首次引入强化学习！火山引擎Q-Insight让画质理解迈向深度思考
Q-Insight 提出了一种基于强化学习训练的多模态大模型图像画质理解方案，通过挖掘大模型自身的推理潜力，实现对图像质量的深度理解，并在多个任务上达到业界领先水平。
北京大学
统一细粒度感知！北大&阿里提出UFO：无需SAM，16个token让MLLM实现精准分割
本文介绍了一种名为UFO的方法，它能够通过开放式的语言界面实现分割和检测任务，无需额外解码器，利用多模态大模型的图像表征能力。
CVPR 2025｜北大开源多模态驱动的定制化漫画生成框架DiffSensei，还有4.3万页漫画数据集
DiffSensei 是首个结合多模态大语言模型（MLLM）与扩散模型的定制化漫画生成框架，通过创新机制实现角色控制、布局精准及动态叙事。该框架支持从文本到漫画的高效转换，并发布首个专为漫画生成设计的数据集MangaZero，提升角色一致性、文本跟随能力和图像质量。
ET-SEED：提升机器人操作泛化能力的高效等变扩散策略
本文介绍了一种新的扩散策略ET-SEED，它结合了轨迹级SE(3)等变性扩散和高效的去噪策略，在少量示范数据下能够高效学习复杂的机器人操作技能，并且在不同物体姿态和场景下的泛化能力也得到了提升。
一句话让DeepSeek思考停不下来，北大团队：这是针对AI的DDoS攻击
北大团队发现一段提示词可以让大模型陷入无限思考，并且这种现象可以传递和复制。研究显示乱码问题更容易引发模型的“stuck”机制，说明模型有一定程度的防御措施，但面对具有含义的正常文本时仍需加强。
大模型训练或无需“纯净数据”！北大团队新研究：随机噪声影响有限，新方法让模型更抗噪
北大团队研究发现，在训练数据中加入随机噪音并不会严重影响语言模型的性能。即使高达20%的数据被污染，模型的预测损失仅上升约1%，并提出局部梯度匹配方法进一步提升其鲁棒性。
英伟达视频模型Magic 1-For-1，1 分钟生成 1 分钟视频，且开源
近日英伟达联合北京大学和Hedra Inc开源了Magic 1-For-1 AI视频生成模型，其特点是生成速度快且开源，并通过量化技术将模型体积从32GB压缩至16GB。该模型支持多模态输入、扩散步骤蒸馏等技术。缺点在于高速运动场景的处理能力有限，以及视频分辨率较低。
大模型推理更可能是概率模式匹配？北大团队从蒙特卡洛语言树的新视角解读GPT，思维链原理也有新的理解
北大课题组通过将语言数据集和GPT模型展开为蒙特卡洛语言树（Data-Tree 和 GPT-Tree），揭示了现有大模型拟合训练数据的本质是寻求一种更有效的近似方法。同时，作者提出大模型中的推理过程可能是概率模式匹配而非形式推理。