业从业者面临收入倒挂现象[20] - 学习态度差异导致的职场竞争力差距 体现持续学习能力对职业发展的决定性作用[21][22] 考试心理调节 - 考试服饰迷信行为及其社交压力 反映心理暗示与外界评价的冲突[23] - 巧克力摄入量与实际缓解焦虑效果的偏差 显示安慰剂效应的心理机制[26] - 专用考试文具形成的心理安全感 证明仪式感对稳定情绪的价值[29] - 户外放空对调节考前焦虑的实证效果 提供非药物缓解压力的有效方案[30] 行业营销活动 - 必胜客连续十年开展"逢考必胜"营销活动 形成品牌与高考文化的深度绑定[49] - 2015年校长集体订购披萨事件 显示教育机构对餐饮品牌寓意的认可[49] - 2023年孔庙祈福主题店创新 体现传统文化元素与现代营销的结合[49] - 十周年活动覆盖多城校园与主题门店 展示全国性营销网络的执行力[49] - 联合QQ音乐推出必胜歌单 实现跨行业资源整合营销[49]

高考记忆与情感共鸣 - 高考作为全民大考引发多样化记忆碎片 包括备考压力 考场意外 家庭互动等情感元素 [1] - 疫情特殊背景下2022届考生经历封校隔离 单人考场等独特考试体验 [3][4] - 考试细节成为长期记忆锚点 如2017届考生因未扶摔倒老人产生的持续愧疚感 [6][7] 考试策略与心理调节 - 考生普遍采用心理暗示策略 包括祈福文具(孔庙笔)[29] 饮食调节(巧克力)[27] 服饰迷信(耐克对勾)[23] - 考前集体活动形成仪式感 如必胜客"逢考必胜"传统在2017-2024届考生中持续产生影响 [14][33][40] - 户外放空成为有效减压方式 2022届考生通过公园观察获得心理平静 [31] 品牌营销与高考经济 - 必胜客连续十年开展"逢考必胜"营销活动 形成品牌记忆点 2015年校长订购 2017年校园活动 2023年孔庙祈福主题店 [47] - 2023年跨界合作拓展至QQ音乐必胜歌单 构建"美食+音乐"的立体助考场景 [47] - 品牌通过校园渗透(食堂标语) 城市主题店(北上深) 形成多层次曝光网络 [47][48] 教育消费趋势 - "逢考经济"催生特定消费场景 包括考前餐饮(必胜客) 祈福文具(孔庙笔) 功能食品(巧克力)等细分市场 [14][27][29] - 考试周边产品呈现情感化设计趋势 如"紫锭必胜"披萨(2023) "老将笔"(2023)等具象化产品概念 [30][40] - 代际消费差异显现 00后考生更倾向通过社交媒体分享备考消费体验 [1][9]

青少年记忆力减退现象 - 青少年群体出现记忆力减退现象，表现为提笔忘字、转身忘事等，这与传统认知中衰老导致的记忆力减退不同 [1] - 青少年大脑处于发育阶段，具有高度可塑性，易受外部环境影响，"数字失忆"现象是数字场景深度嵌入社会生活、现代生活节奏加快及不良生活方式共同作用的结果 [1] 记忆力减退的原因 - 信息过载与碎片化阅读是第一诱因，短时间内应对海量网络信息导致"注意力轰炸"，使青少年陷入"浅阅读、浅思考"的困境 [1] - 不良生活习惯是重要原因，包括睡眠不足、不均衡膳食、缺乏体育锻炼和户外活动，这些因素从生理基础层面削弱大脑记忆功能 [1] - 对技术工具的过度依赖导致大脑缺乏反复调用和刺激，影响其强度和效率，青少年过度依赖技术工具替代心智劳动易误入认知荒原 [1] 改善记忆力的方法 - 重塑信息驾驭力，加强媒介素养教育，培养青少年辨别信息真伪与价值的能力，减少无效信息干扰，倡导深度阅读和系统学习 [2] - 科学管理数字生活，智慧驾驭科技工具使其成为认知能力的"助推器"，在日常生活中多创造"健脑"机会 [2] - 夯实健康生活基石，通过高质量睡眠、均衡膳食、规律体育锻炼增强记忆力，鼓励青少年走向户外、拥抱自然以激发大脑潜能 [2] 社会意义 - 守护青少年记忆力是守护其探索未知、锐意创新的能力，这不仅是对孩子负责，更是对未来的责任 [2]

融资与公司背景 - 深圳留形科技完成数千万元Pre-A轮融资 投资方包括弘毅投资等 资金将用于核心零部件定制生产 产品规模化交付及市场拓展 [1] - 公司成立于2022年 聚焦智能三维感知和重建算法及产品开发 创始团队孵化于香港大学MaRS实验室 技术战略顾问为张富教授 曾担任大疆创新顾问科学家及Livox激光雷达负责人 [1] - 此前获得真格基金种子轮投资和君盛投资天使轮投资 [1] 技术领域与行业趋势 - 人工智能与机器学习技术深度融合 三维感知重建设备精度与效率显著提升 商业软件可高效处理海量图像和点云数据 短时间内完成室外场景与物体三维重建 [1] - 三维感知重建技术在文化遗产保护领域实现高精度数字化复刻 为虚拟展示和大众传播提供新途径 [2] - 在抢险救灾中 三维数据可精准还原火场结构 追溯起火点 辅助燃烧模式分析与建筑安全评估 [2] 产品技术痛点与解决方案 - 机器人领域主流导航方案存在痛点：传统GPS室内信号不稳定 UWB和蓝牙需复杂基础设施部署 现有视觉与激光雷达方案泛化性弱 [4] - 硬件标定繁复 更换环境或设备需专业人员耗时校准 开发过程需处理海量数据并反复优化算法 拉长项目周期增加成本 [5] - 留形科技推出全球首款兼具空间感知与记忆功能的模组产品留形Odin1 基于自研全固态多传感器深度融合架构与MindSLAM™算法 [5] 产品性能与应用 - 留形Odin1集成SPAD dTOF深度模组 高分辨率彩色相机及IMU 实现多传感器数据原生时空同步 厘米级定位精度 探测距离70米 视野120°×90° 点云输出频率70万点每秒 [7] - 模组相当于机器人的"海马体" 可主动构建高精度空间记忆体系 快速构建三维空间模型 在暗光 无特征等复杂环境下仍能精准感知 [7] - MindCloud平台可与Odin1无缝对接 将真实环境转化为高保真3D仿真模型 支持数字孪生模型构建与机器人算法仿真训练 [9] - 产品已应用于建筑数字化 装修测量 消防救援 交通事故记录 工业制造等场景 例如消防现场实时三维建模 建筑施工进度实时感知 [9] 市场与合作 - 公司与多家头部机器人厂商合作 通过自研技术降低智能感知模块成本 推出高性价比智能巡检和空间感知解决方案 [11] - Odin1计划于今年7月量产 并同步布局全球市场 [11]

今天(6月9日)是国际档案日。档案，见证着历史，传承着文化。国家档案局公布第六批《中国档案文献 遗产名录》，其中包括《百团大战档案》、《"重庆大轰炸"档案》、《红旗渠水利工程档案》、《何尊 等五组周代有铭青铜器》、《银雀山汉墓竹简》、《广交会创办初期档案(1956—1959)》、《民族团结 誓词碑档案》等52个项目。截至目前，我国有250项档案文献入选《中国档案文献遗产名录》。"中国档 案文献遗产工程"自2000年启动，重点开展档案文献遗产的抢救、保护和开发，其中的《甲骨文》、 《清代科举金榜》、《随州曾侯乙编钟》等十多个项目已被列入联合国教科文组织《世界记忆国际名 录》。(央视新闻) ...

核心观点 - 研究团队提出首个支持超长视频理解的跨模态记忆压缩框架AdaCM2，解决现有模型在长视频场景下的显存瓶颈和冗余信息干扰问题 [2][5][6] - AdaCM2基于两大核心观察（帧内注意力稀疏性和层间语义冗余性）设计，通过跨模态注意力驱动的层级记忆压缩策略实现高效信息筛选 [7][9][11][15] - 实验显示AdaCM2在多项任务中超越SOTA模型，显存使用下降65%，支持处理超2小时长视频 [20][22][24] - 该技术为多模态大模型提供可控的长时记忆能力，拓展智能交通、医疗、教育等领域的应用边界 [23][25][26] 技术背景 - 现有视频理解模型（如VideoLLaMA、VideoChat）在短视频（5-15秒）表现优异，但面对分钟级/小时级视频时出现显存瓶颈和冗余信息干扰 [5] - 长视频处理存在三大核心问题：内存消耗指数级上升、视觉Token冗余严重、文本与视频缺乏精准对齐机制 [6] 关键观察 - **帧内注意力稀疏性**：长视频单帧中仅极少数视觉Token对文本提示强相关，注意力得分呈尾部偏置分布，高价值信息集中在少数Token [9] - **层间语义冗余性**：深层网络中临近帧/远帧间跨模态注意力相似度高，多个Token在不同时间或层次上表达重复语义 [11] 技术方案 - **逐帧回归式建模**：动态更新记忆缓存替代一次性输入全部帧，实现轻量连续建模 [20] - **跨模态注意力打分**：通过Q-Former模块计算视觉Token与文本提示的注意力权重，仅保留高分Token [20] - **分层压缩机制**：针对不同Transformer层设置可调压缩参数（α和β），实现精细内存控制 [20] - **LLM兼容性**：支持与Vicuna-7B、FlanT5等主流LLM无缝对接，仅需轻量微调Q-Former模块 [19] 性能表现 - **LVU分类任务**：平均Top-1准确率提升4.5%，在"导演""场景"等任务领先所有方法 [22] - **行为理解任务**：在COIN/Breakfast数据集上超越MA-LMM（94.4 vs 93.0） [21][24] - **视频字幕生成**：MSVD数据集达到189.4 CIDEr，显著优于GIT（180.2）和VideoLLaMA（175.3） [21][24] - **内存效率**：显存使用下降65%，极端情况下仍能稳定处理超2小时视频 [20][24] 应用场景 - **智能交通监控**：支持全天候视频智能分析与摘要生成 [25] - **医疗手术记录**：自动分析长时间术中操作行为 [25] - **教育/会议记录**：提取关键片段并生成总结 [25] - **机器人感知**：为具身智能体提供持续视觉记忆能力 [25]

谈判黄金法则 - 谈判的核心在于深入倾听和理解对方需求而非满足自身 通过建立信任和管理预期实现双赢[1][3] - 采用"五层倾听法"是有效谈判的基础 最高层级需通过移情好奇心理解对方自我认知和观点[3][4] - 海明威强调"多数人从不倾听" 谈判者需保持心灵和身体自律以突破这一局限[3] 倾听层级分析 - 第一层为间歇性倾听 仅捕捉大意且伴随分心行为 属于低效沟通方式[4] - 第二层倾听以反驳为目的 破坏沟通融洽性 显示过度关注自身议程[4] - 第三层通过逻辑推理理解对方论点 但仍局限于自我思维框架[4] - 第四层开始识别情绪线索 通过语言反馈促进深度对话[4] - 第五层实现观点融合 通过洞察性问题建立协作关系 达到谈判最佳结果[4] 沟通技术工具 - MORE PIES记忆法训练注意力 确保五层倾听技巧的实践应用[5] - 最小鼓励语如"还有呢"能维持对话连续性 需配合合理频率和匹配的肢体语言[6] - 开放式问题以"什么/如何"开头 避免"为什么"引发的防御反应 可揭示谈判底线信息[7] - 词语复述技术兼具确认功能和引导性 例如通过"预算空间"引导资源谈判方向[7][8] 高阶谈判策略 - 情绪标注采用"重述而平抚"原则 非评判性描述对方状态以降低对抗性[9] - 转述技术通过语言重构确保理解一致 在商业谈判中具有澄清价值[9][10] - "我"的陈述包含行为-感受-后果三要素 实现非指责性障碍沟通[10] - 有效停顿创造心理压力空间 经验显示沉默能促使对方透露关键信息[11] 谈判者能力建设 - 总结技术需精准提炼对方论点 示例显示通过预算周期转化实现诉求重构[11] - 艾莉森四问框架检验谈判伦理：诚实性/同理心/尊重度/理解深度[12] - 最终阶段需转化倾听成果为建设性主张 在充分共情后提出具体解决方案[12][13]

文献遗产保护与利用 - 湖北省博物馆编钟乐团假期每天演出6-7场，开放夜间演奏场次以满足游客需求[1] - 随州曾侯乙编钟完整保存2400多年前音乐智慧，铭文与音响互通互证，被称为世界首部有声"音乐教科书"[1] - 少林寺近500通碑碣跨越1400多年历史，串联中国佛教史与全球文明交流史[1] - 郑和遗存布施锡兰山佛寺碑记载1409年海上丝绸之路文明对话[1] 世界记忆名录与中国文献遗产 - 中国已有18项文献遗产入选《世界记忆名录》，包括甲骨文、《黄帝内经》、苏州丝绸技术图谱等[2] - 文献遗产被比作串联华夏文明的丝线，代表中华民族精神标识并提供跨时空思想启迪[2] - 少林寺运用虚拟现实和裸眼3D技术为碑碣打造沉浸式展览[3] - 广东创排民族歌剧《侨批》，福建摄制纪录片《走近侨批》推广侨批档案[3] 文化遗产的国际价值 - 布施锡兰山佛寺碑见证中国与斯里兰卡1409年以来的友好交往[3] - 文化遗产入选世界记忆促进文明对话，展现中华文明的包容与创新[3] - 联合保护行动被视为搭建文明理解桥梁的实践[3]

语言模型记忆与泛化研究 核心发现 - GPT系列模型的记忆容量约为每个参数3.6比特 达到此极限后模型停止记忆并转向泛化 [1][4] - 记忆与泛化的界限模糊 影响对模型能力和风险的评估 区分模型输出源于记忆训练数据还是理解潜在模式是关键挑战 [1] - 模型在数据量增加时持续记忆直至容量饱和 随后出现"顿悟"(grokking)现象 非预期记忆减少 泛化能力增强 [4] 研究方法 - 提出基于互信息(Mutual Information)的量化方法 通过信息论中的熵和条件熵定义记忆与泛化 [8][10] - 将记忆分为非预期记忆(特定数据集信息)和泛化(真实数据生成过程信息) 并给出数学定义 [5][7][12] - 采用Kolmogorov复杂度近似计算记忆量 通过压缩算法估计信息内容 [13][14] 实验设计 - 训练参数量50万至15亿不等的Transformer模型 建立模型容量、数据规模与成员推断关系的scaling law [6] - 使用合成序列测量容量 通过均匀采样标记构建数据集 精确计算香农信息 [20][21][23] - 测量显示模型容量与参数数量呈线性关系 每参数记忆量稳定在3.5-3.6比特 [27] 关键数据 - 800万参数模型在400万样本数据集上记忆量达2.95×10^6比特 800万样本数据集记忆量1.98×10^6比特 [28] - 训练精度从bfloat16提升至float32时 每参数记忆量从3.51比特增至3.83比特 但未达理论两倍增幅 [31][32] - 实验结果验证模型容量下限 梯度下降训练无法保证达到全局最优 [27]

3DLLM团队 投稿 量子位 | 公众号 QbitAI 想象一下，你在一个陌生的房子里寻找合适的礼物盒包装泰迪熊，需要记住每个房间里的物品特征、位置关系，并根据反馈调整行动。 这一系列过程依赖人类强大的 空间-时间长时记忆 。 如何让AI在3D环境中像人类一样思考，一直是具身智能领域的难题。 加州大学洛杉矶分校（UCLA）与谷歌研究院的研究团队带来了最新进展： 3DLLM-MEM 模型与 3DMEM-BENCH 基准，让AI首次具备在 复杂3D环境中构建、维护和利用长时记忆的能力。 传统模型依赖稀疏或物体中心的表征，无法捕捉3D环境中复杂的几何关系（如家具布局、物体尺寸对比），而这些细节对任务成败至关重 要（如判断礼物盒是否"太松"或"太大"）。 时空动态管理 环境变化（如移动家具、使用物品）会导致记忆过时，但现有模型缺乏动态更新机制，难以区分"旧记忆"与"新状态"。 简单地说，模型无法像人类一样形成"认知地图"并灵活调用记忆的 核心问题 在于缺乏针对3D空间-时间的记忆建模。 挑战：3D环境中的记忆困境 现有大语言模型（LLMs）在文本理解中表现卓越，但当"进入"动态3D环境时却举步维艰。存在以下问题： 突 ...