
搜索“NVIDIA”
Rohan Paul@rohanpaul_aiAI 评分6969
The DecoderAI 评分5252 Nvidia 研究者认为超大上下文窗口是死路
Nvidia 研究团队认为,让模型一次性处理整本小说这类超大上下文窗口往往既过度又昂贵,在多项测试中,周期性摘要加定向查找的效果与之相当。文章指出,上下文窗口是模型的工作记忆,GPT-4 在 2023 年 3 月发布时为 8,192 tokens,如今 GPT 5.6 Sol 可处理约一百万 tokens,约为前者的 120 倍。

新智元精选AI 评分8282 Singularity-Bench 论文:Claude 自写推理引擎将 P90 首 token 延迟从 12 秒降至 0.48 秒
卡内基梅隆大学、NVIDIA 等机构研究者提交预印本《Singularity-Bench: Can Agents Build Agents?》,用六道闭卷工程题测试智能体能否独立优化 AI 研发流程。
推荐理由:论文用六道闭卷工程题对比AI与人类基线,其中推理引擎的延迟优化思路和框架选择差异可供参考。
The DecoderAI 评分5858 Hugging Face 研究者实测八款 OCR 模型:百万页数字化成本降至 130 美元以下
Hugging Face 的 Daniel van Strien 用同一块 Nvidia RTX PRO 6000(按每小时 2.75 美元租用)对比了八款开源 OCR 模型,测试素材为 850 页旧自然史书籍、1771 年《大英百科全书》及档案文件。

机器之心AI 评分5858 英伟达 SEED 让浅层写出深层记忆,每 GPU 吞吐最高提升 42%
英伟达研究者提出 SEED 方法,在混合架构大模型上让除最后一个以外的输入 token 只运行前 31 层,再由轻量 emitters 为后续 17 层生成 KV Cache 和循环状态,生成阶段仍走完整网络。
IT之家AI 评分5252 清华大学发布单细胞蛋白组基础模型 ProtCell,并在摩尔线程 MTT S5000 上完成预训练复现
清华大学自动化系江瑞课题组发布面向单细胞蛋白组的基础模型 ProtCell,相关论文为《ProtCell: a foundation model for single-cell proteomics》。

Mira Murati@miramuratiAI 评分5858引用Thinking Machines@thinkymachinesTraining with fewer bits is faster, but quantization error can interfere with learning. Today on Connectionism, we detail how we trained Inkling 2 Small with a native 4-bit forward pass from the first step of pretraining through the final RL rollout. https://thinkingmachines.ai/blog/end-to-end-4-bit-training
Dongxi 东锡 NLP@dongxi_nlpAI 评分5858引用NVIDIA AI@NVIDIAAIMeet Déjà View, a model that turns photos taken from different angles into 3D geometry and camera positions. By looping a single transformer block, this 117M-parameter model matches or outperforms models up to 10x larger across five benchmarks, using comparable or less compute. Researchers can dial the number of loops to fit their compute budget. #NeurIPS2026 oral paper + code: http://research.nvidia.com/labs/dvl/projects/dvlt
The Decoder精选AI 评分7474 Nvidia 发布 GR00T 2 研究报告,可从人类视频学习机器人动作
Nvidia 在新研究报告中介绍 GR00T 2,该模型不再直接由图像和语言指令生成动作,而是同时预测下一步动作与未来短视频画面,从而把人类动作迁移到机械臂。训练使用超过一千块 GB300 芯片的集群和约 40 万小时头戴相机拍摄的人类操作视频,新任务只需人用数据手套或手指外骨骼演示;实验室中五指机器人完成了点火柴、切香蕉等任务,成功率在 10% 到 80% 之间。

推荐理由:原文给出 GR00T 2 从人类视频迁移动作的训练路径与各任务成功率区间,可据此判断减少遥操作的实际边界。
爱范儿精选AI 评分7474 苹果公开 HALO 人形机器人研究:宇树 G1 背着 Mac mini 跑千问
苹果研究团队公开名为 HALO 的人形机器人研究,用宇树 G1 作身体、背驮 Mac mini M4 Pro 本地运行千问模型,在 6 个未扫描的真实家庭中完成 360 次测试,平均成功率 91%。

推荐理由:苹果 HALO 用仿真合成替代人力采集 VLA 数据,读者可据此理解具身智能数据瓶颈的一种规模化解法。
机器之心AI 评分6060 英伟达等提出 TacitVLA:机器人动作提速 3.4 倍
英伟达、纽约大学等团队提出 TacitVLA,让 VLA 模型照常训练写推理文本,但动作不再等待文本生成,在机器人操作和自动驾驶四个 benchmark 上成功率与显式推理相当,延迟最多降低 3.4 倍。
机器之心AI 评分5858 英伟达与UT-Austin发布Realtime-Bench,GPT-6 Astra实时任务成功率仅44%
英伟达与UT-Austin等机构的研究人员提出实时交互基准Realtime-Bench,测试12种前沿模型,表现最好的GPT-6-Astra任务成功率仅44%。
Meta EngineeringAI 评分4848 Meta Andromeda:通过模型-系统协同设计驱动下一代广告检索
Meta 介绍下一代个性化广告检索引擎 Meta Andromeda,通过模型、系统与 GPU 硬件协同设计,在单张 GH200 上实现每秒超 100 亿广告的推理吞吐,较 2024 年系统提升 100 倍。新架构引入检索混合专家(MoE),以约 300 倍更少的推理 FLOPs 接近排序级模型性能。自 2025 年以来,该系统在 Facebook 上带来 2.4% 的转化提升。

MarkTechPostAI 评分5050 Perplexity 与 NVIDIA 提出 JOLT:联合师生强化学习后训练方法
Perplexity 与 NVIDIA 提出 JOLT 后训练方法,让同一个模型同时扮演教师和学生,且教师也参与训练。在 MATH 上,JOLT 以 6.5 倍更少的训练 token 达到 GRPO 的准确率;JOLT+ 在 AppWorld 上 pass 率达 72.09%,比 GRPO 高 9.9 个百分点。
Aran Komatsuzaki@arankomatsuzakiAI 评分4040
Aran Komatsuzaki@arankomatsuzakiAI 评分6060Nvidia 提出 ARC 方法,可教会现有机器人基础模型进行推理,无需新的机器人演示数据,也无需基础规模训练。该方法在推理密集型任务上的成功率提升超过 5 倍,且不改变模型架构。

Aran Komatsuzaki@arankomatsuzakiAI 评分4242
Jim Fan@DrJimFan精选AI 评分7272Jim Fan 团队开源 T-Rex 触觉机器人方法,把触觉作为模型的一等公民,用异步双时钟架构让快速触觉专家以每个视觉 tick 4 次触觉 tick 的频率实时修正慢速视觉运动专家的规划。

推荐理由:作者公开了触觉数据集、模型架构与训练配方,读者可据此了解触觉如何接入机器人操作模型。
Jim Fan@DrJimFan精选AI 评分8080
引用Jim Fan@DrJimFanToday, we enable AutoResearch in the physical world for the first time! Introducing ENPIRE: we give 8 Codex agents a fleet of robots, an allocation of GPUs, and generous token budget. We set them free with a simple goal: solve the task as quickly as possible, keep the robots busy but stay safe, don't waste precious compute. Make no mistake. Then humans step aside and our watch begins. The robot fleet starts to come alive: they learn to look for visual clues, reset the scene, practice novel skills, tinker with control stack, read papers online, debate, reflect, get stuck, and try again directly on the hardware. All we did is to give Codex an API to the world of atoms, and the rest is emergence. ENPIRE is able to solve high-precision tasks like tying zip-ties, organizing fine pins, and installing GPUs all by itself. We also discovered a new type of "physical scaling": 8 robots exploring in parallel improves significantly faster than fewer ones. A part of our NVIDIA GEAR lab now self-improves tirelessly over night. We just read the reports in the morning. /goal: we all take a holiday and Jensen wouldn't even notice ;) We will be open-sourcing everything, so you can host your self-running robot lab at home too! Deep dive in the thread:
推荐理由:作者拆解了让 8 个 Codex 智能体自主运行机器人实验室前必须搭好的安全、奖励与遥测设计。
Jim Fan@DrJimFan精选AI 评分7676NVIDIA GEAR 实验室推出 ENPIRE,为 8 个 Codex 智能体配备机器人集群、GPU 配额和 token 预算,让它们以尽快完成任务为目标自主开展物理世界实验。

推荐理由:NVIDIA 团队让 8 个 Codex 智能体自主调度机器人集群做实验,并观察到并行机器人数量越多、探索提速越明显。
Jim Fan@DrJimFan精选AI 评分7474
推荐理由:团队开源 CaP-X 智能体机器人栈,并给出 CaP-Gym、CaP-Bench 与 CaP-RL 的系统性实验,可观察 LLM 在物理任务上的能力边界。
Jim Fan@DrJimFan精选AI 评分7575
推荐理由:作者公开了用人类第一视角视频预训练人形机器人的方法,并给出视频量与动作预测损失的近线性缩放关系。
Jim Fan@DrJimFan精选AI 评分7878
推荐理由:42M 参数的人形机器人全身控制模型开源,并给出多模态指令输入与真机零样本迁移的实测结果。
