3D资产是游戏、影视、工业设计等数字内容产业的刚需，但传统3D建模存在门槛高、周期长（单模型平均7天）、成本昂贵（百元至万元）的核心痛点。腾讯混元3D生成大模型致力于通过AIGC技术重塑3D内容生产管线。本次演讲将深度解析我们如何通过三大核心技术突破实现SOTA效果：

• 几何生成：引入3D-DiT分级模型，人脸与复杂几何精度相比上一代大幅提升；
• 纹理生成：搭建业界首个多视图PBR生成框架，实现4K超清材质生成与编辑，视觉效果胜出率超70%；
• 美术级生成：自研智能拓扑算法PolyGen，业界首次达到游戏美术标准，生成模型面数可达2万+，布线规整。

演讲提纲：

1. 引言：3D AIGC 的机遇与工业级挑战
   • 3D内容的稀缺性与生产瓶颈数据分析
   • 从“能生成”到“好用、可用、可落地”的鸿沟：精度、可控性、美术规范
2. 核心突破一：超高清 3D 几何生成的架构演进
   • 数据瓶颈：如何构建支持超高分辨率的3D数据管线？
   • 表征瓶颈：高效稀疏3D-VAE解码器的设计，如何将解码效率提升、最大Token 数提升？
   • 生成瓶颈：3D-DiT模型的设计理念与实现，如何解决整体结构、表面规整与局部细节的优化冲突？
3. 核心突破二：面向真实渲染的材质生成
   • 从 RGB 贴图到PBR材质：为何这是逼真渲染的必由之路？
   • 业界首个多视图PBR生成框架详解：如何端到端建模法线、粗糙度、金属度等多通道？
4. 核心突破三：达到游戏美术标准的生成与后处理
   • 智能拓扑：自研Mesh表征BPT如何将表征Token压缩74%，支持2万+面数建模
   • 组件化生成：业界首个原生3D分割模型(P3-SAM)与多组件Diffusion架构，如何实现高精度自动拆件？
5. 踩坑与反思：高精度数据获取、算法效率与质量的权衡、与专业工具的兼容性等实践挑战

听众收益：

• 获得一套完整的工业级3D AIGC技术体系认知：听众将深入了解一个顶级3D生成大模型（混元3D）从技术选型、核心模块创新（几何、纹理、拓扑）到大规模业务落地的全链路设计思路与踩坑经验

• 掌握3D生成领域的关键技术突破与前沿方向：深入理解超高分辨率3D表征、PBR材质生成、符合美术规范的Mesh生成等核心挑战的解决方案，把握从“可用”到“好用”的技术发展趋势，提升在多媒体、游戏、机器人仿真等领域的技术视野与判断力

• 借鉴头部企业的开源与生态建设策略：了解腾讯混元3D如何通过持续开源构建开发者社区、扩大行业影响力的实践，以及如何通过技术开放平台赋能游戏、3D打印、设计等跨行业客户，为技术产品的商业化与生态化运营提供思路

针对得物交易推荐“4大核心场景 + 50余个细分场景”的多层级独特生态，本演讲聚焦大模型时代排序模型的Scaling Up挑战。在剖析业界探索的基础上，重点阐述得物如何构建统一的排序大模型，以应对极致的场景异构性。方案通过跨域联合建模与MoE-Transformer融合架构，系统性解决数据、特征及训练推理难题，实现模型从千万到十亿级的平滑扩展。最终在显著提升推荐精准度的同时，为得物数十个差异化业务场景带来了整体的成本控制与业务增长。

演讲提纲：

1. 背景与挑战：推荐排序模型的Scaling Up困境
2. 业界突破Scaling Law的探索与启示
3. 得物电商多场景排序大模型统一架构设计（数据、特征、模型结构、训练优化、推理优化）
4. 落地效果与关键数据（脱敏）
5. 总结与展望

听众收益：

• 了解推荐排序模型突破Scaling Law瓶颈的前沿架构：包括MoE、轻量级Transformer、场景自适应建模等，可直接应用于自身业务
• 掌握大规模稀疏模型训练与推理的系统优化技巧：混合半精度、KV Cache、专家并行、INT8量化、结构化剪枝等，学会如何让十亿参数模型在有限资源下稳定运行
• 学习跨场景联合建模的实践经验：若你负责多场景/多任务推荐，可获得样本对齐、特征共享、场景差异建模的具体解法
• 获得效果与成本平衡的决策参考：了解参数规模从千万到十亿的真实收益曲线和资源增量，帮助评估何时投入大模型升级

在 LLM 预训练与 RAG 规模化应用的今天，高质量文档数据的获取已成为制约 AI 能力突破的瓶颈。

本次演讲将深度拆解开源文档解析基础设施 MinerU 的演进历程：从基于传统 OCR 与布局检测的 v1 Pipeline 方案，到引入解耦式多模态大模型的 v2.5 架构，再到最新突破性能天花板、纯数据驱动的 v2.5-Pro 范式。

我们将重点分享 MinerU 如何攻克公式识别（UniMERNet）、复杂布局检测（DocLayout-YOLO）及表格解析（OTSL）等核心硬核技术，并首次公开其背后的“数据炼金术”——包含多样性感知采样（DDAS）与跨模型一致性验证（CMCV）在内的三维协同数据引擎。

最后，演讲将展示 AgenticOCR 与扩散并行解码等前沿探索，探讨文档解析如何从“静态提取”转向“动态智能体感知”。

演讲提纲

1. 时代背景：文档解析为何成为 AI 的“入场券”？
   • 演进脉络：从单一 OCR 任务到智能文档理解（IDP）的跨越。
   • 双轮驱动：LLM 预训练对海量高质量知识的渴求 vs RAG 系统对精准检索的刚需。
   • 竞争格局：OmniDocBench 时代的百家争鸣与 MinerU 的定位。
2. 技术进化论：MinerU 的三个里程碑
   •   MinerU v1 (Pipeline)：
     •   核心组件：UniMERNet 公式识别与 DocLayout-YOLO 布局检测
     •   工程化落地：四阶段处理流（预处理 -> 解析 -> 后处理 -> 格式转换）
   •   MinerU 2.5 (Decoupled VLM)：
     •   架构创新：低分辨率全局布局（Stage I）与原分辨率局部识别（Stage II）的解耦
     •   效率突破：解决端到端模型 $$O(N^2$$ token 复杂度难题
   •   MinerU 2.5-Pro (Data-Centric)：
     •   核心洞察：架构趋同下，性能瓶颈已转向训练数据的质量与分布
     •   数据驱动：同参数规模下的性能飞跃（Overall 92.98 -> 95.69）
3. 算法深潜：攻克文档解析的“三座大山”
   • 公式之巅：UniMERNet 百万级数据集与 CDM 视觉级评测指标
   • 布局之变：统一 21 类细粒度标签体系与 PageIoU 评估标准
   • 表格之困：OTSL 压缩格式（28 -> 5 tokens）与旋转矫正流水线
4. 数据炼金术：大规模数据工程的闭环（Pro 版核心）
   • 采样逻辑 (DDAS)：视觉特征聚类与难度感知采样
   • 验证机制 (CMCV)：异构模型交叉验证，精准定位模型短板
   • 标注闭环：Judge-and-Refine 自动校正与定向专家标注
5. 未来探索：迈向 Agent 与 扩散模型
   • AgenticOCR：按需动态解析，从“全量扫读”到“智能点读”
   • MinerU-Diffusion：基于扩散模型的非自回归解码，实现 3.26x 速度提升

听众收益：

• 以获得一套可直接落地的 RAG 数据清洗管线参考，了解如何处理公式、表格、阅读顺序等“硬骨头”。
• 能够学习到如何构建百万级高质量数据集（UniMER-1M）以及如何设计多模型协同的数据引擎（Data Engine）方法论。
• 通过 MinerU 的演进路线，可以清晰地看到文档解析技术从“拼凑工具库”到“垂直多模态大模型”再到“数据为王”的发展趋势，为企业数字化转型提供技术选型依据。
• 了解到国产开源项目在登顶 GitHub Trending 背后，不仅有工程实现的努力，更有在顶级学术会议（CVPR 2025/2026）上的深度理论创新。

在当今大数据与人工智能飞速发展的时代，在线 ParameterServer（参数服务器）作为模型推理的核心组件，承担着海量模型参数的存储、更新与同步重任。随着模型规模的持续扩张以及在线请求量的爆炸式增长，传统在线 ParameterServer 逐渐暴露出性能短板。一方面，传统存储引擎在面对高频次的参数读写请求时，存在着数据访问延迟高、并发处理能力不足的问题；另一方面，基于 TCP/IP 协议的网络通信架构，网络带宽利用率低、传输延迟大的问题愈发凸显，成为了在线 ParameterServer 性能提升的又一关键瓶颈。

针对上述挑战，我们的项目团队从存储引擎与网络通信两个核心维度入手，进行了全方位的技术革新。首先是存储引擎的重构，我们通过引入 SIMD 并行计算、内存预取等、按 ttl 分层的精确过期和强制回收方案等技术手段，将存储引擎的极限吞吐提升了 50% 以上；其次，我们通过引入 RDMA 重构了整个通信链路，更是将极限吞吐提升了 270%，同时时延降低到了原来的 1/3。

演讲提纲：

1. 大模型时代面临的挑战
2. 存储引擎的性能突破
3. RDMA 重构通信链路
4. 总结与展望

听众收益：

• 掌握参数服务器存储与网络双维度优化实战方法，解决高并发、高时延工程痛点
• 借鉴 RDMA 与存储重构落地经验，实现大模型在线服务吞吐与时延的量化提升