NeurIPS 2025 大会上，何恺明团队凭借《Faster R-CNN》荣获“时间检验奖”，同时何恺明发表了《视觉目标检测简史》的演讲。文章围绕此次演讲，系统梳理了视觉目标检测从 90 年代的人脸检测和特征工程，到深度学习时代 AlexNet、R-CNN 的出现，再到 Faster R-CNN 实现端到端实时检测的里程碑。随后，文章进一步介绍了 YOLO、SSD、Focal Loss、Mask R-CNN 等一系列后续优化技术，并展望了 Transformer（DETR）和视觉大模型（SAM）在目标检测领域的最新进展。整篇文章以时间线为主轴，详细阐述了每个阶段的关键技术突破及其对领域发展的深远影响，揭示了从“人设计特征”到“模型自主学习特征”再到“全局注意力机制”的趋势。
文章详细介绍了阿里妈妈与武汉大学团队提出的 MUSE（Multimodal Search-based framework），这是一个面向搜推广业务的“超长序列+多模态”终身兴趣建模新框架。MUSE 通过利用图像与文本的语义力量，重构用户兴趣图谱，解决了传统推荐系统因算力存储限制而无法有效利用用户超长行为序列（十万级）的问题。其核心在于通过 SCL 多模态预训练、轻量级多模态 GSU（粗检索）和多模态增强 ESU（精细建模）的结合，实现了对高达 10 万长度用户原始行为序列的建模能力，并在阿里妈妈线上取得 CTR 12.6%的显著提升。同时，文章也宣布开源了 Taobao-MM 数据集，为业界和学界在“长序列×多模态”方向的研究提供了宝贵资源。文章还从工业落地角度拆解了 MUSE 框架的工程优化细节，使其在超长序列和多模态同时具备的情况下仍能保持延迟可控，并提供了对业界具有启发性的实践建议。
文章深入介绍了商汤科技 Seko 2.0 的发布及其背后技术，商汤通过 LightX2V 开源框架，解决了 AI 视频生成面临的“不可能三角”困境，即效率、成本和质量难以兼顾的问题。文章指出，LightX2V 通过 Phased DMD 步数蒸馏技术、LightVAE/LightTAE 自编码器模型，实现了消费级显卡上的强实时生成（5 秒视频生成时间小于 5 秒），速度提升数倍至十倍。此外，LightX2V 在工程层面进行了全栈优化，构建了面向低成本、强实时的完整推理方案。更值得关注的是，Seko 2.0 全面适配国产 AI 芯片，在保证生成质量的同时，降低了成本，为中国 AI 产业在核心技术上迈出了实质性一步，预示着 AI 视频内容创作的生产力革命即将到来。
文章围绕具身智能（Embodied AI）中视觉-语言-动作（VLA）模型与强化学习（RL）结合的范式展开。首先指出单纯模仿学习的局限性，强调在线 RL 在提升机器人鲁棒性和探索更优解方面的重要性。接着，文章剖析了 VLA 模型应用 RL 面临的三大技术难点：环境差异、模型坍塌与不稳定性、以及算力负担。随后，重点介绍并详细阐述了由清华大学和星动纪元（一家中国公司）提出的 iRe-VLA 双阶段循环迭代学习方法，该方法通过“冻结大脑、只练四肢”的在线强化学习阶段进行探索，以及“全模型微调、混合数据”的监督学习阶段进行巩固，有效解决了上述挑战。实验结果证明 iRe-VLA 在训练稳定性、仿真环境表现和真实世界泛化能力上均有显著提升，并强调了这一架构在机器人持续学习和实际部署中的巨大潜力，体现了中国团队在前沿技术领域的引领作用。
文章深度剖析了 Meta 公司在扎克伯格将战略重心从元宇宙全面转向人工智能后，内部面临的多重挑战。核心冲突在于新组建的顶尖 AI 团队 TBD Lab 与原有核心业务部门之间：TBD Lab 致力于开发“神一般的 AI 超级智能”，倾向闭源，并拒绝使用社交数据训练模型；而 Meta 的长期高管们则希望 AI 服务于核心社交媒体和广告业务，倾向开源，这种理念冲突构成了 Meta 内部的“内战”具体表现。为支持昂贵的 AI 雄心，Meta 大幅削减了连年亏损的元宇宙部门（Reality Labs）预算，并可能进行裁员。文章通过回顾微软错失移动时代和雅虎“花生酱困境”的历史案例，警示 Meta 当前面临的战略风险，并提出 Meta 能否避免重蹈 Google+覆辙、复刻 Google Gemini 奇迹的思考。尽管 Meta 官方否认内部冲突，但资源的倾斜和理念差异引发的紧张局势仍在持续，这一局面将决定 Meta 能否在 AI 时代掌握自己的命运。
文章记录了谷歌联合创始人谢尔盖·布林在斯坦福大学工程学院百年庆典上的对谈。布林回顾了谷歌早期成功因素，如学术基因和敢于挑战难题的雄心。他坦诚谷歌曾低估 Transformer 的潜力，但也强调了公司在神经网络研发、TPU 芯片投资和大规模数据中心建设上的深厚积累，使其在 AI 领域保持竞争力。布林还探讨了大学教育未来的演变方向，认为其可能不再局限于地理位置，并指出学术界应专注于更具探索性的基础创新，尤其是在工业界难以投入的长期、高风险领域。他特别提出材料科学和生物健康领域是当前被低估的、具有巨大潜力的前沿方向。
文章是《大模型的第一性原理》系列的第一篇，主要聚焦于统计物理视角，属于“AI 理论研究”子领域。作者白铂博士结合其团队在 arXiv 上的研究论文，旨在以通俗易懂的方式阐释大模型背后的数学原理。文章首先回顾了神经网络与统计物理的深厚渊源，尤其强调了 Hopfield 网络、Boltzmann 机以及 Gardner 容量等概念。随后，详细阐述了 Attention 模块和 Transformer 架构如何用统计物理的能量模型（EBM）来描述，揭示了推理过程是寻找能量函数最小值，训练过程是逼近平均能量函数最小参数组态的本质。文章还探讨了大模型的记忆容量随参数量的指数增长关系、泛化误差上界与 Logits 绝对值之和的关系，并最终引出大模型能力极限是时间序列维度的 Granger 因果推断，指出其不具备真正的符号化、概念抽象和逻辑推理能力。
现有扩散模型微调方法多采用静态策略，导致在处理复杂结构和精细纹理时效果不佳。针对此问题，新加坡国立大学 LV Lab 团队提出了 FeRA (Frequency-Energy Constrained Routing) 框架。该框架基于扩散去噪过程“低频到高频”演变规律这一核心发现（第一性原理），设计了动态路由机制。FeRA 通过频域能量指示器(FEI)实时感知潜空间特征的频域能量分布，软频域路由器动态调度不同的 LoRA 专家模块，并引入频域能量一致性正则化(FECL)确保训练稳定性。实验证明，FeRA 在 SD 1.5、SDXL、Flux.1 等模型上，于风格迁移和主体定制任务中均取得了优异的生成质量和文本可控性。这项工作为未来扩散模型在视频生成、3D 生成等复杂任务中的微调提供了新思路。
文章介绍了一项由空军军医大学唐都医院李妍教授团队和深圳清华大学研究院朱锐团队联合完成的 COMPARE 研究，该研究提出了一款基于 OCT 影像的 CA-GPT 垂直领域 AI 系统。在经皮冠状动脉介入治疗（PCI）的决策制定中，CA-GPT 系统在关键决策指标上显著优于 OpenAI 的通用大模型 ChatGPT-5 和初级介入医师。该系统采用了“小模型 + 大数据 + 大模型”的 RAG 复合智能体架构，有效地结合了深度学习的精准分析能力和大模型的逻辑推理能力，能快速准确地提供医疗决策支持，有助于弥补资深专家资源的不足，提升县域医院的医疗水平。
本文介绍了 Adobe Research、澳大利亚国立大学和纽约大学联合团队的一项最新研究，颠覆了此前“ImageNet 准确率越高表征越好”的普遍认知。研究发现，在指导生成式训练时，视觉编码器表征的空间结构（如图像块间的相似度）对生成性能的影响远大于其全局语义信息。基于此发现，团队提出了一种简单而高效的 iREPA 方法，通过替换 MLP 投影层为卷积层和引入空间归一化层，仅用极少代码改动就显著提升了 REPA（表征对齐）的收敛速度和图像生成质量，且具有广泛的通用性和可扩展性。
