AITOP

Qwen

共 103 条相关 AI 资讯 · 查看话题观测
5月25日
20:22
20:22
19:48
18:40
16:24
13:34
11:16
11:16官方账号arXiv cs.AI@Stuart Bladon, Brinnae Bent
精选76°
一项新研究挑战了普遍假设，发现大语言模型的地缘政治偏见主要来自后训练阶段（如指令微调），而非预训练数据。研究测试了七个开源模型对（基础版和聊天版）在28对国家上的偏好，结果显示六家实验室的模型在后训练后表现出与开发者所在国或地区一致的偏见。例如，阿里Qwen 2.5聊天版对中国偏好从基础版的-0.15跃升至+2.91（对数几率），变化达18倍。偏见强度还受提示语言影响：法国Mistral模型仅在法语提示下才显著亲法。该发现强调了对模型对齐过程进行透明审计和监督的必要性。
论文地缘政治偏见后训练对齐模型审计QwenMistral
推荐理由：这项研究戳破了“数据决定一切”的迷思，做AI安全、模型对齐或地缘政治分析的团队值得细读——它直接影响了如何评估和调整模型的政治倾向。
原文
5月23日
16:19
16:19@atomic_chat_hq@atomic_chat_hq
精选72°
Atomic Chat 团队通过 Multi-Token Prediction (MTP) 技术，在 2 块 RTX 5090 上对 Qwen 模型实现了最高 2.5 倍的推理加速。其中，Qwen3.6 27B 密集模型从 51 tps 提升至 117 tps（+137%），而 MoE 模型 35B-A3B 从 218 tps 提升至 267 tps（+25%）。MTP 通过一次前向传播验证多个预测 token，显著减少了内存带宽瓶颈，密集模型受益更大。该技术保持零精度损失，仅需额外约 1 GB 显存，且代码已开源。
AI模型推理加速MTP/多token预测QwenMoE/密集模型开源/仓库
推荐理由：MTP 技术让本地大模型推理速度翻倍，尤其适合在消费级显卡上跑密集模型的开发者——2 块 RTX 5090 就能让 27B 模型达到 117 tps，值得直接试开源代码。
原文
5月22日
16:36
16:05
16:05官方账号阿里云 Alibaba Cloud@alibaba_cloud
阿里云在 Qwen Conference 2026 上举办 Agent-Native Infra Forum，聚焦为自主智能体重新设计云堆栈。论坛将探讨专为智能体优化的硬件、内存和扩展基础设施。该活动在新加坡金沙会展中心举行，旨在解决当前云架构无法满足智能体高并发、低延迟需求的问题。对于构建复杂 AI 系统的开发者来说，这是了解下一代基础设施方向的重要机会。
行业智能体云基础设施阿里云Qwen行业会议
推荐理由：阿里云这次把智能体基础设施单独拎出来讲，说明云厂商开始认真对待 Agent 的规模化部署问题了。做 Agent 应用或平台开发的团队，这场论坛的内容可能直接影响你未来选云和架构设计，值得关注。
原文
08:06
5月21日
22:14
22:14官方账号阿里通义 Qwen@Alibaba_Qwen
83°
阿里巴巴 Qwen 团队展示了一项令人瞩目的成果：模型在约 35 小时的连续自主执行中，独立完成了 432 次内核评估和 1158 次工具调用。它自行编写、编译、分析并迭代优化了 Extend Attention Kernel，最终在多个工作负载上实现了相对于 Triton 参考实现的 10.0 倍几何平均加速。这标志着模型具备了真正的自主编程与优化能力，无需人类干预即可完成复杂系统级任务。
AI模型Qwen自主进化内核优化AI 编程性能加速
推荐理由：这是 AI 自主编程能力的里程碑——模型不再只是写代码，而是能像资深工程师一样分析、调优、迭代。做 AI 系统优化或关注模型自主性的开发者，值得仔细看看这个案例。
原文
12:39
12:39rohanpaul_ai@rohanpaul_ai
精选76°
atomic.chat 展示了 Multi-Token Prediction（MTP）技术，让本地运行的 Qwen 27B 密集模型从 51 tokens/s 提升到 117 tokens/s，MoE 35B-A3B 模型在 2x RTX 5090 上从 218 提升到 267 tokens/s。MTP 通过一次生成并验证多个未来 token，减少 GPU 重复读取模型权重的次数，从而突破内存带宽瓶颈。测试中约 80% 的 draft token 被接受，且零精度损失，仅额外占用约 1GB VRAM。该项目完全开源，对本地大模型部署者是个重大利好。
AI模型本地大模型MTP/多 token 预测推理加速Qwen开源/仓库
推荐理由：本地大模型用户终于可以突破内存带宽瓶颈了——MTP 让 Qwen 27B 速度翻倍还零精度损失，跑本地模型的开发者建议直接去 GitHub 试。
原文
12:09
12:09官方账号arXiv cs.LG@Zhepei Wei, Xinyu Zhu, Wei-Lin Chen, Chengsong Huang, Jiaxin Huang, Yu Meng
精选76°
研究发现强化学习（RLVR）训练中模型权重的变化轨迹是低秩且高度可预测的，大部分性能提升来自秩-1近似。基于此，研究者提出RELEX方法，仅需观察少量训练步数（如50步），通过线性回归外推未来检查点（如1000步），即可匹配甚至超越完整RLVR训练的性能。在Qwen2.5-Math-1.5B、Qwen3-4B-Base和Qwen3-8B-Base三个模型上验证，RELEX仅需15%的训练步数即可达到同等效果，且能外推至10-20倍于观察窗口。该方法无需额外学习模型，通过丢弃随机优化噪声实现去噪效果，从而提升外推性能。
论文强化学习推理模型低秩近似参数外推Qwen
推荐理由：RLVR训练成本高昂，RELEX用极低成本实现同等推理提升，做LLM推理优化的团队可以直接用代码复现，值得一试。
原文
08:00
5月19日
13:49
12:01
5月15日
10:10
10:10官方一手arXiv: DeepSeek@Libo Sun, Po-wei Harn, Peixiong He, Xiao Qin
精选
该研究系统评估了七种KV缓存压缩机制在数学推理任务上的表现，发现所有现有方法在小预算下均被拒绝。作者提出一种名为α的简单修改，通过引入多样性惩罚项替代传统argmax-top-k选择，在Qwen-7B和Llama-8B模型上，在64和128预算下，α在两项测试中显著优于基线。该发现表明，最小化的评分修改比复杂的结构重设计更有效，且严格的实验协议使这一不对称性得以显现。
论文KV缓存压缩推理模型数学推理QwenLlama
推荐理由：KV缓存压缩是长上下文推理的关键瓶颈，做LLM推理优化的开发者可以直接参考α方法——它用一行修改就打败了七种复杂方案，值得在自家模型上试试。
原文
5月14日
01:10
5月13日
19:15
19:15官方账号Clement Delangue@ClementDelangue
Hugging Face CEO Clement Delangue在特朗普与习近平会晤期间，呼吁美国AI社区公开支持开源国际AI，特别是来自中国的Deepseek、Qwen、Kimi、GLM等模型。他强调开源是当前AI领域竞争、就业和财富创造的最重要驱动力。此举意在关键时刻维护开源合作，避免地缘政治影响技术交流。
行业开源/仓库DeepseekQwenKimiGLM
推荐理由：开源AI社区正面临地缘政治压力，Hugging Face CEO的呼吁提醒从业者：支持开源模型（尤其是中国模型）关乎整个行业的竞争力和创新活力。做AI开发或关注开源生态的人，值得关注这一立场。
原文
15:51
5月12日
21:55
5月11日
22:18