AI 模型

单层足矣：适配预训练视觉编码器用于图像生成

预训练视觉编码器跟生成模型latent空间不对付？FAE用单层注意力层就把这事搞定了，还在ImageNet上刷出FID 1.29的SOTA。核心思路是解耦特征提取和生成，用两个解码器各自干各自的事，简单又高效。

当数据库遇到中文分词难题，传统方案又慢又复杂。AlloyDB直接把Gemini AI集成到SQL里，不用搬数据就能实现智能分词和混合搜索。这篇教程手把手教你用存储过程批量处理，比外部管道快得多。

OpenAI训练了自动红队模型GPT-Red，通过self-play强化学习和对抗训练，让GPT-5.6的prompt injection失败率降低6倍。这种用今天模型让明天模型更安全的思路，或许能破解AI安全与规模化的矛盾。

Hume AI发布了Real World VoiceEQ，一个基于超过100万人类评分的语音AI基准。它揭示了现有模型在真实对话中表现不佳：更擅长说而不是听，传统基准严重高估性能。想要评估语音系统是否真正“听懂”人话？这是目前最接地气的参考。

语言模型能不能控制机器人？关键不在于模型本身，而在于你怎么把它连到机器人上。直接算扭矩基本全废，但用预训练策略当“监督者”，模型就能完成导航和抓取。新模型进步快，但视觉幻觉和空间记忆仍是致命短板，一个指南针工具比任何视觉增强都管用。

苹果研究发现，很多训练数据对模型影响近乎为零，强行遗忘它们纯属浪费算力。用影响力函数先筛出这些“低信息点”，就能把遗忘计算量砍掉一半。别盲目跑全流程，先搞清楚哪些数据真正重要。

Slate Auto的廉价皮卡与Thinking Machines的开源模型Inkling，都采用'先卖基础版，再靠定制赚钱'的策略。这种'空白画布'模式让开源AI既能免费开放，又能通过服务实现商业化，或许是最可持续的AI普惠路径。

Google Vids更新后，你上传自拍和语音就能生成个人数字分身，再用文字加图片让Gemini Omni帮你生成视频，还能一步步局部修改。这可能是企业级AI视频工具最务实的落地方式——安全、可控、直接嵌入工作流。

前DeepMind研究员Andrew Dai以3亿美元估值融资5500万美元，讲述如何让投资者相信视觉AI是下一个前沿，以及为何优先选择战略投资者（如Nvidia）而非最高估值——对AI创业者来说，融资策略比估值数字更重要。