何恺明团队推出了改进版单步生成模型iMF，解决了训练的稳定性和效率问题。在ImageNet测试中，iMF表现优异，FID成绩为1.72，超越多步扩散模型，证明其性能可与之媲美。

华尔街对谷歌TPU的关注引发学术界质疑，认为Meta等公司早已在使用TPU。谷歌与Meta的TPU交易被视为对抗英伟达的策略，但分析认为谷歌的目的不仅是盈利，更是通过合作确保芯片供应。

NeurIPS 2025最佳论文和时间检验奖揭晓，阿里Qwen门控注意力获最佳论文，何恺明的Faster R-CNN获时间检验奖。今年共七篇论文，涉及扩散模型和自监督学习等领域的突破。

何恺明团队的新论文提出扩散模型应聚焦于去噪，直接预测干净图像而非噪声。新架构JiT（Just image Transformers）设计简化，避免复杂组件，实验表明其在高维空间中表现优越，生成质量高。

何恺明在MIT新招募了本科生胡珂雅和博士后李宗宜。胡珂雅专注于AI与脑科学结合，已发表多篇高水平论文；李宗宜是傅里叶神经算子的发明者，研究物理方程的神经网络。他们将为何恺明的“AI for Science”方向贡献力量。

LSTM之父Schmidhuber质疑何恺明是残差学习的奠基人，指出早在1991年，Hochreiter已提出循环残差连接以解决梯度消失问题。他认为ResNet等深度学习成果应归功于早期研究，争论已持续多年。

MIT终身教授何恺明近期加盟谷歌DeepMind，担任兼职杰出科学家。他在计算机视觉领域有重要贡献，提出了ResNet等模型，并与谷歌合作推动生成模型研究。

何恺明的新论文提出了一种名为Dispersive Loss的正则化方法，旨在提升扩散模型的生成效果。该方法无需预训练和数据增强，通过正则化中间表示来增强特征分散性，简化实现并提高生成质量。实验结果显示，Dispersive Loss在多种模型上显著改善生成效果，具有广泛的应用潜力。

何恺明与LeCun提出的DyT（动态Tanh）模块可替代Transformer中的归一化层，性能相当且加速，已开源。DyT模块仅需9行代码，适用于多种模型，实验表明其在效率和效果上优于传统归一化方法。

何恺明团队提出了一种新方法，将去噪技术与哈密顿神经网络结合，克服了传统机器学习在物理问题上的局限。该方法通过Block-wise哈密顿量设计和掩码建模策略，提升了模型在正向模拟、表征学习和轨迹插值任务中的准确性和鲁棒性。

何恺明团队提出的分形生成模型显著提高了计算效率4000倍，实现了高分辨率逐像素图像生成。该模型通过模块化设计和递归调用，能够处理高维非序列数据，展现出在计算机视觉等领域的潜力。