
在今年的英特尔信息技术峰会(IDF2014)上,出现这样一帮人,谈谈他们的IDF深展之旅。仔细琢磨,你会发现,其中暗藏玄机。盘点出现在IDF2014中的精彩语录,关于IDF,他们这么说...
——英特尔信息技术峰会今年选择在深圳举办,某网友留言道
——英特尔中国区总裁杨叙在深圳2014 IDF上对参会的开发者和合作伙伴说
——英特尔首席执行官科再奇在本次主题演讲中宣布了多项针对深圳的投资战略
——英特尔数据中心事业部总经理柏安娜介绍数据中心新发展和新创新
——深圳市副市长陈彪作为杨叙的特邀嘉宾在致欢迎词中发言
——联想首席执行官杨元庆在与科再奇现场手机视频中说
——国家超级计算广州中心主任袁学锋在IDF上介绍和英特尔的渊源
Day2
——快播首席执行官王欣在IDF主题演讲上展示快播小方时赠言施浩德
——PC客户端事业部总经理施浩德在IDF主题演讲上展示18寸2合1平板
——移动通信事业部总经理贺尔友在回答记者关于TD-LTE产品时间表时回答
——软件与服务事业部总经理费道明在IDF主题演讲上讲英特尔的每一滴努力都是为提供最优化的计算体验
——东软集团副总裁王楠博士在IDF主题演讲上介绍企业级的创新
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。