14B视频模型单卡19.5FPS

今日概览

14B视频模型单卡19.5 FPS，不用KV-cache、稀疏attention或量化推理，架构原生为实时设计而非事后加速补丁。
验证机制才是test-time scaling的真正瓶颈——V1发现成对比较远优于独立打分，将生成和验证统一进同一个模型，Pass@1最高提升10%。
科学假设生成的组合复杂度从O(N^k)压到O(log N)，MOOSE-Star先证明暴力检索在数学上不可解，再用任务分解+层级搜索绕过壁垒。
多模态推理模型的性能第一杠杆是数据配方：Phi-4-reasoning-vision-15B技术报告的消融实验和设计取舍记录，比模型权重本身更值得读。

重点关注

01 视频生成不用KV-cache不用量化，14B视频模型单卡跑到实时

14B参数的视频模型，单张H100上19.5 FPS，支持分钟级连续生成——数字本身就够硬，但更值得关注的是实现路径。Helios没用KV-cache，没用稀疏attention或线性attention，没用量化推理，也没用任何常见的anti-drifting技巧——self-forcing、error bank、关键帧采样统统没有。这不是在现有架构上贴加速补丁，而是从头为实时生成设计的自回归扩散架构。核心思路是极致压缩历史帧和噪声上下文的表示，同时减少采样步数，把14B模型的计算成本压到跟1.3B模型一个量级。长视频的drift（画面漂移）问题也没靠推理时的heuristic去堵，而是在训练阶段显式模拟漂移并消除重复运动的根源。团队还做了基础设施级的优化，训练时80GB显存能装下4个14B模型，不需要并行或分片框架。社区127个upvote反映的不只是对效果的认可，更是对部署可行性的兴奋——当一个模型不依赖任何特殊加速基础设施就能实时跑，落地门槛会低一个数量级。

14B模型单卡19.5 FPS，计算成本降到1.3B模型水平，架构原生为实时设计而非事后加速长视频anti-drifting靠训练策略而非推理heuristic，从源头消除画面漂移代码和模型将开源，做视频生成落地的团队值得重点关注

原文：Helios: Real Real-Time Long Video Generation Model

02 推理并行推理的瓶颈不是生成更多答案，而是找到对的那个

Test-time scaling（推理时扩展计算）的常见做法是并行采样多个候选解再挑最好的，但瓶颈往往不在采样本身。Berkeley的V1发现了一个有意思的不对称：模型独立给单个解打分的准确率远低于两两比较。基于这一点，V1把生成和验证统一进同一个模型——用锦标赛式的成对排序替代逐个打分，并通过不确定性引导把验证算力集中在最难区分的候选对上。代码生成和数学推理任务上，成对验证比独立打分的Pass@1最高提升10%，同时比其他test-time scaling方法更省计算。

推理时扩展的真正瓶颈在验证机制，不在采样数量成对比较远优于独立评分，且可与生成统一训练避免分布漂移与其堆采样数量不如投资更好的验证策略

原文：$V_1$: Unifying Generation and Self-Verification for Parallel Reasoners

03 AI for Science 先证明「此路不通」，然后把它走通了

用LLM做科学发现，多数工作在琢磨怎么写prompt或怎么用反馈微调。MOOSE-Star问了个更底层的问题：能不能直接训练模型学会「从背景知识生成假设」？他们先给出了一个令人沮丧的证明——从海量知识库中检索和组合灵感的复杂度是O(N^k)，数学上不可解。然后反手把问题拆开：将发现过程分解为子任务，用动机引导的层级搜索实现对数级检索，再通过有界组合抵抗噪声，最好情况下复杂度从指数降到O(log N)。配套释出的TOMATO-Star数据集（10.8万篇拆解论文，耗费3.8万GPU小时）让这套方案可以实际训练，而且暴力采样撞上「复杂度墙」的地方，MOOSE-Star仍展现出持续的test-time scaling能力。

直接建模「背景→假设」的生成过程是指数级不可解的，这比prompt engineering的局限更根本任务分解+层级检索将复杂度从O(N^k)压到O(log N)，让不可能变成可能框架展现持续的test-time scaling，暴力采样撞墙的地方它还能继续提升

原文：MOOSE-Star: Unlocking Tractable Training for Scientific Discovery by Breaking the Complexity Barrier

04 多模态训多模态推理小模型，数据配方比架构更关键

训一个紧凑型多模态推理模型，最大的未知不是架构选什么，而是数据怎么配。Phi-4-reasoning-vision-15B的技术报告详细记录了这个过程：系统化的数据过滤、纠错和合成增强带来的提升远超架构创新。在架构层面，高分辨率动态分辨率编码器带来了稳定收益——准确的视觉感知是高质量推理的前提。一个实用的设计是用显式模式token区分推理和非推理数据，让单一模型既能快速回答简单问题，也能对复杂问题做链式思考。对正在探索这个方向的团队，报告中的系统消融实验——哪些策略有效、哪些被放弃——可能比15B的模型权重本身更有参考价值。

数据过滤、纠错和合成增强是性能第一杠杆，架构创新的边际收益相对有限显式模式token实现推理/非推理双模式，简单任务不浪费推理开销技术报告的消融实验和设计取舍记录，对训练类似模型的团队有直接参考价值

原文：Phi-4-reasoning-vision-15B Technical Report

也值得关注

Structure-of-Thought：让模型先建立文本结构再回答 推理八项任务一致提升，105个upvote说明社区认可实用性。链接

面向VR的4K 360°全景视频生成 视频生成突破了现有方法≤1K的分辨率限制。链接

LLM agent长程任务的记忆瓶颈有了新解法 Agent用索引化经验记忆替代截断和摘要，让远端证据可检索。链接

小时级叙事视频生成 视频生成解决跨镜头背景一致性和多角色身份保持。链接

真实coding agent的反馈信号是延迟、稀疏、带噪的 代码智能用rubric监督的critic弥补benchmark和生产之间的gap。链接

在Muon优化器中加核范数约束 训练优化训练时就逼出低秩结构，压缩更自然。链接

MIT做的多尺度具身记忆 机器人短期精细动作、长期抽象规划，不同粒度分开建模。链接

从视频先验做4D铰接人物-物体交互重建 多模态零样本、无需3D监督。链接

免训练扩散模型加速 推理加速逐token自适应选择predictor，比固定步骤跳过更精细。链接

视频LLM的实时交互评测 评测覆盖回顾记忆、实时感知、主动预判三种任务维度。链接

今日观察

V1采样100个候选解，发现选不出最好的那个。MOOSE-Star从知识库检索灵感，发现组合空间是指数爆炸的。Memex(RL)让agent跑长程任务，发现关键信息被淹没在历史里。三个系统各自解决了具体问题，但它们成立的前提相同：生成环节已经足够强，卡点转移到了「从生成结果中定位正确答案」。

这个转移的含义很实际。过去两年，行业把大量资源投入更大的模型和更多的采样，换来的生成能力已经溢出——但验证、检索和知识组合的基础设施还停留在上一代。V1证明成对验证比独立打分好10%，MOOSE-Star把检索复杂度从指数级压到对数级，Memex(RL)用索引化记忆让远端证据可达。这些都不是在做更好的生成，而是在做更好的筛选。

如果你在规划产品或基础设施，做一件事：审计你系统里生成和筛选的算力比。当生成侧已经能产出足够多的候选方案时，把更多预算投向验证和检索机制，回报可能更高。