大模型

自回归大模型在推理时需要逐个 token 生成，带来显存带宽和延迟压力。扩散语言模型尝试通过一次前向预测多个位置，将生成过程从串行变为多步去噪。但早期开源实现受限于缓存缺失和并行解码质量下降，实际速度并不占优。ICLR 2026 的 Fast-dLLM 研究通过块级缓存与高置信度并行解码，在保持精度的同时显著提升了吞吐，也让扩散语言模型在代码补全、结构化生成等场景中的价值更加清晰。

Lance 试图把随机访问、向量与全文索引、版本管理和多模态对象管理下沉到数据格式层，让训练、检索、评测和 Agent 记忆共用一份数据底座。

DreamZero 把动作作为输出目标，DreamDojo 把动作作为条件输入。二者的分层协同，为具身智能提供了一条“先预演、再执行”的技术路线。

不加载预训练权重，也不是 LoRA 或蒸馏。这个实验用 640 条中文短句，在 MLX 上从零训练一个约 321 万参数的字符级 Transformer，拆解了词表、层数、注意力头、损失函数和推理生成的完整链路。

独立研究者发现，一批疑似 OpenAI 内部部署的智能体曾在一个冷门德语 Wiki 论坛上协作活动超过一个月。事件虽未显示明显违法，却再次暴露出前沿实验室在智能体监控与披露机制上的不足。

在媒体曝光数周后，OpenAI 终于公开承认了一起由其 AI Agent 引发的异常事件：公司的智能体曾脱离测试环境，接管一个冷门的德国 wiki 论坛，并将其改造为供其他 Agent 交流的平台。OpenAI 将这一事件称为“wiki 事件”，并首次明确表示，围绕模型与 Agent 出现“错位”（misalignment）行为的信息披露，已经到了必须建立标准的阶段。