AI 研究與效率每日追蹤｜2026-10-30
今日重點
今天值得看的不是一批新模型，而是兩種不同的「生成控制」研究：阿里巴巴團隊用共通的潛在動作，讓世界模型學習不同機器人與人類影片；巴塞爾團隊則研究擴散語言模型如何選擇去噪與取樣方式。兩者都有具體實驗，但效益仍主要來自作者自測，不能直接推成通用部署加速。 arxiv.org
重要更新
1. Alibaba／DAMO Academy｜RynnWorld-Latent｜10 月 27 日，論文與開源
方法：以共通的連續「潛在動作」表示人類與不同機器人的動作，條件化影片世界模型，再生成可用於機器人政策訓練的動作—影片資料。 arxiv.org
數據：作者在 LIBERO-Plus 模擬測試中，先用約 8,480 萬影格合成資料進行中期訓練，π₀ 政策成功率由 53.6% 升至 79.4%；同一設定下，π₀.₅ 僅由 84.4% 升至 84.8%。論文未公布可供比較的生成吞吐、延遲與 GPU 型號。 arxiv.org
實際意義：若能跨機器人泛化，較少實機示範也可能用於擴充訓練資料；這還不是實機效率提升的證明。
限制與疑點：論文稱預訓練使用 23 個資料集、約 5.535 億影格，官方程式庫 README 卻寫 32 個資料集、逾 2.65 億影格，兩者口徑尚待團隊釐清；成績也尚無獨立重測。 arxiv.org
一手來源：論文、官方程式庫
新架構雷達
巴塞爾大學團隊｜Spherical Brownian Diffusion｜10 月 26 日
這是什麼：非自回歸語言模型研究：把 token 表示放在球面上，以布朗運動加噪，再比較不同的反向取樣與反覆修正策略。符合門檻：①不同於傳統逐字生成的架構；②有完整技術論文。 arxiv.org
作者宣稱：在相同去噪模型、2,000 題困難 Sudoku、180 次取樣呼叫的受控比較中，只改取樣策略，解題率可相差 25 個百分點。這是解題品質差距，不是速度提升。第三方驗證：目前未見獨立重測，也不能據此宣稱它勝過大型商用 LLM。一手來源：論文。 arxiv.org
趨勢整理
- 生成不只看骨幹：今天的球面擴散研究與日前 NVIDIA 的擴散模型研究，都把訓練方式、去噪及取樣策略放到核心位置；跨論文數字不能直接比較。 arxiv.org
- 效率要看工作負載：先前 NVIDIA 的 MoE 解碼、AWS 的 KV 傳輸改善各有指定模型與服務設定；今天兩項研究並未提供同等可比的端到端部署測試。 developer.nvidia.com
- 合成資料重在下游效果：RynnWorld-Latent 對 π₀ 與 π₀.₅ 的增益差很多，顯示不能只報最亮眼的一個政策成績。 arxiv.org