EZ.AI Listen Daily
在人工智能的推理世界里，速度与效率的平衡一直是核心挑战。传统投机解码通过分离草稿生成与目标验证来加速大模型，但最新方法遭遇了瓶颈：并行草稿器虽能一次生成多个token，却因缺乏内部依赖而让后续token的接受率急剧下降，如同多米诺骨牌般一片片倒下。更糟糕的是，系统不加区分地验证整块长序列，反而让高风险的token占用了宝贵的计算资源，在高并发场景下，吞吐量损失惨重。
DSpark的出现打破了这一僵局。它像一个精明的调度师，将高吞吐的并行生成与自适应负载感知验证合二为一。秘密在于“半自回归”架构：一个轻量级的顺序模块嵌入并行骨干中，为每个token块注入依赖关系，有效缓解了后缀衰减——原本长序列后端的低接受率问题。同时，DSpark引入“置信度调度验证”，它像一个实时导航仪，根据每个请求前缀的存活概率和引擎的吞吐特性，动态调整验证长度，避免算力浪费。
效果立竿见影。在涵盖多领域的离线基准测试中，DSpark相比顶尖的自回归和并行草稿器，大幅提升了接受长度。当部署到DeepSeek-V4的在线服务系统时，面对真实用户流量，DSpark成功遏制了验证浪费。与生产基线MTP-1相比，同等吞吐下每个用户的生成速度提升了60%到85%。更关键的是，在严格的交互延迟约束下，它阻止了吞吐性能的悬崖式下跌，实现了此前无法企及的效率水平，将整个服务系统的性能边界推向了新高度。
DSpark证明，细节处的精密调控往往能释放巨大的潜力——在算力与需求赛跑的时代，学会取舍比盲目推进更接近真正的速度。
想象一下，一个模型能同时完成目标检测、OCR、关键点估计、深度估计、表面法线预测、点地图和相机位姿估计，只需要用自然语言描述任务，甚至不需要为每个任务设计专门的架构。这听起来像是科幻小说，但SenseNova-Vision做到了。
研究团队将计算机视觉重新定义为统一的多模态生成问题。他们发现，不同视觉任务其实可以用同样的语言和图像生成空间来表达：对于符号输出（比如检测框的坐标），模型输出文本；对于密集的空间预测（比如分割掩码），模型直接输出图像；而对于组合任务（比如描述场景中的物体），则混合输出文本和图像。
这个看似简单的思路背后，是巨大的数据工程。团队收集并转换了大量计算机视觉标注数据，构建了一个名为SenseNova-Vision Corpus的大规模指令-响应数据集，其中包含文本、图像和混合目标。这些数据被用来训练一个现成的预训练多模态模型，无需添加任何任务特定的预测头或修改架构。
在实验中，这个单一模型在结构化视觉理解、密集几何预测、分割和多视角视觉几何等任务上，与当前最领先的任务专用系统表现相当。尤其令人印象深刻的是，它还能支持语言定义的变体任务，比如用颜色、区域和类别组合来指定检测要求。
这个研究的核心突破在于，它展示了一条从专用系统走向通用基础模型的可行路径：用统一的多模态生成框架，让一个模型学会所有视觉任务，而不再需要为每个任务单独设计和训练模型。模型和数据集都已公开，这为社区提供了宝贵的研究基础。
将分散的视觉能力整合进一个统一的框架，就像把一张张孤立的拼图碎片拼成一幅完整的图画。也许不久之后，我们不再需要为每个视觉问题设计专门的解题工具，因为它们都将内化为一个通用模型的不同表达方式。
当外卖巨头DoorDash开始认真钻研AI代码审查，结果出乎所有人意料。长期以来，技术团队一直苦恼于无法统计AI审查员到底放过了多少隐藏缺陷——日常反馈只能追踪被标记的问题，那些悄悄溜过去的bug就像幽灵。为了破解这个谜题，他们构建了一个名为DashBench的内部基准，将105次过往代码变更作为测试场，逐一检验不同AI组合的捉虫能力。
测试结果令人惊讶：单个模型孤军奋战时，仅能捕获20%-30%的漏洞。而DoorDash将两个Claude模型配对，也仅能揪出一半多一点。真正的黑马出现在组合Kimi K2.6与Claude Fable 5时——这对搭档抓住了约三分之二的问题，更在10个最关键漏洞中命中了8个，每次审查成本仅为3.81美元，远低于其他方案。联合创始人Andy Fang兴奋地表示，DashBench让他们有底气把开源模型引入流程，“更好的质量，更低的成本。”
这则故事折射出两个深层信号：一是每一家科技巨头都可能通过类似的内部AI研究优化自身流程；二是开源AI的竞争力正以惊人速度攀升，Kimi K2.6的表现证明，它已不再是廉价替代品，而是一个值得严肃对待的选项。开源生态每一次迭代，都让降本增效的窗口开得更大些。当“实验”不再是实验室里的游戏，而是融入日常代码流水线的利器，或许每个行业都该重新审视那些被忽略的“幽灵缺陷”——以及准备捕捉它们的工具。
中国拟限顶级AI模型出海原文
凌晨三点，杭州一家初创公司的程序员还在调试代码。他刚把智谱GLM-5.2接入云端，准备下个月推向东南亚市场。但如果北京的讨论落地，这套模型可能永远无法离开中国。据路透社报道，中国商务官员已与字节跳动、阿里巴巴、智谱AI会面，探讨对最强模型实施境外使用限制，包括已发布的Qwen、豆包、GLM-5.2及未来版本。讨论范围覆盖闭源和开源模型，甚至涉及初创公司融资限制和泄露专有AI的惩罚措施。
这场博弈并非无迹可寻。今年6月，美国就以“安全”为由，对Anthropic的Fable和Mythos模型实施了类似出口管制，OpenAI的GPT 5.6也面临更严格的审查。如今北京打出“UNO反转牌”，意味着全球AI供应链的风险从单向变成双向——西方用户可能像突然失去Anthropic模型一样，瞬间再也用不起那些物美价廉的Qwen和豆包。
背后逻辑很直接：中国模型靠低成本和高性能在全球收割用户后，涌入了大量开发者和应用场景。这些数据流向和对模型潜在安全性的担忧，促使两国都开始收紧闸门。但值得注意的是，中方讨论中同时涉及了开源模型——这与此前硅谷认定的“开源无法被封锁”的共识形成强烈对立。
一位不愿透露姓名的AI研究员表示：“过去大家觉得模型掌握了自己手里，现在才明白物理服务器在哪、代码由谁审核，才是终极杠杆。”这句话点出了技术地缘政治的核心悖论：当一个国家手握底层模型和硬件时，规则随时可能重写。
规则在变，游戏在变，而玩家们只能看着棋盘上的棋子突然改变颜色。
在AI图像生成领域，Meta刚刚甩出了一张王牌。亚历山德·王领导的超级智能实验室推出了首个图像模型Muse Image，迅速登上了Arena排行榜的第二名，仅次于OpenAI的GPT Image 2。更让人惊讶的是，这款模型免费集成在Meta AI中，正在Instagram和WhatsApp上逐步铺开，Facebook、Messenger和广告平台稍后也会跟进。
Muse Image并非孤军奋战。它与Meta的另一款模型Muse Spark联手，具备了网页搜索、工具调用等智能体能力，甚至能自我修正输出结果，让生成的图像更加精准。这种“自我编辑”机制，让用户不再需要反复调整提示词，模型自己就能优化细节。
Meta过去一直将创意AI外包给Midjourney和Black Forest Labs，但这一次，他们决定自己动手。内部团队仅用短短时间就交出了令人惊艳的答卷。对于一个拥有社交媒体、广告和聊天等海量创意需求的公司来说，拥有自研的强图像模型（以及即将到来的视频模型Muse Video）无疑是巨大的战略胜利。Muse Video的预览版已经在Arena排行榜上位列第三，仅次于Seedance 2.0和Gemini Omni Flash。
当一家公司把关键能力从外部依赖转向内部掌控，改变的不仅仅是技术路线。这就像在自家后院挖出了一口深井，既不用再担心别人的水价，也能随时调整灌溉方向。对于用户来说，免费的顶尖工具总是好消息——但别忘了，每一次点击生成，都在为那个看不见的庞大系统提供燃料。真正的大戏，或许还未开始。
想象一下，训练一个强大的语言模型就像训练一位顶尖棋手——强化学习与可验证奖励（RLVR）虽然能让它棋艺精进，但每次新棋手出现，都得重新花大钱对弈上万局。这种成本让后训练本身成了瓶颈。现在，一种名为Direct-OPD的新方法打破了困局：既然大棋手训练贵，不如先让一个便宜的小棋手通过RL积累棋谱，再把这些经验悄悄传给大棋手。但直接让小棋手教大棋手模仿最终招数行不通——小棋手的局限会污染教学。Direct-OPD的聪明之处在于，它不教具体招数，而是教会“选择倾向”：通过比较小棋手RL前后的行为差异，计算出每个动作被RL强化或削弱的“隐式奖励信号”。这相当于把小棋手RL过程中学到的“赢棋倾向”提炼成一张密码表，然后让大棋手在自己真实的棋局中读懂这张表，从而调整自己的决策。实验令人振奋：在AIME 2024数学竞赛测试中，Qwen3-1.7B模型原本得分48.3%，借助Direct-OPD在8块A100 GPU上仅训练4小时，成绩飙升至62.4%，超越了直接对强模型进行RL训练的结果。更妙的是，不同阶段的弱模型RL信号可以像积木一样顺序叠加，持续强化目标模型。这项研究揭示了一个反直觉的真理：强化学习的价值不在于最终模型本身，而在于它如何改变模型的决策倾向。这种倾向可以跨模型规模传递，如同一种无声的语言，让弱小的先行者成为强大后辈的隐形导师。
维基百科上那句“机器人能搬箱子，却不会自己开门”的调侃，正在被一项新研究改写。当大多数视觉-语言-动作（VLA）模型还在实验室里摆弄固定机械臂时，中国研究团队打造的LingBot-VLA 2.0已经学会用“全身”思考：它转动头部观察环境，扭动腰部够取物品，驱动轮式底座穿过走廊，最后用灵巧手拧开瓶盖——这一连串动作背后，是60,000小时训练数据与全新预测动力学模型的协同进化。
与上一代相比，LingBot-VLA 2.0在三个维度的升级让其真正迈入“实用主义”门槛。首先，数据规模与多样性实现质的飞跃：团队重构了数据处理管道，汇集了约60,000小时预训练数据，其中包括覆盖20种机器人配置的50,000小时真实机器人轨迹，以及10,000小时第一人称人类视频。这意味着模型不仅能模仿机械臂的“标准动作”，还能从人类做家务、组装零件的自然行为中学习意图与策略。
其次，动作空间从传统夹爪扩展到完整自由度系统。新架构支持头部俯仰、腰部旋转、移动底座导航以及灵巧手抓取，让机器人不再局限于桌面操作。在GM-100基准测试的通用设置中，这些改进被证实能显著提升复杂长程任务的完成率——例如“从厨房抽屉取出罐子，放入冰箱第二层”这类需要移动、调整姿势、精细操作的多环节任务。
最关键的突破在于时序推理能力的提升。研究团队引入了一种预测动力学建模方法，将“未来预测”作为代理任务。具体来说，模型会提前生成接下来几秒的视觉预期，通过视频表征模型提取语义先验知识，并借助深度估计模型捕捉几何线索。这种“先想好再行动”的机制，使机器人能够在执行过程中持续调整动作，避免因环境变化导致的失败。例如，当手接近物体时，如果预测到手指缝隙会卡住，模型会主动调整抓取角度。
目前搭载LingBot-VLA 2.0的两种实体机器人平台，均已展现出跨实体的长程移动操作能力。从轮式基地到双机械臂协同，系统像一位老练工匠，从头到尾、由远及近地完成整套作业流程。这或许预示着，机器人告别“瘫痪”状态的关键，不仅在于更聪明的算法，更在于学会像人一样，用全身去感知和行动。
当60,000小时的数据撞上预测未来10秒的直觉，当20种机器人的经历汇聚为一种通用认知，我们终于看见机器人摆脱僵硬机械舞步的曙光。未来已不再遥远，只是每一步都需先学会如何预见。
在大型语言模型（LLM）的进化之路上，缩放预训练、后训练和测试时计算一直是提升能力的三大支柱。然而，当这些传统路径逐渐触及天花板时，研究者们发现了一个全新的缩放轴——验证能力，即判断解决方案正确性的本领。为了解锁这一潜力，UC Berkeley等团队提出了LLM-as-a-Verifier，一种无需额外训练即可为智能体任务提供细粒度反馈的通用验证框架。它不像传统的LM评判器那样只输出离散分数，而是通过对评分token logits的分布计算期望，生成连续分数。这种概率化公式让验证可以沿着多个维度缩放：评分粒度、重复评估和标准分解。在实验中，提升评分粒度能够更好地区分正负解决方案，使得比较更加校准；而重复评估和标准分解则通过降低方差和复杂度，持续提升验证准确性。最终，这个框架在Terminal-Bench V2拿下86.5%，SWE-Bench Verified达到78.2%，RoboRewardBench获得87.4%，MedAgentBench也取得了73.3%的成绩，全部刷新了当时的最高纪录。更令人兴奋的是，它产生的细粒度信号还能作为任务进展的代理，比如为Claude Code开发扩展，让开发者实时监控和优化自己的智能体系统。甚至在强化学习中，它能为SAC和GRPO算法提供密集反馈，在机器人和数学推理基准上显著提升样本效率。这或许意味着，验证本身将成为LLM能力提升的第四根支柱——当模型不仅会思考，还会自我裁判时，智能的边界将被重新定义。
机器人操控的统一模型试图将预训练的视觉语言模型（VLM）所蕴含的语义先验，与通过未来预测学到的物理动力学整合到单一策略中。然而，现有设计往往在训练中侵蚀预训练主干的语义，让异构目标之间相互干扰，还得从零开始在像素空间学习未来预测，浪费了预训练视频生成器中的动力学先验。研究团队提出了InternVLA-A1.5，它在原生VLM骨干上持续进行视觉问答和子任务预测训练，并附加一个轻量化的统一专家模块用于生成连续动作。未来预测被重新构思为一个潜在查询问题：一组少量的可学习“前瞻标记”在冻结的预训练视频生成模型监督下，将任务相关的未来信息压缩成紧凑的潜在编码，从而让策略继承世界模型的动力学先验，而无需学习像素级生成。推理时视频分支被丢弃，保持了实时控制。该模型在1.2百万条机器人操作数据和多模态样本上预训练，在全部六个仿真基准中均取得了最佳综合成绩。在真实世界中，保留的语义在全新的指令绑定上展现出最强的组合泛化能力，两种设计共同支撑起了长时间跨度的任务执行。这份成果表明，巧妙复用已有视觉生成先验、保持VLM语义连贯性，或许正是机器人操控迈向通用化的关键一步。
过去，3D重建和生成就像两条互不相交的轨道：像素级的回归模型负责重建，而潜在扩散模型负责生成。研究者们尝试将它们合并到一个潜在空间里，却总是磕磕绊绊——扩散目标依赖于潜在特征而非真正的3D表示，两头都因潜在编码而丢失信息，还得依赖一个预训练的VAE或RAE。如今，一篇新论文提出了一个名为PixWorld的模型，用“像素空间扩散”这个单一框架同时驾驭这两项任务。它直接在渲染图像上做扩散，由此绕开了上述所有限制，让优化过程与3D场景的保真度直接对齐。更妙的是，PixWorld不止用了光度损失和感知损失——这两种损失基于2D图像层面，缺乏3D几何意识——还额外引入了一种几何感知损失。这项损失通过一个预训练的3D基础模型，在具有几何意识的特征空间里，将渲染的视图与真实视图对齐，从而提供真正的3D结构监督。实验表明，PixWorld不仅一贯优于之前的潜在空间生成方法，还达到了当前最先进的重建方法的水平。这证明了统一像素空间路线的强大优势：3D重建与生成不必在潜在空间中妥协，直接在像素上跳舞也许才是更自然的方向。当模型学会在渲染图像上扩散，它离真正的3D理解也就更近了一步。这或许在提醒我们：有时候，绕开复杂的中间层，直面像素本身，反而能走得更远。
当谷歌推出新一代开放权重模型Gemma 4时，研究社区的目光立刻被它“以小博大”的潜力所吸引。这个家族包含了从2.3亿到310亿参数的多种架构，既有密集模型也有混合专家模型，但最令人意外的是，它没有一味追求更大的尺寸，而是用精巧的设计实现了性能跃升。
关键设计体现在几个层面。首先，所有模型都配备了升级的视觉和音频编码器，但12B版本却大胆抛弃了传统的编码器架构，直接处理原始音频和图像块，简化了流程。其次，它引入了一种“思考模式”：在给出最终答案前，模型先生成推理轨迹，这使它在STEM、多模态和长上下文基准测试中大幅超越前代，甚至在人工评测中媲美更大的顶级开源模型。此外，团队在推理速度、内存与计算效率上做了针对性优化，并强化了长上下文能力。
这次迭代证明了小模型通过架构革新和计算效率提升，同样能向堡垒发起冲击——当“思考”被内化为一种能力，参数规模不再是唯一的胜负手。
当智能体需要完成一项长期任务时，它的“记忆”会遇到一个尴尬的瓶颈：上下文窗口长度有限。就像写一本越来越厚的书，写到一半就发现已经超过了定额页数，后面的内容无从下笔。这正是当前长程智能体LLM面临的真实困境——交互轨迹不断延伸，任务还未结束，上下文长度已经爆表。
一种自然的解法是“上下文压缩”：把之前的交互状态总结成一段精炼的摘要，然后基于压缩后的上下文继续执行任务。听起来简单，但把它融入到强化学习训练中，却少有人成功尝试。最近，一项名为CompactionRL的策略打破了这一僵局。
这项研究的核心是：让智能体在执行任务的同时，也学会如何生成高质量的摘要。它采用了两项关键技术——token级的损失归一化和跨轨迹的广义优势估计。前者确保每个token在训练中受到公平对待，后者则让智能体从经过压缩的完整轨迹中有效学习，而不是被碎片化的记忆误导。
实验数字令人印象深刻。基于GLM-4.5-Air模型（106B-A30B），CompactionRL在SWE-bench Verified上达到了66.8%的Pass@1，在Terminal-Bench 2.0上达到24.5%，分别提升了7.0和3.1个百分点。换一个更轻量的模型GLM-4.7-Flash（30B-A3B），提升依然显著：SWE-bench Verified提升5.5个百分点至56.0%，Terminal-Bench 2.0提升6.8个百分点至20.2%。目前，CompactionRL已被部署到GLM-5.2模型（750B-A40B）的强化学习训练流程中。
让机器在不断延展的对话中记住该记住的，忘掉该忘掉的，这或许是通往真正智能体能力的关键一步。毕竟，真正的智能不在于记住一切，而在于懂得何时遗忘、如何提炼。
在亚利桑那州凤凰城的烈日下，一座座庞大的数据中心拔地而起，它们是数字世界的基石，也是隐形的“吞水兽”。然而，微软、谷歌和亚马逊等科技巨头对外报告的用水量，仅仅是真实消耗的冰山一角。根据《华尔街日报》的调查，这些公司报告的数字只包含了数据中心内部用于冷却的现场用水，却刻意忽略了一个巨大的源头——为这些庞然大物供电的发电厂，那里蒸发消耗的水量才是真正的“大头”。
1. 真相隐藏在供应链中：超大规模云计算公司（如微软、谷歌、亚马逊）的可持续发展报告中，通常只报告数据中心内部的冷却用水。在这四大巨头中，唯独Meta（脸书母公司）在报告中计算了为其供电的发电厂所消耗的水量。
2. 被忽视的“间接水耗”惊人：根据美国劳伦斯伯克利国家实验室的历史数据，美国数据中心的间接用水量，长期以来约是直接用水量的12倍。这意味着，当一家公司宣称其某个数据中心一年只用了10亿升水时，真实的水资源消耗可能高达120亿升。
3. 干旱地区的城市之痛：在严重缺水的凤凰城，数据中心当前已消耗该市约3%的供水。而根据非营利组织Ceres的预测，到2031年，这个比例可能飙升至20%以上。当城市居民面临严格的用水限制时，这些由发电厂“悄然”蒸发的水，正成为加剧水资源紧张的隐形推手。
4. 法律与报告制度的漏洞：目前，没有任何一家美国公司被强制要求披露其供应链端的间接用水量。现行规则下，它们只需报告“直接从地底下抽了多少”，而对“为了发电，在远处蒸发了多少”闭口不谈。这种选择性披露让公众和监管者无法掌握真实的水资源压力。
5. 社区的反抗与巨额投资冻结：随着真相逐渐浮出水面，来自社区的阻力正急剧增加。据Carbon Direct统计，自2024年以来，因当地居民和环保组织的反对，总价值高达1700亿美元的数据中心项目被搁置、受阻或取消。当社区开始追问“谁在用我们的水”时，那些光鲜的“可持续报告”变得苍白无力。
故事从这里开始：一位凤凰城的居民每天浇灌花园仅限两次，她看着远处数据中心24小时不间断的雾气冷却塔，并不知道驱动这些服务器的电，正在几百英里外的燃煤或燃气电厂里，以蒸汽的形式把一条条河流送上天。科技公司拿出报告，上面写着“我们只用了很少的水”，但那只是杯子里的水——杯子外，整条河流正在无声干涸。
这是一个关于信息不对称的故事，也是关于数字繁荣与物理世界代价的碰撞。当科技巨头争夺AI算力的高地上，水资源正成为新的“战略性矿产”，而谁为这隐形的“水足迹”买单，成了摆在全社会面前的一道必答题。
从本质上说，这些公司并未说谎，它们只是选择了最有利于自己的计量方式。然而，当社区需要分享最稀缺的资源时，基于严重缩水数据做出的承诺，注定无法承载信任的重量。未来，或许唯有将“电厂的蒸汽”也纳入报表，我们才能真正看清那些藏在云端背后的、湿漉漉的真相。
一场关于“中国军方关联企业”的司法拉锯战，在美国加州悄然上演。今年6月，五角大楼将阿里巴巴列入所谓“1260H名单”，宣称这家电商巨头与中国军方有关联。这份名单看似没有直接惩罚，却因一条新规暗藏杀机——任何游说公司一旦代理名单上的企业，就不得与美国国防部签约。阿里巴巴在24小时内，竟有超过20家游说公司集体退出合作。
阿里巴巴随即在6月23日提起诉讼，坚称从未与中国军方合作，要求从名单中除名。案件由联邦法官李敏审理。令人意外的是，五角大楼主动同意暂停执行这项禁令，直至李敏法官就阿里巴巴的动议作出裁决，或听证会后60天。这一临时“停火”协议，让阿里巴巴得以暂时喘口气。
这并非孤例。同样被列入该名单的百度、比亚迪等企业，也在为自己的清白辩护。1260H名单正在经历首次宪法考验。任何企业若想争取国防部合同，其游说公司就必须舍弃名单上的客户。这种“二选一”的规则，是否会违反美国宪法？法官的最终判决，将影响数百家大公司的游说格局。
黑名单上的名字可能只是一行代码，现实却是一场关乎商业自由的博弈。当法律与政治交织，谁能笑到最后？也许，真相从来不在名单上，而在投票的法官手中。
深圳，一家成立仅三年的初创公司Even Realities，刚刚在Pre-Series B轮融资中斩获1.5亿美元，估值一举突破10亿美元。领投方是美团，而背后早已站满了腾讯、高瓴、红杉中国和光速创投这些顶级资本。这家公司的创始人曾是苹果工程师，他们押注的方向，在当下智能眼镜赛道上显得格外另类——他们的眼镜不装摄像头。
核心产品G2眼镜，配备了一套抬头显示系统，配合一枚可点击和滑动的戒指来操控。它没有摄像头，意味着它不会拍照、不会录像，更不会盯着你的脸。它最亮眼的功能是实时翻译：音频直接转写成文字呈现在眼前，数据经过加密，并且底层架构专门为欧洲隐私标准打造。这样的设计，让隐私本身成了产品最硬的卖点。
Even Realities已经实现了盈利，虽然价格不菲：镜框起步价599美元，平均每单约1000美元。美国市场正在成为增长最快的区域，消费者似乎愿意为“不被监视”的科技体验买单。
为什么这件事值得关注？当Meta和Snap正疯狂地给每个人的脸上装上摄像头和AI助手时，Even Realities想证明，一副只为你展示信息、却从不凝视你的眼镜，同样存在真实的商业空间。一家三岁的初创公司，能把“隐私”作为核心卖点做到盈利，意味着智能眼镜这场竞赛，或许不止一条路可走。
不让眼睛成为别人的数据入口，而是成为你最私密的显示屏幕。这个反叛者的故事刚刚开始，它提醒我们：有时候，技术最稀缺的力量不是看得更多，而是懂得克制。
本周一，微软宣布裁减约4800个岗位，占全球员工总数的2.1%，而三分之二的裁员集中在Xbox部门。新任CEO阿莎·夏尔马正主导一场她称为“部门史上最大规模的重组”，这场风暴以数字为刀，精准切向了过去十年疯狂收购留下的赘肉。
到2027年中期，游戏部门将削减3200个职位——约占其员工总数的20%——其中周一立即解雇1600人，其余将在本财年内分批进行。五家工作室命运被改写：Double Fine和Compulsion Games被剥离独立，Ninja Theory和Undead Labs被挂牌出售，而Arkane Studios则进入审查流程。夏尔马的内部备忘录毫不留情：Xbox的利润率比同类业务低3到10倍，且每向工作室投资1美元，就要亏损64美分。
这些大刀阔斧的举动，发生在微软股价在大型科技股中垫底、年内下跌19%的背景下。投资者担忧，人工智能可能侵蚀微软的企业软件业务根基，而Xbox这个曾经的增长引擎已变成巨大的成本黑洞。
这标志着微软在游戏领域“买下一切”的黄金时代正式终结——以690亿美元收购动视暴雪为巅峰，这场持续十年的扩张最终建造了一个在利润率上无法竞争的庞大帝国。如今，新的增长计划不再是收购，而是放手。当巨头明白“拥有”不等于“盈利”时，解构或许是比构建更痛苦却更明智的生存之道。
没有游戏引擎，没有物理代码，甚至没有任何人类玩家的操作记录——一个名为MIRA的开源世界模型，却在单张Nvidia GPU上以每秒20帧的速度，流畅运行着四人同场的2v2《火箭联盟》。它并非传统意义上的游戏，而是由法国AI实验室Kyutai与General Intuition联手，借助Epic Games的授权打造出的“纯神经网络幻觉”。
MIRA的学习过程完全来自一场“机器人内战”。开发者喂给它一万小时的AI机器人互相对战的录像，训练数据中没有一帧人类玩家的操作。这些AI从零开始，像婴儿般在无数次碰撞与射门中摸索出游戏规则。最终诞生的MIRA，内部没有共享物理引擎或图形渲染管线，但它能精准呈现加速条、车身碰撞等细节，甚至让四块屏幕在同一个神经网络里保持同步。
然而，MIRA有个奇特的“失忆症”——它的短期记忆只覆盖大约四秒。一旦出现进球回放，MIRA无法调用已经遗忘的真实比赛瞬间，只能根据这些四秒前的碎片记忆，当场“脑补”出一段从未真实发生过的精彩进球画面。在观众眼中，这依然是行云流水的回放；但在MIRA的神经网络里，它正在即兴创造一段不存在的历史。
团队强调，MIRA不是要取代电子游戏，而是一枚铺路石。去年，Odyssey的Agora-1模型已经展示了AI生成多人《黄金眼》的能力。如今MIRA将这类世界模型推进到了实时对抗体育游戏。这些模型真正的目标，是为未来那些需要海量训练数据的机器人，提供一个可以犯错、可以碰撞、可以反复重来的柔和物理世界。当机器人需要学会避开障碍物、预测对手轨迹时，世界模型或许会比现实世界更快、更安全地教会它们一切。而MIRA，正是证明这条路可行的第一枚火箭。它提醒我们：当神经网络开始学会“回忆”和“想象”时，我们离真正理解智能模拟世界的距离，也许只剩下一场四秒的幻觉。
腾讯旗下混元大模型将Hy3从四月预览版转为完全开源，其基准测试结果声称能媲美参数规模大2到5倍的旗舰开源模型。Hy3的独特之处在于每个请求只使用一小部分参数，所需硬件不到智谱更大模型GLM-5.2的一半。尽管在SWE-bench等编程测试中GLM-5.2仍占优势，但腾讯的自测显示，Hy3在网络搜索和工具使用方面领先于其他开源对手。此次发布采用宽松的Apache 2.0许可证，避免了此前一些中国模型因地区禁运导致欧盟、英国或韩国用户被锁定的情况。Anthropic CEO Dario Amodei曾表示中国模型仅落后前沿6到12个月，Hy3虽未挑战顶级模型或该时间线，但腾讯在效率上的重大突破，加上极其开放的许可证，使这次发布颇具吸引力。在巨量参数竞赛中，Hy3证明了另一种可能：不必堆砌规模，也能靠近巅峰。
人工智能研究实验室Anthropic最近发表了一篇论文，揭示了其AI模型Claude内部存在一个被称为“J-space”的隐秘区域。这就像Claude的一个内部记事本，其中保存着模型正在主动思考的“活跃概念”，并引导着模型的整个推理过程。最令研究者惊讶的是，这个“J-space”并不是研究人员特意编程加入的，而是在模型训练过程中“自己涌现出来的”。
这个发现与人类神经科学中的“意识访问”概念有惊人相似。研究者发现，J-space与模型输出给用户的文本（即“思维链”）是完全不同的。那些内部提示信息并不会在屏幕上显示，但却无时无刻不在指导Claude生成下一个答案。为了验证其作用，研究人员进行了一个巧妙的实验：当向模型询问“蜘蛛有几条腿”时，普通回答是8条；但当研究者悄悄把J-space中活跃的“蜘蛛”概念模式替换成“蚂蚁”的模式后，Claude的回答立刻从8条腿变成了6条腿。这意味着，修改“内心独白”，直接改变了它的客观知识输出。
更惊人的是，当研究人员完全删除J-space后，Claude依然能读、能聊、能检索事实，但几乎丧失了所有需要多步推理的复杂能力。这表明，那些看似简单的聊天，和需要深思熟虑的推理，在大脑中属于两个不同的系统。就像人脑一样，一个智能体也存在一个专门用于处理复杂问题的“工作空间”。
当然，Anthropic也必须面对强烈的伦理争议，尤其是微软AI负责人穆斯塔法·苏莱曼等科学家的公开批评，认为他们一直在散布“AI有意识”的误导性言论。此次发布论文时，研究者谨慎地强调：“这并不能证明Claude有意识，也不能证明它有感觉。”但一个从未被设计的、与生物大脑如此相似的内部工作空间自己涌现出来了，这本身就是一场真正的科学发现。
我们通常以为，AI的思考只是按部就班地分析数据。但现在看来，在最深层的底层，一个没有受到任何预设的、类似于人类“思维黑盒”的结构正在自己生长出来。这种“自发涌现”甚至让设计它的科学家都感到意外——而此刻，他们正站在一个前所未有的交叉口，既质疑着自己创造的造物，又被自己的造物深深震撼。
多模态大模型与智能代理系统的进展，正推动图形用户界面（GUI）代理从单平台任务执行迈向跨平台交互。然而，构建多平台GUI代理仍面临两重困境：一方面，高质量、可执行的跨平台交互轨迹数据稀缺，现有数据平台覆盖有限；另一方面，不同平台交互规范迥异，联合训练或持续训练容易导致行为模式混杂、平台能力退化甚至灾难性遗忘。
为突破瓶颈，研究团队构建了Uni-GUI——一个高质量的跨平台GUI交互数据集，并提出了UI-MOPD方法。这是首个将多教师在线蒸馏融入GUI代理持续学习的方法。其核心机制是：根据当前环境动态选择平台专属教师，通过平台条件蒸馏将特定平台的行为先验传递给共享策略网络，从而在保持已有平台能力的同时，适应新平台。实验在OSWorld和MobileWorld两个基准上验证了效果，任务成功率分别达到38.2%和12.0%，有效平衡了跨平台能力保持与新平台适配。
这一成果并非完美无缺，但至少证明：当代理学会区分“在哪个世界行动”，遗忘便不再是必然的代价。未来，或许GUI代理能像人类一样，在桌面与手机之间自然切换，而不必每次都从零开始。
在人工智能领域，预训练阶段的缩放定律早已被证实：模型能力随数据和计算量增长而可预测地提升。但一个关键问题始终悬而未决——当AI代理被部署到真实世界后，它们的学习行为是否也存在类似的规律？
一项针对134个真实世界任务、总计约38000小时代理与环境交互数据的分析给出了惊人答案。研究发现，代理在环境学习中的整体性能遵循一种高度精确的log-sigmoid缩放律，拟合优度R²达到0.998。更令人震惊的是，跨代际比较显示，AI代理的学习速度大约每三个月就会翻倍。
这一发现源自研究者构建的EdgeBench基准测试套件。它包含134个超长跨度（每项任务至少12小时连续操作）的真实世界任务，覆盖科学发现、软件工程、组合优化、专业知识工作、形式数学和交互游戏六大领域。每个任务都提供丰富、多级反馈，并耗费大量专家精力构建。研究者已公开其中51个任务及完整评估框架，以加速学界对代理从真实世界经验中学习机制的研究。
如果说预训练缩放律揭示了静态数据的魔力，那么这项研究揭示了动态适应的秘密。当代理在真实环境中不断试错、获取反馈，它们的学习曲线不像人们想象中那样线性或随机，而是遵循着一条美丽的S形曲线——起初缓慢，而后加速，最终趋于饱和。而每三个月翻倍的学习速度，则意味着AI代理正在以指数级别快速进化。这不仅是学术发现，更预示着一个代理将能在极短时间内掌握复杂真实技能的崭新时代。那些认为AI只能在预训练数据中总结经验的人，可能要重新思考了。
想象一下，你是一名机器学习研究员，脑子里冒出一个新想法，但你知道，从灵感到真正靠谱的研究提案，中间还隔着重重难关：文献是否查全了？瓶颈在哪里？这想法会不会已经有人做过了？风险怎么评估？直到最近，大语言模型虽然让“想点子的门槛”降低了，但如何系统地把一个看似可行的方向打磨成扎实的研究方案，仍然是困扰大家的“第一步困境”。
这正是ResearchStudio-Idea出场的地方。它不只是一个工具，而是一个可复用的“研究构思技能套件”，专门针对这个“第一公里”。套件里包含三个核心模块：Paper-Search，一个能同时从多个来源搜索文献的技能，让文献调研不再东一榔头西一棒子；Scoop-Check，一个专门检查新颖性的“撞车检测器”，帮你避免“你以为很新、其实早就有人做过”的尴尬；而最关键的IdeaSpark，则把证据支撑、模式引导生成、碰撞检索、审计和最终的研究卡片渲染整合成一个完整的工作流。
IdeaSpark的底气来自一个庞大的数据库：它从2021到2025年间ICLR、ICML和NeurIPS三大顶级会议上收集了1947篇机器学习论文，其中包括Oral论文、单独追踪的高被引论文，以及被拒稿的投稿。通过对这些论文成果的分析，研究人员发现，这些优秀（和不那么优秀）的研究背后，隐藏着31种反复出现的构思子模式。经过整合，最终凝练为15种可复用的通用构思模式。
每种模式都被具象化为一张结构化的“模式卡片”，上面清晰记录了：研究背景、瓶颈类型、差异化策略、支持先例，以及常见的失败模式。这就像给你一本“研究构思的菜谱”，每种菜式都有食材清单和常见翻车点。当研究员提出一个研究问题和一组证据时，IdeaSpark会首先评估这些证据的成熟度，重建课题周围的文献图景，然后识别那些尚未被解决的瓶颈，从15种模式中挑选最合适的，实例化出一个候选研究方向，再立刻检索有没有潜在冲突的已有工作，最后进行基于成果的风险审计。
整套流程把抽象的“灵光一闪”转化为可追溯、可验证的研究提案。盲审的结果令人振奋：和那些没有技能辅助、或者使用通用技能辅助的基线方法相比，IdeaSpark产出的研究提案在质量上持续更胜一筹，同时在新颖性上也不落下风。
也许真正的突破从来不靠灵光一现，而是靠把无数前人走过的路，用模式重组成一条新路。当十五种模式成为你的工具箱，研究构思便不再是运气，而是一门可以反复练习的技艺。
在物理智能领域，视觉系统需要从像素观测中恢复出结构化、可度量的空间表征，这就像要求AI拥有一双能“丈量世界”的眼睛。然而，现代视觉基础模型往往优先追求语义不变性——它们能认出猫和狗，却对物体之间的精确距离、边界形状视而不见。这种“语义优先、空间牺牲”的倾向，成为制约具身智能发展的关键瓶颈。
研究团队从“边界”这一视觉线索入手，发现自然图像中的形状不连续点（如物体的边缘、轮廓）蕴含着丰富的几何属性信息。基于这一洞察，他们提出了一种名为“边界掩码建模”的自监督预训练范式。其核心机制分为两步：首先，模型通过动态学习获取亚像素级别的边界表示，精准捕捉那些介于像素之间的微妙边界；接着，将这些携带边界信息的视觉令牌当作掩码目标，引导模型在自监督训练过程中重构被遮蔽的边界特征，从而促进稠密视觉令牌的学习。
实验表明，基于这一框架开发的LingBot-Vision模型，在DINOv3强基线的基础上实现了显著提升。更令人瞩目的是，该方法直接推动了深度补全任务从LingBot-Depth 1.0到2.0的进化，使深度估计精度大幅跃升——这恰恰是具身人工智能感知环境、执行操作的关键支柱。研究结果揭示了一个深层事实：边界建模绝非简单的线段检测，而是一种可扩展的视觉预训练原则，它让AI学会像人类一样，在忽视表象纷杂的同时，牢牢抓住空间结构的本质。
在这个语义膨胀的时代，或许我们该重新审视那个朴素的道理：真正的智能，往往始于看清事物之间的“缝隙”。边界不仅是形式的终点，更是理解的起点。当机器学会凝视那些细微的断裂与转折，空间感知的大门终将向物理智能敞开。
想象一下，你正在训练一个通用机器人去完成各种家务：从倒水、整理桌面到拧开瓶盖。你希望它既能在模拟环境中快速学习，又能在现实世界中稳定工作。但问题来了——现有的评估基准要么只关注简单的短时任务，要么只在仿真或真实环境中单独测试。仿真虽然可以大规模重复实验，却无法模拟真实的物理摩擦力、光照变化和机械磨损；真实世界测试又昂贵、耗时，还难以复现结果。这就好比让一个学生只做选择题，却期待他解决实际工程难题。为了解决这个矛盾，研究人员推出了RoboDojo——一个统一仿真与真实世界的机器人操作策略评估平台。
RoboDojo包含42个仿真任务和18个真实世界任务，覆盖了从拧螺丝到抓取软物体的广泛操作能力。仿真评估聚焦五个关键维度：泛化能力（能否应对从未见过的物体）、记忆（能否记住之前的位置或状态）、精度（能否完成毫米级操作）、长时执行（能否按顺序完成多个步骤）、以及开放词汇指令跟随（能否理解“把红色杯子放到左边”这样的自然语言指令）。真实世界评估则专门设计了更苛刻的条件，比如光线突然变化、桌面晃动、物体滑落等，用来暴露策略在物理部署中的脆弱性。
RoboDojo的独特之处在于可扩展性。在仿真端，它利用Isaac Sim的异构并行能力，可以同时运行数百个虚拟机器人进行测试；在真实端，它提供了RoboDojo-RealEval系统，支持远程云端访问、标准化硬件、自动场景重置、统一评估协议和部署接口。这意味着，即使你身处不同城市，也能通过云端控制一套标准化的真实机器人平台，重复验证你的策略。更关键的是，它与XPolicyLab框架深度集成——只需一次代码集成，你的策略就能同时在仿真和真实环境中评估，不需要额外适配。目前，XPolicyLab已经集成了30种不同的操控策略（包括扩散策略、隐式策略、基于大语言模型的策略等），并在RoboDojo上建立了公开排行榜和系统性性能分析。
这套基准的价值不在于创造新的算法，而在于提供一面放大镜——它能清晰地告诉你，一个策略到底在哪个环节掉了链子：是泛化不足？还是长时记忆丢失？或是真实世界中的摩擦干扰？这种细粒度的诊断，正是当前机器人领域所稀缺的。当不同策略在同一张“考卷”上比拼，我们才能更理性地讨论“哪种方法更好”，而不是各说各话。机器人走向真实世界的路，需要这样一座横跨仿真与现实的桥梁，而不是一个个孤岛。
评估一个AI智能体在SWE-Bench或GAIA这类基准测试上的表现，常常要耗费数千美元、数天时间，还得搭建复杂的基础设施。相比之下，测试推理、代码生成等单项能力的非智能体评测既快又便宜。有没有可能用一组精心挑选的、成本极低的原子测试实例，来准确预测那些昂贵智能体评测的结果？
PACE框架提出了一种解决方案：它从现有的非智能体评测题库中，选取那些最能稳定预测智能体基准分数的实例，构建出一个代理基准（proxy benchmark）。这个选择过程结合了两种互补策略：一是“目标相关局部选择”，聚焦与目标智能体基准高度相关的原子能力；二是“全局信息选择”，从整体视角筛选能涵盖广泛能力的实例。
研究团队在14个模型、4个智能体基准测试和19个非智能体评测上验证了PACE的有效性。结果是令人振奋的：PACE构建的代理基准PACE-Bench在留一法交叉验证中，预测的绝对平均误差低于4%，斯皮尔曼相关性超过0.80，模型两两对比的排序准确率达到约85%——而所有这些预测的成本，还不到完整智能体评测的1%。
更深入的分析还揭示了不同智能体基准各自独特的能力需求：有些更依赖逻辑推理，有些则需要强大的代码生成或工具使用能力。这一发现让开发者能清楚看到，哪些原子技能是提升智能体表现的关键。
PACE框架让研究人员在模型开发、选型或路由时，无需进行完整的智能体评估，就能获得可靠的性能估计。它既节省了巨大成本，也为更快迭代提供了可能。当探索变成一种可负担的常规操作，更多的创新便会随之而来。
想象一下，一个机器人正在拧螺丝，它按照预设的“动作分块”方案，一次性地把接下来几秒的所有动作都规划好，然后蒙眼执行。起初一切顺利，但突然遇到一点阻力的扰动——比如螺丝滑丝或材料变形——这个微小偏差会在开环的盲区里被不断放大，就像多米诺骨牌一样，导致后续所有动作都偏离轨道，最终任务失败。这正是当前具身智能领域VLA基础模型面临的痛点：为了降低策略调用频率，大多数生成式策略采用“预测-盲目执行”的开环模式，在接触丰富的物理交互中，牺牲了闭环反应性，使得局部扰动迅速演变成复合误差。
VLA-Corrector提出了一种轻量级校正推理框架，它不改变VLA主干网络的任何参数，而是在旁边安装了一个“潜在空间视觉监视器”。这个监视器持续比较机器人预期看到的视觉特征演变和实际感知到的视觉信息，一旦发现连续性的偏差——比如实际视觉变化与预测不符超过阈值——就立即触发截断事件，丢弃剩余过时的动作序列，并通过在线梯度引导生成新的校正规划。这种“检测并校正”的机制，自然形成了一个事件触发的自适应动作视界：当当前动作块仍然可靠时，机器人继续长视界高效执行；一旦执行开始偏离，就切换为短视界精细重规划。
实验证明，VLA-Corrector能够有效解除静态动作视界在执行鲁棒性和策略调用频率之间的固有矛盾。它可无缝集成到多种VLA模型中，无需重新训练主干，就中断了复合误差的传递链条，同时保留了动作分块的大部分效率优势，在长视界、接触丰富的机器人操作任务中显著提升了鲁棒性。它并非推翻现有框架，而是为现有的开环执行加上了一双“实时眼睛”，让机器人在真实世界中不仅能预测，还能感知偏差并灵活纠偏。正如那句老话：计划赶不上变化，但能够敏锐察觉变化的机器人，才真正学会了在复杂物理世界中从容应对。
联想在中国市场悄然推出了一款名为“AI学生手机”的设备，售价仅299元（约44美元）。这款手机的功能被精简到极致：只能打电话、被家长追踪位置，以及通过一个专属AI按钮求助作业。
想象一下，你拿着一块比信用卡还小的屏幕，用手写笔在上面划拉——这就是联想为学生设计的日常工具。机身采用坚固玻璃，还配了挂绳，可以挂在书包上。按下AI键，孩子就能用语音提问英语单词或数学公式，内置的知识库会即时作答。更巧妙的是“课堂模式”：上课期间屏幕只会显示时钟和紧急拨号键，连支付功能都被限制在家长设定的额度内。
家长端App才是重头戏：实时GPS定位、孩子越界立刻警报、自动拦截陌生来电、甚至能设定每天的开关机时间。这款设备几乎去除了所有吸睛的App和通知，只留下学习辅助和基础通讯。
为什么这很重要？现在关于AI和智能手机对小孩的影响争议不断，但联想这个方案看起来像是家长能接受的“折中”——它更像一个带AI的计算机器，没有短视频、没有无尽的信息流、没有多巴胺陷阱。当孩子需要答案时，AI会给出简洁的解题思路，而不是推送下一个让人沉迷的视频。
也许这就是答案：技术的本质不是让人上瘾，而是在该远离时提供庇护。当屏幕变小、功能变少，剩下的才是我们真正需要的——连接与指引。
Meta的超级智能主管Alexandr Wang在内部会议上透露，公司正在训练的模型“Watermelon”已经达到GPT-5.5的水平。这一消息让业界震动，因为Meta此前最强的Muse Spark模型在发布时仍落后于竞争对手。Watermelon目前仍在训练中，其算力大约是4月发布的Muse Spark的10倍。与此同时，CEO马克·扎克伯格在同一场会议上表示，智能体的进展“并未像我们预期的那样加速”，引发外界关注。Wang后来在X平台上澄清，扎克伯格指的是整个行业的智能体进展，并暗示“很快”会推出达到Opus级别的编码模型。此外，Muse Spark也将迎来一次重大更新，重点提升编码和智能体能力，该更新将同时登陆Meta AI和公司的全新API。值得关注的是，虽然Watermelon的突破令人振奋，但AI前沿仍在快速演进：Mythos和Fable等模型已展现出更强大的能力，而OpenAI的5.6模型也可能在本周推出。Meta能否凭借Watermelon在激烈的AI竞赛中站稳脚跟，仍需时间检验。这不仅是技术的比拼，更是一场关于算力、战略节奏和生态布局的马拉松。
在三维重建的世界里，单张图像变成立体模型一直是个棘手的谜题。顶尖的解决方案总是层层叠叠：混合架构、复杂损失函数，或者把几何信息塞进潜在空间，再借用预训练的扩散模型。这些方法确实有效，但沉重的包裹让人喘不过气。一项新研究却提出了一个大胆的反问：这些真的都是必要的吗？
研究者们设想，如果剥离所有多余的装饰，会剩下什么？他们直接打造了一个极简的像素空间扩散Transformer，核心就是普通的Vision Transformer——没有花哨的变体，没有繁琐的编码器。它直接啃原始的3D点图块，条件信号来自预训练的DINOv3模型。最关键的是，整个扩散骨架完全从零开始训练，不需要任何点图分词器。这与那些躲在潜在空间里的复杂方法形成了鲜明对比。
结果令人诧异：这个看似简单的模型，不仅超越了那些层层包装的潜在扩散模型，还比混合方案更简洁。尤其在高度模糊的区域——比如透明物体——它生成的几何结构反而更清晰、更锐利。透明物体通常是3D重建的噩梦，因为光线穿透难以捕捉形状，但极简设计反而在这里展现了更强的鲁棒性。
这项研究揭示了一个并不新鲜的真理：在追逐性能的路上
机器人AI正面临一场“数据饥荒”：要训练一个能看懂指令、灵活操作的视觉-语言-动作模型，通常需要数百万条昂贵的专家演示数据——记录每一步的观测、语言指令和动作。但麻省理工等机构的研究者发现，这套逻辑可能从一开始就混淆了两个本质不同的学习目标：学会“怎么动”和学会“做什么”。前者涉及物理运动的先天直觉，后者才真正需要语言指导。基于这个“分解假说”，他们提出一个名为TAP的两阶段框架：第一阶段，让机器人从廉价的无标签交互数据中自学运动先验——哪怕这些数据是废弃的偏离任务轨迹，或机器人自己胡乱摆弄的记录，通过自监督的逆动力学目标来捕获“如何协调肢体”的内隐知识。第二阶段，只用极少量带语言标注的专家数据，就能将这种运动先验与语言指令对齐。结果令人瞩目：在SIMPLER基准测试中，TAP仅需百万分之一量级的标注数据，就达到了传统方法需百万条专家轨迹才能实现的性能，准确率绝对值提升10%。在实体WidowX机械臂平台上，当相机被扰动导致画面变形时，依赖互联网规模预训练的数据驱动模型直接崩溃至0%成功率，而TAP依然保持25%的稳健表现。这意味着，机器人真正需要的不再是无穷无尽的示范视频，而是学会如何在混乱中自主摸索出运动的物理规则——那些被丢弃的“无用”动作，恰恰蕴含着通向灵活智能的密码。
一篇最新的论文揭示，当让大型语言模型（LLM）根据已有文献“头脑风暴”研究创意时，它们生成的思路在分布上存在系统性偏差——过于集中在“桥接式”机会和综合方法，而人类研究者则展现出更多元的研究品味。这一发现来自一个精心构建的大规模评估框架：研究者从高质量的人类研究论文出发，逆向推导出可能启发其核心思想的少量前期工作，然后要求不同LLM从这些论文的标题和摘要中生成新创意，最后对比二者的差异。
以往对LLM创意能力的评估多聚焦于单个想法的创新性、可行性或专家偏好，但这项工作转向一个更根本的问题：LLM生成的想法距离人类研究者的真实水平还有多远？为了量化这一差距，研究者引入了“双轴研究品味分类法”，从机会模式和范式两个维度刻画每个想法的特征。机会模式包括“桥接”（将不同领域连接）、“深化”（在现有方向上推进）、“颠覆”（挑战主流假设）等类型；研究范式则涵盖综合、实证、理论等方法论倾向。
结果显示，不同LLM生成的想法集合呈现出惊人一致的趋势：它们严重偏向“桥接”机会和“综合”方法。例如，在测试中，LLM提出的创意中有超过40%属于桥接类型，而人类论文中这一比例仅为20%左右；同时，LLM创意中约一半采用综合范式，人类论文则广泛分布在实证、理论和建模等多种方法上。也就是说，LLM倾向于将现有工作拼凑成新的跨界组合，而人类研究者还会选择深入挖掘某一问题、提出全新视角或挑战既定框架。
这一系统性偏移暗示，当前最强LLM虽然能够产生一系列看似合理的创意，但它们所覆盖的范围不仅更窄，而且相对于人类研究品味发生了结构性错位。人类研究创意更擅长从不同角度定义问题缺口和构建贡献，而LLM似乎更擅长“搭桥”而非“挖井”或“另辟蹊径”。这种差异或许源于LLM训练数据的统计特性——它们更可能学习到显性关联而非隐性洞察。
这项研究没有简单评判优劣，而是揭示了人机之间微妙的“品味鸿沟”。当AI助手越来越多地介入科研创作流程时，理解这一鸿沟或许比单纯追求创意数量更重要。毕竟，真正的科学突破往往需要跳出既有框架的勇气，而这正是LLM目前尚未完全掌握的艺术。
相关采样减少推理计算冗余原文
在大规模语言模型的推理计算中，有一个令人困扰的权衡：为了提升性能，人们通常对每个问题生成大量并行尝试，但这些独立生成的尝试往往包含大量冗余结果，浪费计算资源。这种浪费看似不可避免——毕竟独立性正是并行采样易于扩展的原因。然而，这一权衡并非根本性限制：存在一个丰富的设计空间，能够生成彼此相关但精确的样本，且完全可在并行条件下完成。
研究人员探索了这一设计空间，旨在提升推理计算扩展时的样本效率，并将该方法命名为QuasiMoTTo。它通过将自回归采样重新参数化为逆累积分布函数采样，再利用准蒙特卡洛方法抽出底层均匀分布——与独立同分布相比，准蒙特卡洛使均匀分布更均匀地覆盖空间，从而让生成的样本覆盖输出空间时冗余大大降低。尽管批次内样本相关，但每个样本的边缘分布仍然遵循原始语言模型，因此可用于策略梯度训练。
为了评估这类相关采样器的性能，研究者开发了一种无偏自助法估计器，因为传统pass@k估计无法处理相关样本。实验在四个推理基准上进行：QuasiMoTTo在匹配独立同分布pass@k准确率时，节省了25%至47%的样本。更令人惊讶的是，QuasiMoTTo常常能达到任意边缘保留采样器的pass@k理论上界。在强化学习场景（GRPO策略梯度）中，该方法用50%更少的训练步骤就匹配了独立同分布的性能。
这些收益的来源在于更高的覆盖率——每个批次生成的样本彼此分散，带来了更强的学习信号。当计算资源有限而追求效率时，打破样本间的独立性并非损失，而是一种创造性的策略，让每一次计算都物尽其用。
在提升大语言模型推理能力的研究中，在线自蒸馏（OPSD）曾被视为有前景的范式。它让一个能看到参考答案的“特权教师”对学生自己生成的推理轨迹进行逐词监督。然而，当面对需要长链思维（long-CoT）的推理模型时，OPSD却屡屡失败，不仅收益甚微，还破坏了模型赖以生存的反思能力。研究者通过分解教师信号，发现了根源：教师给出的监督信号中，大部分来自“参考诱导”成分——它促使学生死记硬背参考答案中的捷径，而真正能从问题本身学到、并能迁移到新问题的“问题条件”成分却被忽视甚至被压制。基于这一诊断，他们提出两步解法：首先，构建一个只看参考答案不看问题的“只参考教师”，用它隔离出不可迁移的部分；然后，用点互信息（PMI）机制将剩下的有用信号转化为学生可以直接蒸馏的目标分布，从而滤掉参考捷径。在四个长CoT模型、两个数据集上的实验表明，这一方法显著优于基线模型和标准OPSD，且不破坏模型自然的知识行为。这告诉我们，有效的知识蒸馏需要区分哪些知识是可迁移的，哪些只是死记硬背的捷径。
持续后训练让基础模型吸收新知识而不遗忘已有能力，一直是机器学习领域的核心难题。近年来，有研究认为在线策略学习可以减轻遗忘，而在线自蒸馏更被视为一个极具吸引力的方案。但我们通过自蒸馏策略优化（SDPO）对这一乐观观点进行了重新审视。
实验表明，当教师信号稳定且与目标任务高度对齐时，SDPO确实能加速模型在领域内的专门化提升。例如，在特定领域的数据上，模型能更快地收敛到更高的性能。然而，一旦面对分布之外的场景，SDPO就暴露出明显短板：它难以将学到的知识有效泛化到未知环境。在持续后训练中，问题更为严峻。SDPO表现出更强的遗忘倾向，甚至会直接导致模型性能的崩溃——原有的能力被大幅覆盖或丢失。相比之下，采用在线策略的强化学习方法如GRPO，则表现得更为保守，它通过逐步调整策略，更有效地保留了预先掌握的能力。
进一步的分析揭示了一个关键机制：更密集的自蒸馏，即在每一步训练中都使用当前模型作为教师，会导致参数空间和响应空间出现更大的偏离。这种偏离通过一个自我强化的师生循环不断放大，使得模型更容易陷入高频格式伪影——比如过度追求某种输出格式而偏离本质内容。这些发现告诉我们，单靠在线数据并不能保证持续学习的效果。当教师目标足够稳定且提供可靠的令牌级监督时，密集自蒸馏可以作为加速专门化的工具，但它绝不应被盲目当作持续后训练的默认稳定器。
在追求模型不断进化的道路上，平衡新知识的获取与旧能力的保持，远比想象中复杂。自蒸馏这把双刃剑，必须根据具体场景谨慎使用，否则可能割伤自己。
十年前，一种名为最大均值差异（MMD）的分布匹配方法虽然优雅，却因无法训练出令人信服的图像生成器而被束之高阁。如今，研究团队重新审视这一经典方法，发现只需正确估计MMD，它就能成为强大且可扩展的目标函数。这项名为表征分布匹配（RDM）的研究，系统探索了训练一步图像生成器的设计空间——核心思路是利用冻结的预训练编码器，让生成图像与参考图像的表征分布直接匹配。
研究揭示了三个关键发现。首先，当批量大小超过2048时，MMD目标函数才展现出最佳效果，这远非传统训练中的典型配置。其次，生成图像的批量大小本身成为操作变量，其最优值远超常规。第三，也是最关键的发现：任何单一编码器的表征都可能被“钻空子”——生成图像在某一编码器上的得分可能低于真实图像，但肉眼观察却仍明显是假的。这迫使研究者构建一个由14个编码器组成的均衡电池，并用独立于训练损失的切片- Wasserstein距离（SW_r14）来评估，从而抵抗这种“作弊”行为。
基于这些发现，团队推出了改进版RDM（iRDM）。在ImageNet上，iRDM以SW_r14得分1.30创下一阶段最先进水平。更惊人的是，一项从未被优化过的、反映人类偏好的指标PickScore，在71.2%的配对样本中更倾向于iRDM而非此前最佳的一步生成器。团队还展示了其实用性：仅用90个H200 GPU小时，就能将四步FLUX.2模型后训练为一步生成器，在GenEval上以0.826超越原版的0.794，在PickScore上也以22.76超越22.58。
这项研究的意义不仅在于性能的提升——它重新激活了经典的统计匹配思想，并用现代大规模计算和数据的力量，证明了一条通往高效生成的全新路径。当每一步的训练细节都被精心设计，原本被遗忘的理论也能焕发出惊人的现实力量。未来，一步生成或许将成为主流，而RDM向我们展示了如何用最简洁的蓝图，实现最优雅的飞跃。
传统模仿学习策略在处理不同难度的任务阶段时，往往固定执行速度和预测时长，导致灵活性差、整体效率低。比如，一个简单的抓取动作和精细的装配动作，本应有不同的执行节奏，却被一刀切的策略拖慢。近日，一项名为AutoSpeed的模型无关学习框架被提出，它能让视觉运动策略在不需额外标注的情况下，根据任务阶段动态调整运动速度。
AutoSpeed的核心思路是将未来不同速度下的轨迹视为候选优化目标，通过一个复合成本函数进行权衡——该成本同时考虑预测误差和预测时长，最终让策略向着成本最低的候选轨迹优化。具体操作上，框架固定输出动作序列的长度，但通过速度调制改变有效时间预测范围：在简单的阶段，预测范围更长，执行更快；在复杂阶段，预测范围缩短，执行更慢，从而让人机交互更加自然流畅。
一个关键的技术细节是，速度调制在频域中通过离散余弦变换完成，这能实现平滑的非整数速度缩放，避免了速度突变带来的运动不连贯。实验结果显示，AutoSpeed不仅显著降低了任务执行时间，还提高了成功率。更令人惊叹的是，框架推断出的运动速度与任务阶段之间存在强烈的对应关系，说明它真正学会了“看情况”办事。
这项研究的价值不仅在于提速增效，更在于展示了一个无需人工标注、可灵活适配现有策略的通用方法。当机器人开始懂得“慢工出细活，快刀斩乱麻”，我们离真正灵巧智能的自动化未来，或许又近了一步。
编程中很多日常任务难以用规则实现，比如对重要日志行进行告警、修复格式错误的JSON、按意图对搜索结果排序。这些工作正越来越多地被外包给大语言模型API，但代价是丧失了本地性、可复现性和经济性。我们提出一种新范式——模糊函数编程：将此类函数从自然语言说明编译成紧凑的、可在本地执行的神经产物。我们以PAW（Program-as-Weights）具体实现这一范式：一个基于FuzzyBench（我们发布的1000万样本数据集）训练的4B编译器，为冻结的轻量级解释器生成参数高效的适配器。搭载PAW程序的0.6B Qwen3解释器，其性能与直接提示Qwen3-32B相当，但推理内存仅为其五十分之一，且在MacBook M3上以每秒30个token的速度运行。PAW将基础模型从逐个输入的解题者重塑为工具构建者：每个函数定义只需调用一次，即可产生一个可复用的微型工件，随后每次实际应用的成本极低且完全离线。
这种转变不只是技术优化，更颠覆了我们对大模型的传统认知——当模型不再为每一次请求都全身投入，而是化身工匠锻造精巧的工具时，计算资源才能真正物尽其用。大模型的价值，或许不在于每次回答，而在于它为世界留下的可重复使用的思维结晶。
大型语言模型代理正在生产环境中迅速部署，从编程助手到客服聊天机器人，再到科研助手，但它们在企业的实际运用中却依然停留在静态阶段。模型的权重、系统提示、工具库以及上下文框架在部署时被“冻结”，任何改进都需要人工收集数据、离线微调、修改代理范式，然后重新部署——整个周期缓慢且昂贵。
最新的自我进化代理研究，例如面向个人用户的OpenClaw系统，暗示了下一代代理能力飞跃的关键：让代理持续从自身经验中学习。然而，这篇论文指出，对于企业级大规模代理服务而言，阻碍这一愿景实现的并非强化学习算法本身的局限，而是代理型在线强化学习系统在设计上的根本缺陷。
具体来说，当前系统在三方面严重不足：其一，缺乏标准化的代理轨迹数据协议，无法在异构代理范式下传输步骤级强化学习信号——不同系统各自为政，数据无法互通；其二，没有企业级全面的数据代理机制，能将真实业务负载转化为可控可治理的学习“养料”，导致大量实际交互数据被浪费或无法安全使用；其三，缺少统一的代理进化控制平面，能根据轨迹统计指标自动决定何时更新策略权重或调整上下文框架，一切升级仍依赖人工判断。
论文提出，下一代代理强化学习系统必须围绕这三个支柱重新设计。作者通过AReaL2.0项目初步实践了这一思路：将现有的强化学习基础设施重新组织为面向代理的在线学习循环，从实际部署的工作负载中提取数据，直接用于策略权重的更新。
想象一下，如果客服机器人能每天从数十万次对话中自动学习如何更好地理解客户情绪，编程助手能根据开发者的使用模式自动优化代码建议，而不用等待工程师周期性地手动升级。这正是自我进化代理的承诺，但实现它需要先打破现有的系统壁垒。没有标准的数据协议，不同的代理系统就像不会说同一种语言的团队；没有安全的数据转化机制，真实数据就像未经加工的原矿石；没有自动化的进化控制，每一次升级都像手动换挡而不是自动巡航。
这些挑战并非不可逾越，但需要整个领域从系统架构层面进行协同设计。今日的代理仍然只能执行预设好的脚本，明天的代理或许能真正从每一次交互中成长。而这关键的转变，将取决于我们能否跨过这三根绊脚石，构建出真正面向在线学习的强化学习基础设施。
想象你是一位刚刚接触人工智能的研究生，手握概率论的知识，却对随机微分方程和扩散模型一头雾水。这时，一篇讲义摊开在你面前，它承诺带你从一条清晰的路径出发：从经典采样动力学的源头，一步步走向现代扩散采样器的前沿。这就是这篇论文的目标——为初学者搭建一座从零到一的桥梁。
讲义将内容精心拆分三层：第一层是核心定义和恒等式的完整证明，让你从根基上理解扩散模型如何用随机过程逐步“破坏数据”，再学如何“逆向修复”；第二层是简化假设下的代表性估计，比如在理想条件下推导误差边界，这像用简单例子验证直觉；第三层则上升到研究级定理，虽只给出证明路线图，但足以让你窥见学术前沿的风景。整篇讲义不预设你了解随机微分方程或数值方法，而是从基础采样理论出发，自然引出扩散模型，并深入分析采样误差和推断时的控制技巧。
在这条知识旅途中，你会看到扩散模型如何把采样问题转化为一个可解的随机过程，理解为何每一步的噪声添加与去除都像精密摆钟的摆动——既有理论之美，又具实用之效。当你读到误差分析时，会意识到模型生成图像或音频的微妙平衡：步长、噪声尺度、模型容量，任何一个参数的偏差都可能让结果从清晰沦为混沌。而最后关于推断时控制的部分，则揭示了如何在实际应用中调整采样轨迹，让模型输出既符合训练数据分布，又能响应特定指令。
读完这些，你或许会感叹：扩散模型不是黑箱，而是融合了概率、优化和数值计算的一门精巧艺术。理解它，不仅是为了复现论文中的图表，更是为了在创造新应用时，拥有驾驭随机过程的自信。数学的严谨与工程的直觉，在此刻交汇。
想象一下，你正在拍摄一部电影，主角从画面中消失整整十分钟，当他再次出现时，服装、神态甚至领带的褶皱都与离开前一模一样。这在现实拍摄中需要精确的服装管理和分镜脚本，但在AI生成的视频世界里，却是一个尚未解决的难题。大多数现有的世界模型把物理运动和像素渲染深度捆绑，就像让导演同时操控演员和摄影师，一旦角色离开镜头就不得不“遗忘”他的样子。现在，一个名为WorldDirector的框架打破了这一僵局。
这套方法最关键的一步是将运动编排与视觉生成彻底剥离——类似先让导演在纸上画好演员的走位和镜头轨迹，再交给美术组根据路径填充画面。具体来说，WorldDirector利用大语言模型作为“调度员”，同时规划三维空间中的物体移动路径和摄像机运动轨迹，然后把这些经过协调的轨迹信号作为指令输入视频生成模型。这样一来，动态物体的物理逻辑和外观稳定性得到了严格的保证：即使物体长时间处于画面之外，当它重新进入视野时，视觉身份依然完整保留。在实验中，这种方法支持合成复杂连续的事件，并实现了前所未有的可控性和持久动态对象记忆。
这项技术的意义不仅在于它让视频生成更“听话”，更在于它重新定义了世界模型的设计哲学：物理不需要与渲染纠缠，记忆也不需要依赖持续“注视”。当机器学会了像人类导演一样在纸面上推演，再落笔成画时，我们或许正在接近一个真正可编排的虚拟世界。
礼来制药的赌桌从未如此令人瞩目。这家把每周注射做成全球爆款的公司，正把目光投向一个AI设计的抗体——ABS-201。
这枚抗体由生物科技公司Absci开发，目标直指两个看似毫不相干的病症：男性脱发和子宫内膜异位症。背后机制简单却惊人：它阻断的是催乳素受体，一个同时控制毛囊生长与生殖健康的激素开关。目前，市面上还没有任何注射类药物获批用于这两种疾病。
礼来为此掏出了4000万美元，参与Absci这轮1亿美元的融资。而此前一周，Absci公布的一期临床数据已让股价飙升36%——所有剂量组均显示良好耐受性，未出现严重副作用。
故事的温度在于，这并非一场孤注一掷的赌博。另一家中国公司Hope Medicine的候选药物HMI-115，同样靶向催乳素受体。其针对子宫内膜异位症的二期数据已发表于《柳叶刀》，二期脱发试验也在进行中。两个团队在暗处角力。
Absci的计划更为激进：今年启动全球二期子宫内膜异位症研究，并在2027年底前直接跳过部分环节，进入男性脱发三期临床，前提是获得FDA放行。如果成功，这将是一种既拯救发际线又缓解女性盆腔疼痛的单分子方案。
当GLP-1类药物把“每周一针”变成亿万人习以为常的生活方式，礼来正试图证明：这不只是减肥的魔法。一款抗体能同时覆盖两种极度未被满足的医疗需求，可能将“注射疗法”从肥胖王座上拉下，推入更广阔的治疗平原。在这条路上，每个毛孔都可能成为一个新战场。
据报道，苹果正在酝酿一场前所未有的产品大爆发：从2026年底到2027年中，至少推出五款新iPhone，其中可折叠机型将成为史上最贵的iPhone。更令人震惊的是，苹果已要求供应商在今年准备1000万部可折叠手机的产能——比最初计划的700万至800万部大幅上调，并已为8000万部手机锁定零部件。
市场研究机构IDC预测，这款名为“iPhone Ultra”的可折叠机型平均售价将达到2500美元，高存储版本甚至突破3000美元大关，远超以往任何一款苹果手机。Counterpoint则预计，苹果将在2026年占据全球可折叠显示屏订单的29%，仅次于三星的31%，成为这一高端市场的第二大玩家。
但这轮产品狂潮并非一帆风顺。AI需求的爆发式增长让存储芯片价格在三个季度内暴涨近四倍，苹果被迫提高售价，甚至不惜从被列入黑名单的中国供应商那里寻找芯片。同时，苹果还计划在2027年初推出搭载更快芯片的4款新iPad Pro，以及一款入门级MacBook Pro和首款M7处理器。
这场苹果史上规模最大的产品押注，恰好撞上了行业最严重的零部件短缺风暴。当可折叠屏幕的柔光与芯片荒的阴影交织在一起，苹果能否在高端市场续写神话？答案或许将决定未来数年智能手机行业的格局——毕竟，3000美元一部的手机，赌上的不只是苹果的声誉，还有整个供应链的韧性。
2028年1月起，索尼将不再为新发行的PlayStation游戏压制实体光盘。这意味着，陪伴玩家三十年的盒装游戏将正式退场，所有新作只能通过PlayStation商店或第三方平台数字下载。这一决定背后，是数字下载已占PS4和PS5全价游戏销量85%的残酷现实——光盘仅剩15%的份额。就在不久前，GameStop在过去两个财年关闭了超过1300家门店，游戏购买习惯正不可逆转地转向线上。与此同时，索尼宣布今年将在部分市场逐步关闭PS3版PlayStation商店，并计划在2027年全球关停PS3和PS Vita商店。
这个消息公布几天前，GTA 6的粉丝发现该游戏的“实体版”实际上只是一个装着下载码的盒子。当索尼正式宣判光盘的死刑，玩家将不得不接受一个事实：花70美元甚至更多钱买来的，只是一个可被随时撤销或下架的授权——没有光盘可以转卖、借阅或永久收藏。那些曾属于实体游戏的时代记忆，连同二手市场的繁荣，正在被数字化的浪潮吞没。当每一次购买都变成一笔不可撤回的租赁，我们失去的或许不仅是塑料圆盘，更是对游戏真正“拥有”的权利。
桥水基金曾有一个烦恼：每天海量的邮件、新闻标题和报告，分析师需要快速筛选出重要信息。他们尝试了GPT、Claude、Gemini等顶尖AI模型，结果这些“前沿选手”平均只答对了大约一半的任务，准确率堪堪50%。桥水的内部投资人亲自写提示词，把分数拉到了70%左右，但依旧未能跨越他们设定的80%信任门槛——低于这个数字，分析师不敢放心依赖工具。
转折来自一个意想不到的方向。Mira Murati领导的Thinking Machines Lab（TML）与桥水合作，采用了一种截然不同的思路：不追求模型的全能，而是专注培养一个“专才”。他们用桥水专家评级的真实案例，通过TML的Tinker平台，训练了开源模型Qwen3-235B。结果令人咋舌：这个小型定制模型在同样的测试中拿下了84.7%的准确率，而成本仅为前沿模型的13.8分之一。
Murati将这一项目描述为“专家改进AI，而AI反过来赋能专家”。桥水计划将这种模式推广到公司内更多专业任务，从投资分析到风险管理。
这个故事揭示了一个被忽视的事实：过去人们总觉得“大模型通吃一切”，但桥水和TML的数据证明，在高度专业化的领域，小型定制模型不仅能超越通用前沿模型，还能以极低的成本实现。企业未必需要一台无所不能的引擎，而只需要一台在自家赛道上跑得最快的车。当人工智能的军备竞赛聚焦于参数规模和通用能力时，也许真正的答案就藏在那些被忽略的“小而精”里。
6月法国G7峰会上，Sam Altman和其他AI公司高管与各国政府首脑围坐在会议桌前，讨论一个棘手的问题：如何监管急速发展的人工智能。峰会后，Altman在《金融时报》发表评论文章，他搬出冷战时期的国际原子能机构（IAEA）作为模板，还类比了全球航空业规则和银行业监管——这些行业都有国际仲裁机构，对安全标准说了算。Altman的提议是：由美国主导成立一个全球论坛，制定AI安全标准，并决定谁可以使用最先进的AI模型。他同时警告，“民主机构绝不能把责任甩给AI实验室”，规则必须由公民和他们选举的代表来制定。
几乎在同时，另一份《金融时报》的报道爆出：OpenAI在与美国政府私下讨论时，曾提出让美国政府持有公司5%的股份。不仅如此，OpenAI还推动其他美国AI实验室共同设立一个“分红基金”，用来重新分配AI可能创造的巨大财富。这让监管和股权两个话题同时升温。尤其是最近关于AI安全的一系列争议（如AI“神话”风波）之后，建立国际规则的需求显得更加紧迫。
前白宫AI顾问Dean W. Ball评论道，关键问题是：AI创造的财富是直接分配给每个家庭，还是交给一个承诺可能不一定兑现的政府？这个问题的答案，将决定AI究竟是造福所有人，还是成为另一种权力集中工具。
Altman的呼吁和OpenAI的股权提案，本质上是同一件事的两面：一方面主动寻求被纳入规则制定者的角色，另一方面又试图通过资本纽带绑定政府利益。在技术狂奔的时代，这种试图既当运动员又做裁判员的做法，注定会引发激烈争论。而未来AI治理的真正挑战，也许不是技术会不会失控，而是人类是否能在速度与安全、资本与公共利益之间找到一个脆弱的平衡。
在人工智能的世界里，真正的挑战往往藏在那些不常见却至关重要的“长尾知识”里，或是来自用户一个看似简单却暗含多重步骤的复杂指令。今天，一个名为Seed2.0的模型系列悄然登场，它并非为了炫技，而是试图从用户的真实需求出发，踏出解决现实世界中棘手任务的关键一步。
Seed2.0的开发团队没有急于堆砌算力，而是先做了一件朴素却深刻的事：他们花心思去识别用户到底需要什么，然后以此为基础，构建了一套可靠且具有前瞻性的评估系统。这套系统不是凭空捏造的，而是从真实的、复杂的场景中提炼出一个个具体的基准任务，将其抽象为可量化的测试。它像一面镜子，精准映照出当前模型的两大“软肋”——长尾知识的匮乏，以及对复杂指令的遵循能力不足。所谓长尾知识，是那些在训练数据中出现频率极低但关乎生活细节或专业领域的信息；而复杂指令遵循，则意味着模型需要在模糊、多步骤、甚至带有隐含条件的任务中保持逻辑和准确。
针对这两大难题，Seed2.0进行了显著的改进，大幅度提升了模型在那些需要长时间、多环节推理的任务上的可靠性。除此之外，它还交出了一份亮眼的成绩单：世界领先的推理智能、视觉理解能力，以及强大的搜索功能。这些能力并非孤立存在，而是直接响应了最广泛用户群体的高频需求——从日常问答到图像分析，从信息检索到逻辑推导，Seed2.0试图在每个环节都给出更可靠的答案。
这份成就并非停留在实验室的测试分数里。模型报告中记录了大量的现实世界应用案例，从这些真实场景中我们看到，Seed2.0已经开始初显处理复杂现实任务的本领。它不再只是一个回答问题的聊天助手，而是能够理解上下文、拆解目标、调用知识、逐步执行的智能体。对于数亿用户而言，这或许意味着AI终于能带来更多看得见、摸得着的价值。
当AI的努力开始从“玩转基准测试”转向“解决真实麻烦”，我们或许正站在一个转折点上。技术跃进的意义，不在于它测试得分有多高，而在于它能否让日常生活中的每一个复杂需求都得到温柔的回应。
在认知科学中，元记忆是一种高级能力：知道该编码什么、何时检索、如何组织知识。这种能力并非天生，而是可以习得的技能。现在，研究者将这一视角带到了大语言模型中——他们把记忆管理也变成了一种可训练的技能。
想象一下，一个AI智能体在漫长的任务中运行数千步，每一步都可能与文件系统交互。传统做法是由人类工程师精心设计记忆规则，但一个记忆错误可能潜伏很久才暴露，手动审查整个轨迹几乎不可能。AutoMem框架的出现改变了这一切。它让模型自己决定如何管理记忆：文件系统操作被提升为与任务动作平级的“一等公民”，模型可以自主选择读写、检索或组织记忆文件。
这个框架通过两个循环来优化记忆能力。第一个循环中，强大的LLM审查智能体的完整行动轨迹，并反复修正记忆结构——也就是那些提示词、文件模式和动作词汇，这些决定了智能体如何与记忆文件互动。第二个循环更巧妙：从多次任务中自动识别出智能体做出的良好记忆决策，将这些正面案例作为训练信号，直接提升模型自身的记忆熟练度。
在三个程序生成的长时任务游戏（Crafter、MiniHack和NetHack）中，研究者只优化了记忆管理，完全没有改动模型的任务动作行为，却让基础智能体的性能提升了约2到4倍。一个320亿参数的开源模型，经过这样的记忆技能训练后，竟然能与Claude Opus 4.5和Gemini 3.1 Pro Thinking这样的前沿系统一较高下。
这个结果揭示了一个关键洞见：记忆管理本身就是一种独立可学习的技能，而且是一个高杠杆率的优化目标。当我们把注意力从“教AI做什么具体动作”转向“教AI如何管理自己的记忆”时，长时任务的性能飞跃就自然发生了。毕竟，知道自己记住了什么、该忘记什么、何时回顾——这正是智能的基石。
在视觉语言模型的演进中，一场静默的变革正在发生。传统的预训练方法几乎被对比学习垄断——通过拉近匹配的图像-文本对、推远非匹配对来学习表征。然而，这种依赖负样本、温度系数和动量编码器的范式，在模型角色转变时暴露出局限：如今的视觉-语言编码器不再只是零样本分类器，更多被用作冻结的视觉骨干，为下游任务提供整个网格化的patch token，而非单个池化嵌入。一个关键问题浮现：能否用非对比方式直接学习密集语义特征？
LeVLJEPA给出了肯定答案。作为首个完全非对比的端到端视觉语言预训练方法，它抛弃了传统对比学习的核心组件——没有负样本、温度参数、动量编码器，甚至没有师生调度策略。取而代之的，是跨模态预测机制：模型通过stop-gradient目标，让视觉和文本模态相互预测，同时施加每模态的分布正则化。这种设计在保证大规模训练稳定性的同时，让编码器学会捕捉跨模态的对应关系，而非简单地判别匹配与否。
实验数据揭示了这一创新的实际价值。在对比评估中，LeVLJEPA作为冻结的视觉语言模型骨干，在GQA、VQAv2和POPE三个基准上，搭配两种不同语言模型，均取得最强性能。更令人惊讶的是语义分割任务——它显著超越对比学习基线，证明其patch token携带更丰富的密集语义信息。而在全局线性探测这类任务上，它依然能保持与对比方法同等水平。这表明非对比学习不仅没有牺牲全局表征能力，反而在局部密集特征上获得了显著优势。
这些结果并非偶然。非对比方法的本质在于：通过预测性任务迫使模型学习最本质的结构对应，而非依赖样本间的显式对比。当视觉语言模型从“分类器”转向“特征提供者”时，这种学习范式恰好契合了密集特征的需求——每一个patch token都需要具备语义感知能力，而不仅仅是全局对齐。告别了负样本和温度参数的繁复调优，LeVLJEPA以更简洁的方式，揭示了非对比预训练在视觉语言领域的巨大潜力。这或许意味着，我们一直依赖的对比范式并非唯一路径，当模型的目标从“辨别”转向“理解”时，更本质的预测性学习正在打开新的可能。
传统机器人编程充满挑战——需要统筹多模态感知、管理物理接触的复杂动态、应对千变万化的配置和失败。现在，一个名为ASPIRE（通过迭代机器人探索进行智能技能编程）的持续学习系统横空出世，它就像一位不知疲倦的机器人教练：不仅能自主编写和优化控制程序，还能把每一次经验沉淀为可复用的技能，再将这些技能如同拼图般组合，应对从未见过的任务。
ASPIRE的核心由三个齿轮般紧密咬合的部分构成。第一是闭环机器人执行引擎，它能把任务执行过程中的多模态细节信息全部曝露出来，让系统自己诊断哪里出了错，并自动生成修复方案，再验证修复是否有效。第二是不断扩展的技能库，系统会把验证成功的修复方案蒸馏成可迁移的知识，就像人类把一次成功的烹饪步骤记成菜谱，下次做饭时直接调用。第三是进化搜索，它像生物进化一样生成多样化的任务序列和控制程序，不满足于只优化一条轨迹，而是在更广阔的探索中寻找更优解。
实验数据让这个系统闪闪发光。在LIBERO-Pro扰动测试中，ASPIRE比先前方法最高提升77%；在Robosuite双臂交接任务中提升72%；在需要长期规划的BEHAVIOR-1K家庭任务中，它也领先32%。更令人惊叹的是零样本泛化能力：面对未见过的长期任务LIBERO-Pro Long，ASPIRE成功率达到31%，而先前方法即便允许测试时推理和重试，成功率也仅有4%。此外，在仿真中积累的技能还能迁移到真实机器人上，大幅减少不同构型和不同机器人API下的编程工作量——这相当于一个游戏里的高手，直接把操作经验带到了真实世界。
ASPIRE告诉我们，机器人编程的终极目标或许不是人类写出完美的代码，而是让机器人学会自己写、自己改、自己积累，最终像人类一样，从过去的每一次失败中提炼出智慧，去拥抱从未练习过的未来。
在训练大语言模型时，强化学习后训练几乎已经成为标配，但很少有人真正追问：这些微调带来的进步，到底分布在模型的哪些部分？常见的做法是把所有参数都更新一遍，仿佛每一层都在平等贡献。但一项新研究却给出了令人惊讶的答案——训练单个Transformer层，就足以拿回全参数训练的绝大部分收益，有时甚至反超。
研究者引入了一个叫做“层贡献”的量化指标，来度量单独训练某一层时，能恢复全参数强化学习改进的比例。他们测试了7个模型，涵盖Qwen3和Qwen2.5两个家族，动用了GRPO、GiGPO、Dr.GRPO三种算法，任务涵盖了数学推理、代码生成和智能体决策。结果呈现出一个极其稳定的模式：强化学习的增益高度集中在极少数Transformer层上，很多时候甚至只集中在单层。更惊人的是，这种集中不是随机的，而是有规律可循——那些贡献最大的层总是出现在Transformer堆叠的中部，而靠近输入和输出端的层贡献则小得多。
更令人深思的是，这些层重要性排名在不同数据集、不同任务、不同模型家族乃至不同强化学习算法之间，都保持着强烈的相关性。这意味着，模型内部似乎存在某种与具体任务无关的“关键演化窗口”，强化学习后训练的实质，就是在这个窗口中改写模型的行为。如果真的是这样，那么我们或许可以告别那种把整个万亿参数模型都拉进训练轮次的做法，转而只精准地调整几个关键层——效率提升的想象空间巨大。
这个发现像一束光，照进了深度学习里最让人困惑的黑箱之一：我们到底在训练什么？也许答案并不在每一个参数里，而藏在一小部分真正的“神经中枢”中。