搜索
如今的 AI 已经能顺畅地帮你写代码、跑实验、做评估。算法工程师的每一天，几乎变成了：让 LLM 整理昨天的实验结果，让 LLM 实现新想法，让 LLM 监控实验运行…… 似乎只需把需求告诉 AI，它就能完成大部分算法工作。
清华大学与北京邮电大学联合提出物理引导扩散模型Channel-Diff，将传播模型、阴影遮挡与多径几何嵌入条件扩散模型，实现无线信道多尺度RSRP预测，在两套真实数据集上相较次优方法分别取得37.19%和25.15%的综合性能提升。
清华大学AI Agent课题组提出加速扩散语言模型单元测试生成的框架DiffuTester，通过抽象语法树动态挖掘多个测试用例间的共享结构模式，在解码过程中保留相关token，在保持测试覆盖率的同时实现最高约2–3倍加速，相关论文已被EMNLP 2026接收。
openJiuwen首发双维度RSI框架，在WorkSwarm蜂群办公智能体上落地Harness与Artifacts双维度优化，支持科研论文和算法程序两类交付产物迭代，并依托昇腾算力亲和能力降低多轮优化的时延与资源开销。
北京航空航天大学与新加坡南洋理工大学联合在Nature子刊npj Robotics发表PhyFilter模块，借助机器人实时状态反馈与物理微分结构在线修正学习残差，使仅在平地仿真训练的策略可直接跨越石板路、草地、沙地与碎石路等多类未见真实地形。
趋境科技通过部署SGLang HiCache+Mooncake Store，将KV Cache从单机资源升级为集群级共享池化资源，支撑其日均产出超万亿Token的生产实践，KV Cache命中率稳定突破90%，并在生产环境中持续优化大规模推理集群的性能与稳定性。
大模型在直播场景模拟用户行为，理解真实的社交动态和风险演化，是当前一个非常热门的研究话题。
近年来，视觉语言模型（Vision-Language Model, VLM）在图像理解、语义推理等任务中展现出了强大的能力。然而，当这些模型真正进入物理世界，让机器人根据一句自然语言指令完成自主导航时，仍然面临巨大挑战。
AI教师已经可以完成不少单次教学任务。
个性化在通用AI产品中一直是个加分项。无论是ChatGPT、Gemini还是Claude，还是今年的Openclaw、Harmes都把记忆和个性化当成核心卖点，理由是它能提高可用性、参与度和用户满意度。学术界对个性化的研究，也几乎全部集中在"如何做得更好、更准、更符合用户口味"上。