{"source":{"id":"17833262","title":"给它一张静态照片，几秒钟后会发生什么？ 你直接走进了这张照片里。 不是看一段几秒钟的固定视频。 这是一个带着环境音、能推…","url":"https://mubeitech.com/p/17833262"},"method":"semantic-similarity","count":5,"items":[{"rank":1,"id":"2064718736783823145","account":"mubei","brand":"@mubei","title":"视频生成模型都是只会生搬硬套像素的“傻瓜”？最近这个流行说法被新论文直接打脸了。 有人断言，只有像 V-JEPA 这样的…","summary":"视频生成模型都是只会生搬硬套像素的“傻瓜”？最近这个流行说法被新论文直接打脸了。 有人断言，只有像 V-JEPA 这样的“世界模型”才真懂物理。 看看这张图的测试数据。 研究人员对几款扩散模型（Diffusion models）进行了测试。 测什么？测物体恒常性、形状保持、重力、…","body":"视频生成模型都是只会生搬硬套像素的“傻瓜”？最近这个流行说法被新论文直接打脸了。\n有人断言，只有像 V-JEPA 这样的“世界模型”才真懂物理。\n\n看看这张图的测试数据。\n研究人员对几款扩散模型（Diffusion models）进行了测试。\n测什么？测物体恒常性、形状保持、重力、连续性这些物理基础。\n结果不仅及格，而且以压倒性优势暴打了被寄予厚望的 V-JEPA 和 VideoMAE。\n普通的 VAE 更是惨不忍睹。\n\n这里有个硬核细节：研究用的是“线性探测（Linear probe）”。\n啥意思？就是不加任何复杂的滤镜，用最简单的线性模型去提取信息。\n在这种极简的测试下，AI 还能精准预测物理变化，说明扩散模型内部，早就有一套相当清晰、明确的物理世界表征。\n它没有瞎猜，它在内部重建了物理法则。\n\nAI 进化路线的成见正在被打破。\n那些被认为只会“大力出奇迹”和“暴力画图”的生成模型，其实在疯狂吞噬数据的同时，已经悄悄摸透了这个世界的运行规律。","category":"其它","score":100,"translated_x_url":"https://x.com/i/status/2064797405199859964","translated_status_id":"2064797405199859964","published_at":"2026-06-10 19:05:45","created_at":"2026-06-10T21:03:53.783610","url":"https://mubeitech.com/p/2064718736783823145","markdown_url":"https://mubeitech.com/p/2064718736783823145/markdown"},{"rank":2,"id":"mb-20260901-f83e04","account":"mubei","brand":"","title":"沃顿商学院教授 Ethan Mollick 转发了一条视频测试，在硅谷技术圈掀起轩然大波","summary":"沃顿商学院教授 Ethan Mollick 转发了一条视频测试，在硅谷技术圈掀起轩然大波","body":"沃顿商学院教授 Ethan Mollick 转发了一条视频测试，在硅谷技术圈掀起轩然大波。\n随后，Twitch 和 YouTube 迅速封禁了基于该技术搭建的 24 小时 AI 自动直播间。\n开发团队转身在自己的网站 fal.live 上开播，直接把直播间变成了观众用弹幕实时操控画面的游乐场。\n屏幕里没有任何预录素材，也没有固定剧本。\n每一个画面都在观众敲下指令的几秒钟内当场演算出来。\n很多普通观众点进去看了一眼，留下的全是不屑。\n画面荒诞得像一场发烧梦。\n人物动作偶有畸变，剧情毫无逻辑，画质还带着明显的粗糙感。\n不少人直接把它打上劣质垃圾的标签，认定这种东西根本没人看。\n为什么多数人看到的是画面的劣质与荒诞，最顶尖的工程师和学者却在惊呼一个时代被跨过去了？\n难道天天研究算法的人看不出画质的缺陷？\n因为两边看到的根本不是同一台机器。\n普通人在看画质。\n工程师在看这台机器底层的核心指标。\n实时生成因子，业内通常缩写为 RTF。\n在生成式多媒体的历史上，所有开发者都在被迫向一个物理现实妥协。\n生成视频实在太慢了。\n过去哪怕用一致性模型做极限加速，把 30 秒的扩散过程压缩到 1 秒。\n算力一秒钟最多也只能吐出 1 帧画面。\n人类肉眼想要获得流畅连续的视觉体验，底线是每秒 24 到 30 帧。\n生成速度永远远远落后于播放速度。\n只要生成耗时大于播放时长，视频就只能是一种离线的批处理产物。\n用户在网页端敲下提示词，服务器调度集群渲染几十秒甚至几分钟。\n最后打包成一个固定的 MP4 文件发回本地。\n生产和消费之间隔着一道无法逾越的时间鸿沟。\n所谓的即时交互根本无从谈起。\n这次 fal 拿到了开源模型 MiniMax H3。\n他们对模型做了后训练，同时结合自研的专用推理引擎，把吞吐速度拉到了官方接口的 35 倍。\n一段 5 秒钟的视频，在云端硬件上算出来的实际耗时不到 3 秒。\n实时生成因子历史上第一次跌破了 1.0 的临界点。\n算力生成画面的速度，第一次彻底跑赢了人类肉眼观看的速度。\n这种跨越在计算机演进史上发生过两次一模一样的质变。\n1993 年，约翰·卡马克推出了毁灭战士 Doom。\n当时主流图形学界嘲笑它只有 320 乘 200 的像素颗粒，画面粗糙度远不如工作站离线渲染几个小时的光影单帧。\n但 Doom 做到了每秒 35 帧的实时光栅化。\n玩家按下一个按键，屏幕上的三维世界就在这一毫秒内实时重绘。\n它直接拉开了现代 3D 游戏与图形处理芯片工业的序幕。\n1995 年，RealAudio 1.0 问世。\n音乐发烧友嘲笑 14.4k 拨号网络上的音频像收音机杂音，音质完全无法和磁带相比。\n但它让人类第一次不需要把整首歌曲下载到硬盘就能听到声音。\n流式传输从此取代了离线下载，重塑了整个互联网的分发规则。\n媒介技术演进里有一条反复生效的规律：画质服从延迟。\n画面精细度、动作连续性和剧情逻辑，都是后续能靠算法迭代与算力堆叠逐步填平的工程变量。\n实时性是交互形态从 0 到 1 的物理相变。\n一旦生成速度跨过播放速度的临界点，视频的物种属性就彻底变了。\n它不再是一段被动接收的预录胶片。\n它变成了一个能接收外部输入、持续维系上下文状态、在毫秒间实时演算的世界引擎。\n那些被嘲笑的荒诞画面，不过是这项新技术在起点处的稚嫩模样。\n当流式渲染的通道被彻底打通。\n视频从生产、分发到消费的整套底层逻辑，就已经在悄悄重构了。","category":"科技","score":null,"translated_x_url":null,"translated_status_id":null,"published_at":"2026-09-01 14:46:11","created_at":"2026-09-01 14:46:11","url":"https://mubeitech.com/p/mb-20260901-f83e04","markdown_url":"https://mubeitech.com/p/mb-20260901-f83e04/markdown"},{"rank":3,"id":"2069858272690291003","account":"mubei","brand":"@mubei","title":"你的梦境，很快就能被“播放”出来了。 科幻正在变成现实。 DeepMind 创始人 Demis Hassabis 最近在…","summary":"你的梦境，很快就能被“播放”出来了。 科幻正在变成现实。 DeepMind 创始人 Demis Hassabis 最近在访谈里，透露了他们正在做的一项研究。 现在的 AI，在很多人眼里只是个高级的“写字画图工具”。 但实际上，它正在逼近人类最私密、最底层的感知接口。 来，看看神经…","body":"你的梦境，很快就能被“播放”出来了。\n\n科幻正在变成现实。\nDeepMind 创始人 Demis Hassabis 最近在访谈里，透露了他们正在做的一项研究。\n\n现在的 AI，在很多人眼里只是个高级的“写字画图工具”。\n但实际上，它正在逼近人类最私密、最底层的感知接口。\n\n来，看看神经科学家们正在用他的 AI 模型做什么。\n\n一个实验对象，躺在 fMRI（核磁共振）扫描仪里。\n科学家让他闭上眼，在脑海里想象一个具体的画面，或者直接入睡、做梦。\n\n这时候，AI 模型开始介入。\n它不靠硬性“读心”，它通过理解大脑处理视觉信息的算法，去解码那些神经信号。\n\nAI 把这些脑信号翻译成了视觉图像，直接在屏幕上重建了出来。\n\n科学家问扫描仪里的人：这是你刚才脑子里想的画面吗？\n对方说：是的，就是这个。\n\n很多人以为，要实现这种技术必须 1:1 地复制人类大脑。\n但 Hassabis 说，根本不需要。\nAI 的逻辑是理解大脑的工作原理和表征方式，然后把这种算法结构“移植”到大模型里。\n让 AI 成为大脑信号的翻译官。\n\n必须说明的是，这项技术目前还处于实验室阶段，并没有商业化量产。\n但 Hassabis 预测，这种近乎科幻的设备，在未来几年内就会真正问世。\n\n人机界面的大叙事，正在发生根本性的转向。\n从前我们用键盘，后来用触控屏，未来，我们可能直接用“意识”和机器对话。\n当科技开始工具化我们的神经科学，\n人类最私密的精神自留地 梦境，也正在向机器敞开大门。","category":"其它","score":null,"translated_x_url":"https://x.com/i/status/2069866930702348334","translated_status_id":"2069866930702348334","published_at":"2026-06-24 19:13:27","created_at":"2026-06-24T21:00:42+02:00","url":"https://mubeitech.com/p/2069858272690291003","markdown_url":"https://mubeitech.com/p/2069858272690291003/markdown"},{"rank":4,"id":"16020832","account":"mubei","brand":"@mubei","title":"AI 视频要进专业剧组，不能只靠嘴说。 导演需要绝对控制，不能跟 AI 玩盲盒。 一种全新的 AI 电影工作流诞生了。…","summary":"AI 视频要进专业剧组，不能只靠嘴说。 导演需要绝对控制，不能跟 AI 玩盲盒。 一种全新的 AI 电影工作流诞生了。 它能把导演在 3D 软件里的“排练”，直接变成电影大片。 过程非常简单： 1. 用 Midjourney 生成一张高精度的起始帧； 2. 在 Blender 里…","body":"AI 视频要进专业剧组，不能只靠嘴说。\n导演需要绝对控制，不能跟 AI 玩盲盒。\n\n一种全新的 AI 电影工作流诞生了。\n它能把导演在 3D 软件里的“排练”，直接变成电影大片。\n\n过程非常简单：\n1. 用 Midjourney 生成一张高精度的起始帧；\n2. 在 Blender 里用最简陋的灰色方块，把运动轨迹排出来；\n3. 把这两样一起喂给视频模型 Seedance 2.0。\n\n看看这个对比。\n上面是 Blender 里极简的灰色预演，下面是 AI 渲染出的电影级公路飞驰镜头，远山和运动模糊完全严丝合缝。\n\n这就是从“玩具”到“生产力工具”的跨越。\nAI 终于开始听懂导演的指挥棒了。","category":"其它","score":null,"translated_x_url":"https://x.com/i/status/2070260583367094503","translated_status_id":"2070260583367094503","published_at":"2026-06-25 21:33:30","created_at":"2026-06-25T23:20:52+02:00","url":"https://mubeitech.com/p/16020832","markdown_url":"https://mubeitech.com/p/16020832/markdown"},{"rank":5,"id":"raw_12056e35c153c439","account":"mubei","brand":"@mubei","title":"没改一行权重，AI通关25款游戏，动作比人少了一半多。 这是麻省理工团队刚公布的一组测试结果。 用的模型就是大家平时用的…","summary":"没改一行权重，AI通关25款游戏，动作比人少了一半多。 这是麻省理工团队刚公布的一组测试结果。 用的模型就是大家平时用的 Claude，参数一个没动，没做任何额外微调。 测试对象是 ARC-AGI-3 里的全部 25 个公开解谜游戏。 平时没玩过这套游戏的人类，初次上手通关需要一…","body":"没改一行权重，AI通关25款游戏，动作比人少了一半多。\n\n这是麻省理工团队刚公布的一组测试结果。\n用的模型就是大家平时用的 Claude，参数一个没动，没做任何额外微调。\n测试对象是 ARC-AGI-3 里的全部 25 个公开解谜游戏。\n\n平时没玩过这套游戏的人类，初次上手通关需要一堆尝试。\n而 Claude 玩通全部 25 关，耗费的操作动作比人类整整少了 57.4%。\n\n以前大模型玩这种未知规则的互动谜题，到底卡在哪？\n算力其实不缺，它缺的是眼睛和记性，过去基本是在盲人摸象。\n\n大家让多模态大模型玩游戏，常规做法无非两种。\n一种是把屏幕画面强行转成文字或者坐标，塞进提示词。\n一个二维的棋盘，一旦变成长串的坐标代码，空间上的相对位置、图形移动的轨迹，全被拆碎了。\n另一种做法，是每走一步截一张图给它看。\n但玩游戏动辄几十上百步。\n上下文窗口很快就挤爆了，为了省空间，前面的图越缩越小、越扔越多。\n走着走着，它就忘了十步之前地图右上角到底长什么样。\n就像一个人在走迷宫，走一步瞎一步，全凭当下的直觉蒙。\n\n麻省理工这套叫 VISTA 的外挂框架，解法其实特别质朴。\n他们就干了两件事：眼睛不瞎猜，脑子带回放。\n\n第一，原画直看。\n画面不转文字，不压成低保真特征，直接把未压缩的二维图像喂给模型。\n让它像人眼一样，一眼看到各个色块、障碍物之间的空间关系。\n\n第二，无损视觉记忆。\n每做一次操作，当前画面就被原封不动存进一个独立的视觉记忆库。\n这个记忆库不只是死存数据，AI 还能随时主动翻出来看。\n\n这就很有意思了。\nAI 走到第 15 步卡住了，它不用靠残存的文本去猜。\n它可以直接把第 3 步和第 8 步的截图抽出来，并排放在一起核对：\n刚才我碰了红色方块，右下角的门到底开没开？\n如果没开，说明这步试探是错的，马上掉头换一条路。\n\n过去是在信息流里瞎碰，碰对了算运气。\n现在有了随时能倒带的视觉画板，它是在根据每一次动作的视觉反馈做推演。\n先给假设，再去试探，翻录像核对，然后纠错。\n\n测试里那 57.4% 的动作缩减，全是从那些无意义的无头乱撞里省出来的。\n\n这件事情最耐人寻味的地方在哪？\n大家总习惯觉得大模型处理复杂现实任务不够聪明，是因为参数太小、预训练数据不够多，得花大钱去重新炼丹。\n但这次连一克算力的模型权重都没改。\n给它接上一对不失真的眼睛，再在旁边放一本能随时翻看前几页的速写本，它就直接把解谜效率推到了人类的一倍以上。\n\n很多时候卡住智能的，未必是脑力本身的上限。\n可能只是你一直没给它配一张最基础的草稿纸。","category":"其它","score":100,"translated_x_url":"https://x.com/i/status/2106565986040131686","translated_status_id":"2106565986040131686","published_at":"2026-10-03 19:52:52","created_at":"2026-10-03 19:52:52","url":"https://mubeitech.com/p/raw_12056e35c153c439","markdown_url":"https://mubeitech.com/p/raw_12056e35c153c439/markdown"}]}