

> 针对滥用AI技术解构经典与歪曲历史的乱象，微信平台开展专项治理行动，累计下架超三千条违规视频，全面收紧生成式内容监管红线。

## 技术滥用触发监管铁拳

随着生成式AI技术的快速普及，部分内容创作者为了博取流量，开始毫无底线地滥用技术工具。近日，微信平台依据国家广播电视总局的部署要求，重磅发布第六期违规视频治理公告，将矛头直指泛滥成灾的AI魔改短视频。

在常规的内容巡查中，平台发现大量账号热衷于对经典影视剧和历史英雄人物进行颠覆性篡改。这些违规视频不仅严重扭曲了《三国演义》《水浒传》等经典作品的原著精神，更以恶意解构的方式亵渎英模故事。此外，部分针对未成年人经典动画形象的邪典化和恐怖化改编，已经触及了危害青少年身心健康和价值观的底线，引发了广泛的社会担忧。

![52.png](https://static.downly.cn/images/68df43b7ef2df00d69ccf46cc334a75a.png)

<center>图源备注：图片由AI生成</center>

## 铁腕清退与平台生态共治

面对愈演愈烈的技术滥用现象，微信平台采取了果断的干预措施。根据相关法律法规及平台运营规范，截至2026年3月，微信已雷霆扫除违规短视频内容3800余条，并对情节严重的关联账号实施了永久封禁处理。

此次专项行动清晰地划定了AI生成内容的合规边界。技术创新绝不能成为扭曲历史事实和传播低俗内容的法外之地。平台在公告中强烈呼吁广大创作者强化自律意识，将先进的技术手段应用于优质文化内容的创作。未来，微信将持续升级自动化识别与治理能力，以更加严密的监管网络捍卫清朗的内容生态。

微信重拳出击影视魔改 深度清理三千余条违规AI生成视频



> **导语**
> 近日，一项来自 Sakana AI 的研究突破了当前大模型竞争的格局。 他们提出了一种名为 Multi-LLM AB-MCTS 的新算法，首次实现了让 OpenAI、谷歌和 DeepSeek 的顶尖模型在推理时协同工作，组建成一支“AI梦之队”。 这个“三模合一”的集体智能在极具挑战性的基准测试中，展现出远超任何单一模型的能力，将解题成功率提升了超过30%。

## AI“梦之队”的诞生

长期以来，人工智能领域的竞争主要围绕着单个模型的性能展开，各大科技巨头都在努力打造更强大的“单体”AI。  然而，Sakana AI 的研究提供了一个全新的思路：与其追求单一的“最强王者”，不如将不同模型的独特优势结合起来，形成“群体智慧”。 
![image.png](https://static.downly.cn/images/23c4baff447514f237b78b3376f40ed7.png)
这项研究并非一次企业级的合作，而是一次技术层面的创举。  研究人员利用他们开发的 Multi-LLM AB-MCTS 框架，将三个来自不同公司的前沿模型——o4-mini、Gemini-2.5-Pro 和 DeepSeek-R1-0528——有效地整合在一起。 这个系统能够在解决复杂问题时，像一个团队一样，动态地调用最适合当前任务的模型来执行特定步骤。 

![image.png](https://static.downly.cn/images/d453041821c2c39af4bcdf6c8205e62e.png)
## 解密核心技术 AB-MCTS

这项突破的核心是一种名为“自适应分支蒙特卡洛树搜索”（AB-MCTS）的算法，它属于“推理时扩展”（Inference-Time Scaling）技术的一种。 简单来说，就是让AI在面对难题时，通过投入更多的计算资源进行“深度思考”和“反复试错”，而不是只给一次机会。 
![image.png](https://static.downly.cn/images/8a2db571aa03e2e2727d402317eb5131.png)
过往的方法通常要么是“深度优先”，即对一个想法不断优化；要么是“广度优先”，即产生许多个全新的想法。  这两种方式各有局限。  而 AB-MCTS 算法巧妙地扩展了AlphaGo所使用的蒙特卡洛树搜索技术，能够在“深入优化一个方案”和“探索全新可能性”之间取得动态平衡。

在此基础上，Multi-LLM AB-MCTS 增加了第三个维度：AI选择。  在每一步决策时，算法不仅要决定是“走深”还是“走宽”，还要决定该任务由哪个模型来执行最有效，从而实现真正的优势互补。

![image.png](https://static.downly.cn/images/f56352a3c54271bf5d4b67524d048624.png)

## 1+1+1 > 3 惊人的实验结果

为了验证“AI梦之队”的真实战力，研究团队在极具挑战性的 ARC-AGI-2 基准测试上进行了实验。 结果令人瞩目：
![image.png](https://static.downly.cn/images/88006959a41d99488482df279f9e298a.png)
通过让三个模型协同工作，Multi-LLM AB-MCTS 最终解决了超过 30% 的问题。  相比之下，作为性能最强的单一模型之一，o4-mini 即便使用了新的 AB-MCTS 算法，成功率也只有 27.5%，而使用传统的重复采样方法更是只有 23%。  这证明了群体智慧的巨大优势。

更有趣的发现是，协作的价值并非简单地让最强的模型去解决问题。  实验中，一些单个模型表现不佳的案例，却在多模型协作中迎刃而解。 比如，o4-mini 先生成一个不完全正确的初步答案，而 DeepSeek-R1-0528 能够在这个错误答案的启发下，接力修正并最终得出正确解法。 这充分展示了不同模型间思维碰撞产生的火花。

![image.png](https://static.downly.cn/images/88eb4924125ce0320fa12f21d4a9cf07.png)

## 未来展望 群体智能的黎明

Sakana AI 的这项研究标志着AI发展的一个重要转向，即从追求“模型规模”转向探索“模型使用”的智慧。  它证明了通过智能算法将现有顶尖模型的能力进行组合，可以有效突破单一模型的性能瓶颈。

正如人类历史上众多伟大的成就都源于协作而非个人英雄主义，AI的未来或许也并非由一个无所不能的“超级AI”主宰，而是由无数个各具特长的AI组成的、高效协作的“集体智能”来开创。 为了推动这一领域的发展，Sakana AI 已经将该算法框架以“TreeQuest”之名开源，供全球的研究者使用和探索。 

搜索结果: 三国演义