搜索
随着大模型参数规模持续扩大，推理成本已经成为生产级 LLM 服务的核心瓶颈。投机解码（Speculative Decoding, SD）通过「小模型 draft + 大模型 verify」的方式，将多个候选 token 放到一次目标模型前向中并行验证，从而缓解自回归解码的串行瓶颈。
随着语音、视频、多模态能力不断融入大语言模型（LLM），人与 AI 的交互正在越来越接近自然对话。今天的 LLM 不再只是回答问题的工具，也越来越多地出现在教育、客服、陪伴、心理健康等高度依赖情绪理解的场景中。
近年来，大模型能力提升的焦点正在从「训练时扩展」转向「推理时扩展」。从 Best-of-N、Self-Consistency 到更复杂的搜索与验证框架，Test-Time Scaling 已经成为提升大模型复杂推理能力的重要范式。
两个月前，ICML 2026发布了征稿新规，我们也详细做了报道。
同行评审体系正在全面革新！面对海量论文，顶级会议ICML 2026推出了复杂的「双轨制」新政，允许有限度地使用AI审稿，并引入「对等原则」防止双标；而新平台aiXiv则激进地拥抱「全自动科研」，由AI写、AI审。
ICML 2026论文可以投了，截止日期2026年1月28日。今年针对AI使用，组委会强调了三点：LLM不可以「署名」；严禁提示注入，否则拒稿；以及扩大AI审稿。
全新一代 video-SALMONN 2/2+、首个开源推理增强型音视频理解大模型 video-SALMONN-o1（ICML 2025）、首个高帧率视频理解大模型 F-16（ICML 2025），以及无文本泄漏基准测试 AVUT（EMNLP 2025） 正式发布。新阵容在视频理解能力与评测体系全线突破，全面巩固 SALMONN 家族在开源音视频理解大模型赛道的领先地位。
从ICML到ACL，张铭教授的实验室十年两度拿下世界顶会「最佳论文」。甚至连中学生，都能在这里提前卷科研，拿下「小诺贝尔奖」。一间实验室，如何同时孵化论文大奖、百亿企业和未来科学家？这背后，是科研思维与创新教育的独特结合。
人类和AI在工作中如何协作？耶鲁和南大的研究人员合作的这篇论文讲清楚了。 这篇论文提出了一个数学框架，通过把工作技能拆分成两个层次来解释这个问题
就在刚刚，NUS研究者呼吁：NeurIPS、ICML、CVPR三大顶会，正在反噬整个AI学术圈！平均每个研究者每年被逼狂发4.5篇论文，已经身心俱疲。总之，顶会模型已经濒临崩溃，是时候踩刹车了！