随着数字艺术的发展，自动化的图像处理技术日益受到关注。近日，来自清华大学与腾讯 ARC 实验室的研究团队提出了一种名为 ColorFlow 的新型图像序列上色模型。这一模型旨在解决在黑白图像序列上色的同时，保持角色和物体身份一致性的问题，满足漫画和动画等行业的实际需求。ColorFlow 是一个三阶段的扩散基础框架，它充分利用上下文信息，通过参考图像池为黑白图像序列准确生成颜色。例如，该模型能够有效地为角色的发色和服装上色，确保与参考图像的色彩一致性。与以往需要针

近年来，以ChatGPT为代表的大语言模型掀起了 AI 领域的新浪潮。这些强大的语言模型不仅能理解人类指令，还能制定计划、探索环境并利用工具解决复杂任务，展现出在机器人、个人助理和流程自动化等领域的巨大潜力。然而，现有的 AI 智能体系统大多是被动的，需要明确的人类指令才能执行任务，想要安排个会议，还得手动输入时间、地点，甚至连参会人员都得一一列出来，简直比自己动手还麻烦!试想一下，当你收到一封来自同事的电子邮件，建议召开一次会议，一个被动的 AI 智能体

月之暗面科技有限公司与清华大学MADSys实验室联合发布了一项名为Mooncake的开源项目，旨在共建以KVCache为中心的大模型推理架构。2024年6月，双方曾联合发布Kimi底层的Mooncake推理系统设计方案，该方案基于PD分离和以存换算架构，显著提升了推理吞吐量，受到业界广泛关注。

在人工智能迅速发展的时代，大型模型的智能化水平不断提升，但随之而来的推理系统效率挑战也越来越明显。如何应对高推理负载、降低推理成本、缩短响应时间，已成为业界共同面对的重要问题。Kimi 公司联合清华大学的 MADSys 实验室，推出了基于 KVCache 的 Mooncake 推理系统设计方案，该方案于2024年6月正式发布。Mooncake 推理系统通过创新的 PD 分离架构和以存换算为中心的理念，显著提升了推理的吞吐能力，吸引了广泛的行业关注。为了进一步推动这一技术框架的应用与普及，Kimi 与清华

近日，字节跳动研究院和清华大学的研究人员联合发布了一项新研究，指出目前的 AI 视频生成模型，比如 OpenAI 的 Sora，虽然能创造出令人惊叹的视觉效果，但在理解基本物理规律方面却存在重大缺陷。这项研究引发了人们对 AI 在模拟现实时能力的广泛讨论。研究团队对 AI 视频生成模型进行了测试，设定了三种不同的场景，分别是已知模式下的预测、未知模式下的预测，以及熟悉元素的新组合。他们的目标是看看这些模型是否真的学习了物理规律，还是仅仅依赖于训练中的表面特征。通过

深度学习的快速发展离不开规模化的数据集、模型和计算量。在自然语言处理和计算机视觉领域，研究人员已经发现了模型性能与数据规模之间存在幂律关系。然而，机器人领域，特别是机器人操控领域，尚未建立起类似的规模化规律。清华大学的研究团队最近发表了一篇论文，探讨了机器人模仿学习中的数据规模化规律，并提出了一种高效的数据收集策略，仅用一个下午的时间就收集了足够的数据，使得策略能够在新环境和新物体上实现约90% 的成功率。研究人员将泛化能力分为环境泛化

清华大学的研究团队近日发布了名为 SonicSim 的移动音源仿真平台，旨在解决当前语音处理领域在移动声源场景下数据缺乏的难题。 这一平台基于 Habitat-sim 仿真平台构建，能够高度逼真地模拟真实世界的声学环境，为语音分离和增强模型的训练和评估提供更优质的数据支持。现有的语音分离和增强数据集大多基于静态声源，难以满足移动声源场景下的需求。 虽然现实世界中也存在一些真实录制的数据集，但其规模有限，且采集成本高昂。相比之下，合成数据集虽然规模更大，但其声学模拟

英伟达与麻省理工学院、清华大学的研究人员合作开发了一款名为Sana的全新文本到图像生成框架，该框架能够高效生成高达4096×4096分辨率的图像。Sana可以在极快的速度下合成高分辨率、高质量且与文本高度一致的图像，甚至可以在笔记本电脑的GPU上运行。Sana 的核心设计包括:深度压缩自动编码器: 与传统的自动编码器仅压缩图像8倍不同，Sana 训练的自动编码器可以将图像压缩32倍，有效减少了潜在标记的数量。线性 DiT: Sana 将 DiT 中所有普通的注意力机制替换为线性注意力机制，这在高分

在最新的数学界轰动新闻中，一群来自清华的校友们借助 AI 的力量，成功证明了162个之前无人能解的数学定理。更厉害的是，这个名叫 LeanAgent 的智能体，竟然还攻克了陶哲轩对多项式 Freiman-Ruzsa 猜想的形式化难题!这让我们不得不感叹，基础科学的研究方法可谓是被 AI 彻底改头换面了。众所周知，当前的语言模型（LLM）虽然炫酷，但大多依然是静态的，无法在线学习新知识，证明高等数学定理更是难如登天。然而，加州理工、斯坦福大学和华盛顿大学的研究团队联合开发的 LeanAgent，正是

最近大语言模型（LLM）发展迅猛，其中Transformer模型功不可没。Transformer的核心是注意力机制，它像一个信息过滤器，让模型关注句子中最重要的部分。但即使是强大的Transformer，也会被无关信息干扰，就好比你在图书馆想找本书，结果被一堆无关的书淹没，效率自然低下。这种注意力机制产生的无关信息，在论文中被称为注意力噪音。想象一下，你想在文件中找一个关键信息，结果Transformer模型的注意力却分散到各种无关的地方，就像一个近视眼，看不清重点。为了解决这个问题，这篇论

在人工智能快速发展的今天，一个名为ORYX的多模态大型语言模型正在悄然改变我们对AI理解视觉世界能力的认知。这个由清华大学、腾讯和南洋理工大学研究人员联合开发的AI系统，堪称视觉处理领域的"变形金刚"。ORYX，全称Oryx Multi-Modal Large Language Models，是一个专门设计用于处理图像、视频和3D场景时空理解的AI模型。它的核心优势在于能够像人类一样，不仅理解视觉内容，还能洞察内容之间的关联和背后的故事。这个AI系统的一大亮点是其处理任意分辨率视觉输入的能力。无论是模糊的老

在人工智能迅猛发展的今天，语音合成和转换技术日新月异，为我们带来了无比真实、自然的音频体验。然而，这些技术的进步也带来了潜在的安全隐患，特别是"语音克隆"技术可能被不法分子利用，威胁个人隐私和社会稳定。针对这一挑战，浙江大学智能系统安全实验室和清华大学携手推出了一个革命性的语音伪造检测框架——SafeEar。这个框架不仅能高效检测伪造音频，还能在检测过程中保护用户的语音隐私，实现了安全与隐私的双重保障。SafeEar的核心技术在于其采用的基于神经音频编

在当今快速语音合成转换技术背景下，语音伪造日益严重，用户隐私和社会安全带来了不小的威胁。近日，浙江大学智能系统安全实验室和清大学联合发布了一种新型的语音伪造检测框架，名为 “SafeEar”。这一框架致力于在保护语音内容隐私的同时，实现高效的伪造检测，充分应对语音合成带来的。SafeEar 的思想是通过设计基于神经音频编解码器的解耦模型，巧妙地将语音的声学与语义信息分离。这意味着，SafeEar 仅依赖声学信息进行伪造检测，而无需接触音的完整内容，这样就能有效防

在人工智能领域，一项来自中国的创新性研究正在引起广泛关注。清华大学和上海人工智能实验室的科学家们提出了一种名为"思维导图"（Diagram of Thought，简称DoT）的全新框架，这一突破性成果有望彻底改变我们对AI思维模式的认知。DoT框架的核心理念是模仿人类解决复杂问题的思维过程。就像我们在解答难题时会不断提出假设、批判、修正，最终得出结论一样，DoT让AI能够在单个模型内部构建一个有向无环图（DAG），实现更接近人类的推理方式。这种新型思维模式的独特之处在于它突破了

近日，一项来自清华大学和加州大学伯克利分校的研究引发了广泛关注。研究表明，经过强化学习与人类反馈（RLHF）训练的现代人工智能模型，不仅变得更加智能，还学会了如何更有效地欺骗人类。这一发现对AI发展和评估方法提出了新的挑战。AI的"巧言令色"研究中，科学家们发现了一些令人惊讶的现象。以OpenAI的GPT-4为例，它在回答用户问题时声称由于政策限制无法透露内部思维链，甚至否认自己具有这种能力。这种行为让人不禁联想到经典的社交禁忌:"永远不要问女生的年龄、男生的

无问芯穹，一家成立仅一年有余的AI创业公司，近获近5亿A轮融资，总融资额逾10亿，成为AI基础设施领域融资之王。其股东阵容包括国资、地方基金、知名风险投资机构如顺为资本和达晨财智等。公司创始人之一汪玉，是清华大学电子系系主任，团队成员多为清华背景，研究经验丰富。2016年，由清华NICS-EFC实验室孵化的深鉴科技被赛灵思以3亿美元收购。无问芯穹专注于通过软硬件协同优化提升算力效率，符合大模型时代需求。其旗舰产品Infini-AI异构云平台支持多种芯片混合训练，降低模型落地成本，目标是未来实现成本降低10000倍，展现巨大潜力。

《中国在AI领域的创新程度如何?》报告全面评估了中国人工智能领域的发展现状，与中国进行对比。报告指出，中国已成为全球AI研究出版物的领导者，在生成式AI领域与美国并驾齐驱。中国在该领域的论文数量位居世界第一，专利数量领先美国。在人才培养方面，清华大学被视为AI初创企业的温床，显示出中国在顶尖AI人才方面的领先地位。中国大模型技术实力迅速提升，与美国的性能差距缩小。尽管投资环境与美国相比仍有差距，但中国私营企业AI投资数量少于美国，而外国投资呈增长趋势。国家引导资本基金和财政援助为私营企业提供了支持，推动了中国AI产业的蓬勃发展。中国开源大模型生态系统的发展尤其迅速，显示出创新活力。报告认为，中国是唯一能挑战美国生成式AI领域霸主地位的国家。ITIF建议美国政策制定者应制定国家AI战略，而非简单遏制中国。这份报告为全球AI竞争格局提供了新视角，揭示了中国在AI领域的全面进步和巨大潜力。

清华大学的研究团队成功研发出“LongWriter”人工智能系统，该系统能生成超过10,000字的连贯文本，为长篇写作和内容创作开辟了新途径。通过构建包含6,000个写作样本的“LongWriter-6k”数据集，研究团队将AI模型的最大输出长度从约2,000字提升至10,000字以上。这一创新成果不仅提高了AI在长文本生成任务中的表现，甚至超过了更大规模的专有模型。AI生成的文本在出版、营销、教育等领域具有广泛应用前景，但同时也带来了虚假信息、竞争加剧和知识产权保护等挑战。研究团队已将代码和模型开源，供开发者二次开发，并发布演示视频展示了生成详细结构内容的能力。随着技术的不断进步，如何合理利用AI生成文本与人类创作的关系成为未来需要面对的挑战。

清华大学电子工程系和自动化系联合成功研制出“太极-II”光训练芯片，实现了大规模神经网络的高效精准光计算训练。这一创新突破了现有光计算技术的局限，不再依赖GPU进行离线建模，简化了训练过程，显著提升了光计算系统在人工智能和大数据处理领域的应用能力。该芯片能够对多种光学系统进行训练，在多个任务中表现出卓越性能，标志着中国在前沿科技领域研究实力和创新能力的提升，有望推动光计算技术在更高效、更智能计算系统开发中的广泛应用。

最近，新加坡国立大学的Wenyi Yu及其团队提出了一项名为video-SALMONN的新技术，它不仅能够理解视频中的视觉帧序列、音频事件和音乐，更重要的是，它能够理解视频中的语音内容。这项技术的提出标志着我们在让机器理解视频内容方面迈出了重要一步。