掩码资讯_B站影视

苹果出手！改进GRPO，让dLLM也能高效强化学习

不同于基于 Transformer 的自回归式语言模型，dLLM 基于掩码式扩散模型（masked diffusion model / MDM），此前我们已经报道过 LLaDA 和 Dream 等一些代表案例，最近首款实现商业化的 dLLM 聊天机器人 Mer

这项由META公司FAIR实验组联合魁北克AI研究院等机构共同完成的重磅研究于2025年6月发表，论文题为《V-JEPA 2: Self-Supervised Video Models Enable Understanding, Prediction and

Time-R1通过三阶段强化学习提升模型的时间推理能力，其核心是动态奖励机制，根据任务难度和训练进程调整奖励，引导模型逐步提升性能，最终使3B小模型实现全面时间推理能力，超越671B模型。

本工作来自北京大学智能学院贺笛老师课题组与蚂蚁集团武威团队。贺笛老师在机器学习领域获得过多项荣誉，包括 ICLR 2023 杰出论文奖与 ICLR 2024 杰出论文奖提名。

注意力机制的「平方枷锁」，再次被撬开！一招Fenwick树分段，用掩码矩阵，让注意力焕发对数级效率。更厉害的是，它无缝对接线性注意力家族，Mamba-2、DeltaNet 全员提速，跑分全面开花。长序列处理迈入log时代！

当前，强化学习（RL）在提升大语言模型（LLM）推理能力方面展现出巨大潜力。DeepSeek R1、Kimi K1.5 和 Qwen 3 等模型充分证明了 RL 在增强 LLM 复杂推理能力方面的有效性。

在2025年6月2日发表于arXiv的预印本论文《Esoteric Language Models》中，康奈尔理工学院和康奈尔大学的研究团队，包括Subham Sekhar Sahoo、Zhihan Yang（联合第一作者）等多位研究者提出了一种突破性的语言模

不到十年前，能与计算机进行有意义的对话的想法还只是科幻小说。但今天，数以百万计的人与AI助手聊天，根据文本描述创作令人惊叹的艺术作品，并每天使用这些AI工具/系统来理解图像和执行高级任务。这一进步由许多专业AI模型驱动，每个模型都有其独特的功能和应用。本文将介

上个月 21 号，Google I/O 2025 开发者大会可说是吸睛无数，各种 AI 模型、技术、工具、服务、应用让人目不暇接。在这其中， Gemini Diffusion 绝对算是最让人兴奋的进步之一。从名字看得出来，这是一个采用了扩散模型的 AI 模型，

近日，由香港理工大学（PolyU）的李鹏翔和复旦大学（FDU）的严世林联合领导的研究团队发表了一项引人注目的研究成果。这篇题为《Adaptive Classifier-Free Guidance via Dynamic Low-Confidence Maski

针对这个问题，现在，来自南洋理工大学和新加坡A*STAR前沿人工智能研究中心等机构的研究人员，提出了一种全新的局部鲁棒图像水印方法——MaskMark。

在网络工程师圈子里，如果你随便提起「子网掩码」，往往会听到「/24 比较常见」、「/16 大网络才用得上」、「/30 用于点对点连接」，而当提到 /32 掩码的时候，许多朋友可能下意识地一笑了之：“这不就是一台主机吗，有啥可说的？”

刚装宽带就被子网掩码搞懵？网关设置错到怀疑人生？😭 这篇保姆级拆解，用快递站、小区门牌打比方，看完秒变网络课代表！

2017年12月6日，Google发布了论文Attention Is all you need，提出了Attention注意力机制和基于此机制的Transformer架构。该架构首先应用于机器翻译，目标是从源语言转换到目标语言。这种架构的价值在于其是一种完全基

它让用户能够从单张图像实现对光源的细粒度参数化控制，可以改变可见光源的强度和颜色、环境光的强度，并且能够将虚拟光源插入场景中。

传统上，我们划子网时，常见的最小子网是 /30，4 个 IP，能用 2 个（因为网络号和广播地址要“保留”）。