dream
PulseAugur coverage of dream — every cluster mentioning dream across labs, papers, and developer communities, ranked by signal.
- 2026-06-18 funding Dream announced $260 million in funding at a $3 billion valuation for its AI cyber defense platforms. 来源
4 天有情绪数据
-
淘宝天猫集团发布四大AI进展，包括实时智能体和创作平台
淘宝天猫集团在其AIGX技术体系内公布了四项新技术进展。其中包括实时多模态智能体“开聊淘”、AI创作平台“如果工作室”、智能引擎“万相”以及智能体推荐系统“千寻”。自去年上线以来，“万相”已显著提升了众多商家的转化率和交易额。
-
AIGX发布新AI技术；智明达面临三年订单限制
淘宝天猫集团的技术体系AIGX宣布了四项新技术成就，包括名为“派里淘”的实时多模态Agent、if Studio AI创作平台、Coupella智能引擎以及Agentic推荐系统Dream。据报道，Coupella自推出以来已惠及数十万商家，将AI红包转化率提高了81%，并为顶级品牌带来了超过8000万元的销售额。另外，智明达宣布，由于未指明的特殊情况，其在特定领域的订单将受到三年限制，预计将对其运营和财务产生负面影响。
-
阿里巴巴发布AIGC技术体系及四项新AI成果
阿里巴巴的ATH事业群和淘天集团举办了年度科技盛会“硬核青年科技节5.0”，包含技术展览和学术交流。活动期间，他们发布了AIGC技术体系内的四项新成果：Pailitiao多模态实时Agent，用于增强购物体验；If Studio AI创作平台，用于内容生成；Coupella智能引擎，用于营销归因；以及DREAM Agentic推荐系统，用于个性化用户体验。
-
BlockServe框架将dLLM服务吞吐量提升高达10.6倍
研究人员开发了BlockServe，一个旨在提高扩散式大语言模型（dLLM）服务效率的新框架。该系统通过实现块粒度调度来解决批处理中的收敛异构性挑战，该调度允许在块边界立即驱逐已完成的请求。BlockServe还利用混合状态执行和计算感知准入控制器来扩大有效批容量。在各种基准测试中对Dream和LLaDA模型进行的实验表明，与Fast-dLLM相比，BlockServe的吞吐量可提高1.9倍至10.6倍，同时保持相似的生成质量。
-
BlockServe框架将dLLM服务吞吐量提升高达10.6倍
研究人员开发了BlockServe，一个旨在提高扩散式大语言模型（dLLM）服务效率的新型框架。该系统通过实现块粒度调度来解决批处理中异构收敛速率的挑战，该调度允许在块边界立即驱逐已完成的请求。BlockServe还集成了混合状态执行和面向计算的准入控制器，以扩大批处理容量。在Dream和LLaDA基准测试上的实验表明，与Fast-dLLM++等现有方法相比，BlockServe在保持生成质量的同时可以实现更高的吞吐量。
-
DREAM论文提出使用自回归建模进行密集检索训练
研究人员开发了DREAM（Dense Retrieval Embeddings via Autoregressive Modeling），一种新颖的训练密集检索系统的方法。与依赖昂贵标注数据的传统方法不同，DREAM利用大型语言模型（LLMs）的下一个词预测目标来监督训练过程。通过将查询-文档相似度分数注入LLM的注意力头，DREAM使预测损失能够为检索器提供梯度。在检索基准上的评估表明，DREAM在各种模型规模下始终优于现有基线。
-
人工智能网络防御公司 Dream 融资 2.6 亿美元，估值 30 亿美元
人工智能网络防御平台公司 Dream 已获得 2.6 亿美元融资，公司估值为 30 亿美元。公告强调，在其系统中未发现任何安全漏洞、漏洞利用或威胁。
-
新的DICE方法通过保留块证据来增强长文档检索
研究人员开发了一种名为DICE（Document Inference via Chunk Evidence）的新方法，以改进密集检索系统中的长文档检索。该技术解决了长文档中的关键信息在编码过程中可能被稀释导致检索失败的问题。DICE通过将文档分割成块，独立编码这些块，然后将这些表示聚合到单个向量中，同时保持标准的“一个查询-一个文档”接口。与传统的单向量基线相比，该方法通过降低证据稀释指数（EDI），在处理超过4k个token的文档方…
-
新的GRNGC框架增强了复杂工业过程中的因果发现能力
研究人员开发了一个新的基于梯度的因果发现框架，名为GRNGC，旨在克服现有基于神经网络的Granger因果模型中的局限性。GRNGC通过使用单一时间序列预测模型而非分量模型来降低计算成本，并通过将L1正则化应用于模型输入和输出之间的梯度来增强对复杂交互的捕捉能力。这个灵活的框架可以与KAN、MLP和LSTM等各种架构实现，并在多个基准数据集（包括DREAM和CausalTime）以及真实世界的基因调控网络数据集上展示了卓越的性能和降低的开销。
-
新的大语言模型框架和基准推动形式数学推理发展
研究人员正在开发新的方法和基准来提高大语言模型（LLMs）的形式数学推理能力。一种名为Diffusion-Proof的方法利用扩散大语言模型（dLLMs）进行定理证明，在ProofNet-Test和MiniF2F-Test等基准测试中表现优于自回归模型，甚至解决了领先模型无法解决的国际数学奥林匹克问题。另一项开发Visored提供了一个旨在通过模仿自然语言和自动化常规步骤来处理大语言模型生成数学的证明器。此外，Mask-Proof引入…
-
新方法提升扩散语言模型解码速度和质量
研究人员正在开发新方法来改进扩散语言模型（DLM）的解码过程。DLM能够并行生成文本，但目前在质量上落后于自回归模型。几篇论文提出了新颖技术，通过更好地捕捉词元关系和改进扩散解码器与语言模型之间的接口来弥合这一差距。这些进展旨在提高DLM生成的速度和准确性，使其在数学推理和代码生成等复杂任务中更具竞争力。
-
新的DREAM框架精炼物品标识符，以改进AI推荐
研究人员开发了DREAM，一个用于改进生成式推荐系统的新框架，特别针对冷启动物品。传统方法在有足够用户数据可用之前为物品分配一个单一的、静态的标识符，导致新物品表现不佳。DREAM通过一个三阶段过程动态精炼物品标识符来解决这个问题：创建候选标识符的多样化池，使用推荐模型根据用户支持选择最佳候选者，并在训练和推理过程中维护多个标识符假设。在Amazon基准测试上的实验表明，与现有方法相比，冷启动指标有了显著改进。
-
新的DAPD方法加速了扩散式大语言模型的解码
研究人员推出了一种新颖的依赖感知并行解码（DAPD）方法，用于加速扩散式大语言模型（dLLMs）的解码过程。DAPD利用自注意力构建条件依赖图，通过识别图中的独立集来实现标记的并行去掩码。这种无需训练的方法避免了辅助模型或重新训练的需要，提高了准确性-步数权衡，并更好地利用了dLLMs的任意顺序生成能力。
-
梦境设想汽车进入直升机实现自动出行
最近的一个梦描述了一个未来的交通系统，其中一辆能够自动驾驶的双座汽车会进入一架类似直升机的车辆以进行长途旅行。这种集成式方法旨在将个人汽车在最后一英里的便利性与城市交通的自动空中运输相结合。做梦者认为这个概念代表了理想的
-
MSAlign框架通过匹配基础模型改进代谢物鉴定
研究人员推出MSAlign，一个旨在从质谱数据中改进代谢物鉴定的新框架。该方法使用轻量级MLP投影来匹配预训练的质谱（DreaMS）和分子（ChemBERTa）基础模型。MSAlign在各种基准测试中表现出卓越的性能，并通过提供统一的实现以及公开数据集和代码来解决可重复性问题。
-
Anthropic 的“Dreams”功能通过异步内存巩固优化 AI 经济性
Anthropic 于四月下旬宣布的新功能“Dreams”不仅仅是一个个性化工具；它是一个异步内存巩固管道。该系统在用户会话结束后处理过去的对话记录和现有的内存存储，创建一个精炼的内存存储。其底层架构旨在通过在非高峰时段运行这些对延迟不敏感的任务，并与其他数千名用户批量处理，来优化推理经济性，从而显著降低成本。此举被视为未来功能的铺垫，届时巩固的内存可用于直接微调模型权重，从而有效地从用户会话中学习。
-
新的遗忘方法针对扩散语言模型
研究人员推出了一种名为掩码扩散遗忘（MDU）的新型框架，旨在从掩码扩散语言模型（MDLM）中移除特定知识。与传统的自回归模型不同，MDLM通过对掩码位置去噪来并行生成文本。MDU将遗忘过程适应于这种基于扩散的生成，旨在将模型预测从特定学习信息中转移出来，同时保持效用。实验表明MDU在MDLM遗忘方面是有效的，并且优于现有方法。
-
Anthropic 的 Claude Managed Agents 引入 'Dreaming' 以进行记忆巩固
Anthropic 为其 Claude Managed Agents 引入了“Dreaming”功能，这是一项新功能，允许代理回顾过去的会话和记忆库，以识别模式并优化其长期记忆。该功能目前处于研究预览阶段，仅限于 Anthropic 托管的 Managed Agents，而不适用于裸 Messages API。该公司还宣布，“outcomes”和“multi-agent orchestration”将从研究预览阶段过渡到更广泛的可用性。
-
PriorNet框架使用先验引导方法改进人脸视频参与度估计
研究人员开发了PriorNet，一个旨在改进人脸视频参与度估计的新型框架。该系统通过在流程的多个阶段引入特定任务的先验知识，解决了面部数据不完整和主观标注等挑战。PriorNet采用零帧占位符处理漏检，对预训练骨干网络进行参数高效适应，并使用专门的训练目标来提高准确性。
-
研究发现：Diffusion 语言模型在代理任务中表现不佳
一项评估基于扩散的大型语言模型（dLLMs）在代理工作流中表现的新研究发现，它们并不可靠。尽管 dLLMs 承诺效率，但在具身代理任务的长期规划和保持工具调用代理的精确格式方面遇到了困难。该研究引入了用于评估 dLLMs 的 DiffuAgent 框架，并得出结论：虽然 dLLMs 可以在非因果角色（如摘要）中提供帮助，但它们需要与因果推理机制集成才能在代理任务中发挥有效作用。