深度之眼2025-2026科研大会员课件及资料合集

这份资料合集覆盖的时间跨度是 2025 到 2026 年，主题集中在 AI 科研的几个热门方向。它不适合零基础的人从头啃，更适合已经写过一些模型代码、但想搞清楚某个具体方向到底在做什么的读者。如果你正打算做科研选题、跟组会汇报、或者面试时被问到扩散模型的新进展，下面几块内容可以帮你判断该从哪个专题补起。

免训练扩散模型：不重新训练也能改采样

扩散模型这块最容易卡住的不是原理，而是「我只有一个预训练权重，能不能不动它做出新效果」。这个专题围绕的就是免训练（training-free）思路下的采样改进、条件引导与编辑方法。学之前你需要能看懂 DDIM 采样公式，知道噪声调度在做什么。配套练习大概率会让你在已有权重上改采样循环，观察生成结果的变化。看完应该能回答：免训练方法究竟省掉了哪一步，它的代价是什么，为什么有些编辑任务仍然需要微调。

PINN 与 Graph Mamba：两套偏门但实用的工具

物理信息神经网络（PINN）把方程约束写进损失函数，用来解正问题和反问题。这个专题的难点在于损失权重的平衡和边界条件的处理，不是背下网络结构就能跑通。另一块 Graph Mamba 属于图结构上的状态空间模型，适合处理长序列依赖的图数据。如果你做过 GNN，会发现它在消息传递之外提供了另一条路径。这两块都需要一定的数学推导能力，建议先补上常微分方程和状态空间模型的基础，再去看资料里的推导细节。

多模态、知识图谱与 DeepSeek 相关研究

这块是多模态大模型与知识图谱的结合点，涉及 DeepSeek 相关的研究与应用整理。重点不在「怎么调 API」，而在于模型如何利用外部结构化知识、知识图谱如何辅助推理和事实性。视觉语言模型部分会牵扯到对齐、指令微调、评测这些老问题。如果你只做过纯文本任务，这里最需要补的是多模态数据的处理流程和评测指标。看完应该能说清楚：知识注入和检索增强在什么场景下更划算，什么时候反而拖累效果。

强化学习：从深度推理到人形机器人

合集里有两个强化学习专题，一个是深度推理增强，一个是人形机器人的控制实战。前者关心怎么用 RL 提升模型的推理链质量，会用到奖励设计和策略优化；后者落在具身智能的动作控制上，涉及仿真环境、训练稳定性和 Sim2Real 的落差。这两块对数学和工程的要求都不低，需要熟悉策略梯度、优势估计这些基本概念。看完应当能回答：推理增强里的奖励信号怎么设计才不至于让模型钻空子，人形机器人训练中最容易崩的环节在哪。

怎么用这份资料

• 先按缺口选一个专题，不要七个一起开。
• 每个专题先读课件，再跑配套代码，最后回头补公式。
• 遇到推不动的地方，记下具体卡点，比泛泛地「看不懂」更容易解决。
• 拿每个专题末尾的问题自测，答不上来就说明还没真的看懂。

这份合集的价值在于把前沿方向拆成了可动手的模块，但它不会替你把数学基础补齐。哪块缺，就补哪块，别指望一遍过。