美团技术团队将LLM语义表征应用于搜索排序，提升语义匹配能力。工程落地需关注成本、延迟、缓存和回滚，建议按场景灰度并拆分监控。跨场景复用可降本，但需明确边界和降级策略。普通团队应先小范围验证，列清延迟、更新频率、降级和监控四张表，视其为长期维护的基础设施。

本文比较了自回归语言模型（ARMs）与扩散语言模型（DLMs）的性能。DLMs通过并行生成令牌提高算术强度，但长上下文扩展不佳；块状解码可改善此问题。批处理推理中，ARMs因序列并行优势吞吐量更高。减少采样步数是DLMs降低延迟的关键。

本文介绍了LARYBench，一个用于评估隐式动作表征的基准系统，旨在提升机器人在不同环境中的泛化能力。LARYBench分析了大规模人类视频数据，提供超过一百万段标注视频，涵盖151种动作，支持多样化的机器人形态和操作场景。实验结果表明，通用视觉模型在动作泛化和控制精度上优于专门模型，强调了隐式动作表征的重要性。

苹果将在2026年国际学习表征会议（ICLR）上展示基于M5 Max的本地LLM推理和SHARP处理图像的研究，会议时间为4月23日至27日，地点在巴西里约热内卢，欢迎研究社区参与。

AI Shortlist 是一篇关于人工智能的文章，探讨了其技术、应用及发展趋势，分析了AI在各领域的影响及未来潜力。

抱歉，文本内容过于简短，无法进行有效总结。请提供更详细的文章内容。

Qwen3 Embedding 系列模型正式发布，专注于文本表征与排序任务，基于 Qwen3 训练，性能卓越。支持100多种语言，提供多种参数配置，灵活满足不同需求。模型采用分阶段训练，提升泛化能力与任务适配性，未来将扩展多模态表征能力。

Meta近期发布了WebSSL模型，探索无语言视觉自监督学习的潜力。该模型在大规模图像数据集上训练，展现了在视觉问答和OCR等任务中的竞争力，挑战了语言监督的重要性，并强调了数据集组成和模型规模的影响。WebSSL为未来的多模态系统提供了开源基础。

苹果研究人员通过基础研究推动机器学习和人工智能的发展，并在国际学习表征会议（ICLR）上展示深度估计、文本生成和决策制定等领域的创新研究，以支持更广泛的研究社区。

苹果将在4月24日至28日于新加坡举行的国际学习表征会议（ICLR）上展示新研究，设立展位C03，进行技术演示并参与论文工作坊。

在ICLR 2025会议上，ChartMoE论文被录取为口头报告。该模型通过多阶段对齐任务增强图表理解能力，采用MoE结构，显著提升视觉表征和性能。研究表明，ChartMoE在通用和图表领域均表现优异，减少了对通用知识的遗忘。