EZ.AI Listen Daily
编码智能体在推理时必须整合外部工具返回的信息，但标准从左到右的代码预训练只学到前向能力。我们发现，智能体的“动作-观察-继续”循环与函数调用在结构上完全同构：调用者绑定参数，被调用者在别处计算并返回值，下游代码消费这个值。这种条件结构在互联网上的普通代码中比比皆是。我们通过函数感知的填充中间（FIM）中训练来利用这一点：这是一个自监督目标，通过程序依赖图分析和复杂度-可推理性双重标准，掩码选中的函数。我们在来自968个GitHub仓库的26亿token无污染语料上对Qwen2.5-Coder-Instruct（7B/14B）和Qwen3-8B进行中训练，然后应用现有智能体后训练流程。中训练让SWE-Bench-Verified在7B/14B上分别提升+2.8和+3.0，在Qwen3-8B上提升+3.2；SWE-Bench-Lite在相同模型上提升+3.7、+4.0和+5.4。这种提升在两个后训练流程（R2E-Gym、SWE-Smith）以及非Qwen2.5基座（Qwen3-8B配合SWE-Lego）上保持一致。除了领域内增益，中训练还缓解了智能体后训练对非智能体编码（如LiveCodeBench）和非编码工具使用基准（tau-bench、BFCL）造成的能力侵蚀——尽管中训练语料只包含Python代码，但函数调用归纳偏置在后训练后依然存活，并带来稳定收益。每一次工具整合都像一次函数调用，而互联网代码早已写好了答案——中训练只是让智能体读懂了这本来自未来的说明书。
想象一下，你按下键盘，画面中的角色立刻响应你的指令，与对手展开激烈交锋——这不是传统的游戏引擎，而是一个完全由AI生成的实时格斗世界。这就是WanToFight，一个基于视频扩散Transformer的生成式游戏引擎，它首次实现了双人实时对抗的《拳皇'97》模拟。
关键在于三个精心设计的组件：首先是流式自回归生成器，采用块因果注意力和滚动KV缓存，确保帧序列的连贯性；其次是视觉锚定的玩家关联模块，将每位玩家的键盘信号绑定到对应的角色身份上，防止控制错乱；最后是一个门控局部因果键盘注入模块，通过从单人操作到完整对战的课程式训练策略，让模型学会处理双人同时输入的复杂交互。
为了达到实时流畅体验，研究团队使用了四步DMD蒸馏学生模型和修剪后的VAE解码器，在单块NVIDIA RTX 5090显卡上以512x384分辨率稳定输出30FPS，贯穿整场对局。这是首个将多人控制、实时推理、复杂物理交互和对抗性玩法整合于一体的生成式游戏引擎。
WanToFight证明了生成的密度可以超越渲染——当AI学会拳脚相向时，游戏的边界正在被重新定义。
纽约冻结大型数据中心新许可原文
纽约州长凯西·霍楚尔签署行政令，暂停批准新的大型数据中心建设许可，期限最长12个月。这使得纽约成为全美首个通过官方立法手段放缓人工智能基建浪潮的州。现有项目继续推进，但十多个规模超过50兆瓦的提案被搁置。监管机构计划利用这段缓冲期，为数据中心在用水、空气排放和电力消耗方面制定全新标准，待新规出台后禁令自动解除。州长还推动取消数据中心享有的税收减免，并提议设立由数据中心出资的电网升级基金，意在避免成本转嫁给普通家庭。
此举引发激烈反应。工会领袖马克·麦克马纳斯直言禁令“扼杀了高薪工会岗位”，行业贸易团体则警告企业会将资金转移到其他州。数据中心已成为美国最具争议的AI议题之一，多地民众对大规模基建的抵触情绪日益高涨——既有合理担忧，也有被放大的焦虑。这正是为何埃隆·马斯克等人主张将数据中心建在太空的原因之一。每当一个州对地面建设说不，太空方案就显得不那么荒谬，前提是技术能应对挑战。
这场博弈的深层矛盾在于：AI的发展依赖海量算力，而算力需要庞大的物理基础设施支撑。当环保、电价、就业与科技进步交织在一起，每个决策都成为多方利益的角力。纽约的暂停令或许只是一个开始，它提醒我们：通往未来的路，从来不是笔直的高速公路，而是一条需要不断权衡取舍的崎岖小径。
想象一下，一个没有屏幕、能读懂房间环境、靠电池驱动的小音箱，却拥有让你觉得“它真的懂我”的个性。这正是OpenAI与苹果前首席设计师乔纳森·艾维联手打造的神秘AI硬件——据彭博社最新报道，这款设备预计2027年问世，但苹果一纸商业秘密诉讼已让前景蒙上阴影。
这到底是什么东西？它最颠覆性的设计就是彻底抛弃屏幕。你只需要跟它对话，它就能处理各种任务：回答问题、回复消息、播放音乐、控制智能家居——所有这些都基于OpenAI刚升级的GPT-Live语音模式。更绝的是，内置的摄像头和传感器让它能感知周围环境，比如你走进厨房，它就知道该推荐什么菜谱。
但这款产品真正的卖点是“人格”。艾维团队为其设计了机械运动机制，让你感觉它不是冷冰冰的机器，而是一个“有生命”的存在。它还能学习你的邮件和日程，越来越懂你。听起来像科幻电影？可现实中，苹果已经盯上了它。
就在项目推进时，苹果公司向法院提起诉讼，指控OpenAI窃取商业机密。OpenAI的回应很直接：“我们没有看到任何证据表明这个投诉有依据。”而苹果则要求法院发布禁令，阻止该硬件上市。
这就引出了一个更深层的问题：这款音箱究竟是艾维和OpenAI的初心，还是迫于苹果压力而调整的妥协方案？毕竟，一个智能音箱——哪怕它再有个性——似乎离公众期待的“改变世界的计算界面”还差得远。但回看历史，当年iPhone刚问世时，大众也只觉得它是个好手机，没人预见它能重塑整个互联网。有时候，真正的颠覆恰恰要从打破常规形态开始。或许，这场官司反而会催生一个更疯狂的发明——因为真正的创新，从来不怕被锁在纸面上。
想象一下，当一家AI公司即将发布一个颠覆性模型时，它必须在30天前主动提交给一个独立机构，让专家们检查这个模型是否会搞欺骗、造生物武器，或者变成黑客的利器。这不是科幻桥段，而是DeepMind首席执行官Demis Hassabis刚刚抛出的一个具体蓝图。他给美国政府递上了一份规则手册，而就在一个月前，这个政府还在用应急模式拼凑AI政策。
Hassabis的计划借鉴了金融界自律组织FINRA的架构。这个新机构将专攻前沿AI模型的安全测试，内容涵盖三大核心风险：模型是否擅长欺骗人类、能否设计生物武器，以及是否具备恶意黑客攻击能力。这里的关键点是，机构覆盖的标准只看模型的能力级别——只要达到“前沿”门槛，不论开发公司在哪里、谁有权限访问，都得在公开发布前30天自愿提交模型供审查。Hassabis还留了一手，他说这个机构必须能快速适应技术演变，“包括在必要时协调前沿实验室集体放慢节奏”。
他给这个机构定了一个紧迫时刻表：今年内就启动运作。理由是，他在接受Axios采访时警告，开源AI的能力可能在18个月内就滑入危险地带。而这个行业的现状，恰如一个名叫“神话/寓言”的AI事件所揭示的：没有明确规则的监管，结果就是先行动，再收拾烂摊子。
Hassabis的方案是目前最具体的一个，但“独立”二字有多独立，值得打个问号。这个机构既要靠实验室出钱养活，又要向一个刚刚尝到AI监管甜头的政府汇报工作。当钱和权来自同一个方向，它真的能在关键时刻踩下刹车吗？或许，这份计划的意义不在于它是否完美，而在于它第一次把“提前检查”而不是“事后补救”摆上了谈判桌。AI发展的速度不会等人，但规则的生长，终究需要从第一个脚印开始。
在量子世界里，精密测量是一场与不确定性的永恒博弈。想象一下，一个量子时钟的“滴答声”——每一次计数事件——越稳定，这个装置就越精准。然而，科学家很早就发现，计数观测量的涨落存在一个根本限制：动力学不确定关系指出，你无法在不增加系统活动的前提下无限压制涨落。多体效应天然地被视为提升性能的途径，但它究竟能把计数精度推到多高？这个问题一直悬而未决。
在量子计量学中，一个著名的目标叫“海森堡标度”：随着粒子数N增加，估计方差可以下降到1/N²，比经典极限（1/N）快得多。那么，计数观测量——例如某种事件发生的次数——能否也实现这种类似的海森堡1/N²标度？长期以来，没有协议能做到这一点。
这篇论文给出了一个突破性的答案。研究人员设计了一种新协议：他们对一个超辐射自旋系综施加量子反馈控制。超辐射是一种集体效应，会让自旋系统在辐射过程中发射强度急剧增强，但这种增强是瞬时的——如果不加控制，它会迅速消失。只有当反馈控制介入时，这种短暂的超辐射增强才能被稳定地利用，从而使得计数精度的海森堡标度变得可行。
研究团队通过多体动力学不确定关系以及反馈修正的平均场方程，从解析上推导了这一结果，并用数值模拟进行了验证。关键发现是：量子反馈能够将集体耗散——原本被视为有害的“噪声”——巧妙地转化为一种资源，使得计数精度突破常规限制。
几点重要细节：传统的动力学不确定关系对计数精度的限制是，精度与活动（即事件发生率）之积存在下限。而在超辐射系统中，活动本身因集体效应被放大，但如果不加反馈，这种放大是瞬态的，无法用于持续的高精度计数。反馈的加入使系统进入一个稳态或准稳态，从而让1/N²的标度得以实现。数值模拟显示，在特定参数下，方差确实随N²反比下降。
这一工作不仅回答了关于计数精度能否达到海森堡标度的理论问题，还为未来量子传感器（如更稳定的原子钟）的设计提供了全新思路——与其抑制耗散，不如利用它。当量子系统的缺陷与反馈控制巧妙结合，看似不可逾越的极限也会被重新定义。极致精度，往往藏在那些曾被视作噪声的集体行为里。
一项关于具身智能体的最新研究揭开了Hy-Embodied-VLM-1.0的面纱。这款面向物理世界的高效具身基础模型，从预训练阶段就致力于培养智能体的行动推理与适应能力。研究团队为此定义了三种递进式行动能力：理解与行动相关的状态、推理行动带来的状态变化，以及在连续场景中进行自适应推理。通过系统化的数据管线，他们整合了预训练和后期训练的数据集，构建了定制化的训练体系。
模型基于Hy3-A3B语言骨干和Hy-ViT2视觉编码器构建，其高效的混合专家架构兼顾了大模型容量与高推理效率。在涵盖具身感知、物理世界理解和具身推理的38项测试基准中，Hy-Embodied-VLM-1.0在19项上取得同类模型最优成绩，全面超越Qwen3.6-A3B和Cosmos 3等强敌。与上一代Hy-Embodied-0.5 MoT-2B相比，平均性能提升了8.4%。更令人惊讶的是，尽管仅激活3B参数，它的表现已逼近先前需要32B激活参数才能达到的水平。
静态测试之外，这款模型在多轮交互和长程推理的具身任务中也展现出强劲实力。智能体不仅需要在变化的环境中持续做出判断，还要处理延迟敏感的部署挑战，而Hy-Embodied-VLM-1.0正朝着这个方向迈出了扎实的一步。大模型并非越大越好，用更少的算力撬动更强的能力，这或许才是具身智能走向现实的正确路径。
想象一下，机器人学习执行任务时，传统方法需要提供精确的数值动作指令或复杂的动作标签，但这些形式往往难以与预训练视频生成器完美对齐，要么丢失运动结构，要么无法直接用于生成。FlowWAM的出现解决了这一矛盾：它采用光流作为统一、视频原生的动作表示，让机器人既能从视频中预测动作，又能用动作指导视频生成。光流以像素位移的形式编码帧间运动，既与RGB视频共享格式，又天然包含丰富的运动线索。FlowWAM构建了一个双流扩散框架，在共享的预训练视频生成器中联合建模RGB和光流，实现了两种工作模式：在策略模式下，它生成光流来预测机器人应该采取的动作；在世界模型模式下，它利用目标光流序列引导未来视频的生成，从而对场景演化进行建模。更巧妙的是，光流可以从无动作标签的原始视频中直接提取，这意味着FlowWAM能够利用海量未标注的视频数据进行预训练，大大降低了数据获取成本。实验数据证明了该方法的有效性：在RoboTwin操作任务中，FlowWAM在Clean设置下将成功率提升至92.94%，在Random设置下达到92.14%，显著优于现有的VLA和WAM基线方法。在WorldArena世界建模基准上，它取得了最佳的整体EWMScore（63.71），轨迹精度相对提升了18.4%。当动作与视觉生成不再需要翻译，当预训练视频生成器学会同时"看"和"动"，机器人学习的边界正在被重新定义——光流不再是中间产物，而是连接感知与控制的天然桥梁。
无人机在复杂环境中自主飞行，不仅要看清周围的世界，更要认清自己。然而，现有的大语言模型基准几乎全部聚焦于空间理解，而忽略了无人机对自身状态与动态的感知。这一缺口催生了SIS-Bench——一个专门评估无人机“具身空间智能”的基准，其核心是统一的“空间中的自我”框架。
SIS-Bench从两个互补的维度展开：空间与自我，并沿着感知、记忆、推理三个认知层级层层递进。它基于1646段真实无人机视频，通过任务条件化的构建流程，生成了4856个问答对，涵盖13项任务。每一个问题都要求模型要么描述环境的几何结构，要么回答“我”在何处、如何运动，甚至预测未来的位置变化。
测试结果令人警醒。当前最先进的多模态大语言模型在建模动态、以智能体为中心的过程时暴露出根本性局限。它们擅长识别静态场景中的物体，却难以理解相机抖动背后的自身运动；它们能记住地标的相对位置，却在时间序列中逐渐迷失。研究团队明确观察到，空间认知与自我意识之间存在显著的不平衡，且随着认知层级从感知上升到推理，性能呈渐进式下降。
问题的突破口来自对运动感知表示法的探索。通过将光流与视觉特征融合，模型开始捕捉与自身运动相关的动态信息。实验表明，这种简单而有效的方法不仅提升了空间感知与记忆的表现，还同步增强了模型对自身状态的认知能力，并且这一改进能够顺利泛化到下游的无人机自主决策任务。
SIS-Bench与运动感知表示法的成果共同指向一个关键启示：无人机要从环境的旁观者变为空间中的行动者，自我意识不是锦上添花，而是不可或缺的基石。当智能体学会在动态中感知自己，它才能真正理解周围的世界。
在宇宙起源的宏大叙事中，虫洞或许不仅仅是连接遥远空间的捷径，更可能是孕育新宇宙的产房。最新研究发现，一类被称为“酒杯虫洞”的特殊时空结构，能够在渐近反德西特或平直时空中介导婴儿宇宙的成核。当这些新宇宙诞生后，会自然而然地进入一段暴胀时期——就像婴儿出生后的第一声啼哭，迅速扩张膨胀。
研究者们聚焦于这类虫洞几何所准备的量子涨落状态，重点考察了张量模式和探测标量场的量子态。结果发现，在短波长模式下，这些量子涨落完美复现了经典暴胀宇宙学中熟知的邦奇-戴维斯真空状态。然而，在大尺度上，情况出现了有趣的偏离：涨落不再严格遵循邦奇-戴维斯态，而是表现出依赖虫洞电荷的偏差——这种偏差会在后续暴胀产生的角功率谱中留下两种印记：一是微小的整体偏移，二是周期性的振荡信号。
这些虫洞由轴子荷或磁荷支撑。值得注意的是，当电荷趋近于零时，虫洞会经历一个拓扑相变，最终演变为包含无边界瞬子的结构。研究进一步揭示，在电荷很小的极限下，无论是标量还是张量涨落，与邦奇-戴维斯态的偏差都会被显著抑制，这表明拓扑相变是一个平滑连续的过程。
这意味着，如果我们的宇宙诞生于这样一个虫洞事件，那么宇宙微波背景辐射中可能隐藏着两种不同寻常的痕迹：大尺度功率谱的整体偏移和振荡模式。这种信号与标准暴胀模型的预测存在微妙差异，从而为检验量子引力理论提供了潜在的可观测窗口。那些最细微的波动，或许正是连接宏观宇宙与微观量子引力最直接的桥梁。
想象一个AI代理，它像人类一样通过观察屏幕、点击按钮来完成复杂的数字任务——比如整理文件夹、填写表格或运行实验。这种计算机使用代理（CUA）正成为自动化工作流的新利器，而驱动它不断进步的核心，是一种名为“在线强化学习与可验证奖励”的训练方法。然而，这个方法撞上了两堵高墙：一是高质量的可验证任务数据极度稀缺，二是训练过程本身效率低下。面对困局，研究人员推出了ScaleCUA——一套试图同时打破这两堵墙的框架。
这套框架的突破点在于两大创新。首先是数据生成环节，他们设计了一个名为VeriGen的端到端系统，通过让多个AI代理在Docker容器里反复交互、相互反馈，像流水线一样批量制造可验证的任务。这套系统同时调动了100多个代理工人，最终产出了超过24000个可验证任务，从中筛选出近3000个高质量强化学习任务。然后是训练效率的优化。他们提出了一种Frontier Sampling策略，如同一个聪明的教练，它会跟踪代理在每项任务上的表现，把训练精力集中到当前最薄弱的环节，而不是在已经掌握的任务上浪费回合。此外，他们还发明了Visual Context Segmentation技术，通过只保留最近一段视觉画面作为上下文窗口，让训练引擎和任务回滚之间达成平衡，一举把训练速度提升了2.83倍。
在这些技术的加持下，ScaleCUA在业界常用的OSWorld基准上达到了68.7%的成功率，在ScienceBoard上达到54.0%，一举刷新了开源计算机使用代理的性能纪录。如今，这项研究的代码、模型和数据集已经全部公开。也许，让智能真正学会做事的关键，不在于给它更多规则，而在于让它在无穷无尽的自我挑战中，自然而然地找到最佳路径。
想象一下，两个量子测量可能本质上永远无法同时精确实现，但当它们被限制在一个量子通道的输出端时，这种不相容性却悄然消失——就像一把锁在特定房间里不再能锁住任何东西。这一现象被称为“操作隐藏”，它揭示了一种新的量子信息规律。研究人员为此开发了一套系统的“伴随-核”框架：他们将可观测量按照伴随通道的核重新划分为操作等价类，进而通过核等价与单调性对量子通道进行了结构化分类。这一框架不仅给出了隐藏鲁棒性这一量化指标，并推导出它的半定规划计算公式，还建立了近似隐藏理论，并对二阶单位量子通道下的无偏二元量子比特POVM提供了几何刻画。关键结果是：当通道是单射时，隐藏鲁棒性与标准的不相容鲁棒性完全一致；但在非单射通道中，隐藏鲁棒性可以严格更小——研究人员甚至给出了显式的解析族作为例证。这项工作为操作上不可达的测量不相容性提供了系统的表征与定量方法，对受限访问量子信息处理和半设备无关认证具有潜在影响。它提醒我们，在量子世界里，所谓的“矛盾”有时只是视角的局限，当观测的窗口被改变，不可调和的冲突也可能悄然隐身。
在计算机视觉领域，从单张图片恢复三维几何结构一直是个棘手难题。过去的方法要么擅长捕捉场景的相对形状，却难以还原真实尺度；要么在特定场景表现出色，但换一个环境就力不从心。现在，一项名为FoundationGeo的新框架给出了一个优雅的解决方案。
这个框架分为两个精心设计的阶段。第一阶段，研究团队用强大的DINOv3模型作为起点，在精心筛选的1020万张多领域图像上训练，同时加入局部细节监督。这就像一个天赋异禀的学生，在广泛的知识基础上专注打磨细节，最终学会了逼真的、不受尺度影响的几何建模——无论面对室内、室外还是航空影像，都能生成清晰锐利的边界。
但第一阶段只解决了相对几何问题，就像知道一个物体是正方体，却不知道它实际有多高。第二阶段的关键突破在于：团队没有采用传统的全局缩放方法，而是引入了轻量级的像素级校准场。这个校准场包含两部分——一个尺度场来处理空间变化的度量对齐，和一个射线方向校正场来修正点云几何中的方向偏差。两者协同工作，使得输出的三维点云在度量上保持一致性。
研究中还有一个重要发现：相机内参，特别是焦距分布的匹配问题，才是零样本度量泛化的真正瓶颈。当测试图片的焦距落在训练数据覆盖范围之外时，模型性能会急剧下降。这就像一个人习惯了看广角照片，突然让他判断长焦镜头下的物体尺寸，自然会出错。
为了修复这个漏洞，团队利用基于Blender的数据引擎，合成覆盖不同焦距的额外训练数据。他们系统性地补充了原训练集中覆盖不足的焦距区间，从而显著提升了模型在相机内参变化时的鲁棒性。
在七个不同基准上的全面零样本评估显示，FoundationGeo展现出强大的跨领域稳定性。它的表现始终保持在顶尖水平，避免了其他方法在不同领域间成绩大幅波动的缺陷。这种稳定的一致性最终转化为最佳的综合性能，平均超越了更重的基线模型5.2%。
这项研究的价值不仅在于刷新了指标，更在于方法论上的启示：只有当模型的相对理解与绝对校准达成和谐，才能从无序的像素中捕捉到真实世界的几何秩序。
当前视频大语言模型在问答上表现优异，却像“黑箱”：只能给出文字答案，无法提供可验证的视觉证据。现有可解释性方法依赖文字推理或稀疏边界框，难以应对视频中的遮挡、非刚性变形等复杂动态。为此，研究人员提出了证据支撑视频问答新任务E-VQA，要求模型同时输出语义答案和精确的时空证据——时间片段与密集跟踪的目标分割掩码。
为支撑该任务，团队构建了首个经人工验证的基准数据集ST-Evidence，涵盖判别式与生成式像素级定位。评估显示，当前最先进的模型在问答准确率与真实视觉感知之间存在严重脱节，单纯扩大模型规模无法弥补这一鸿沟。为解决此问题，研究者开发可扩展的自动化生成流程，创建了包含16万样本的大规模数据集ST-Evidence-Instruct，将高层推理与细粒度视觉定位紧密连接。
用该数据集微调带有视觉定位能力的视频大模型后，效果显著提升：例如在70亿参数模型上，t-mean得分提升27.2，J&F得分提升13.8，相较于同等规模的基线模型。这为可解释、有证据支撑的视频理解建立了坚实基线。代码与数据已公开。
当模型学会“看”证据，而不是只“猜”答案，视频理解才真正从黑箱走向透明。未来，每一帧画面都可能成为推理的证人，而不仅仅是娱乐的片段。
想象一下，你正试图用AI生成一段逼真的雨声、一段钢琴旋律，或者一个人说话的声音。理想情况下，模型需要既能高保真地还原每一个细微的音色，又能把海量音频数据压缩成紧凑的“代码”，让生成过程快如闪电。但过去，这两者往往难以兼得——要么压缩太慢，让训练和推理变得笨重；要么重建质量大打折扣，声音像隔着层雾。
Qwen-Audio-VAE团队正是为了解决这个矛盾而设计的。他们构建了一套“连续音频自编码器”家族，核心原则简单却深刻：音频VAE不仅要高质量地重建多样化的音频，还必须产生足够紧凑的潜在表示，且编码速度要快，才能支撑大规模文本到音频的训练。
为了做到这一点，模型采用了因果编码器-解码器架构，搭配窗口Transformer块和多判别器训练。这就像给声音装上了一个精密的“翻译器”：先快速把原始波形压缩成低比特率的潜变量，再准确解码回波形。为了让这套系统在各种声学环境下都能稳健工作，团队在500万小时的多领域音频数据上进行了大规模训练——这相当于一名人类不停歇地听上5700多年。如此海量数据的喂食，让模型足以应对从语音到音乐、从环境音到合成音的各种复杂条件。
更巧妙的是，他们进一步优化了计算效率。通过非对称的编码器-解码器结构，并引入了“延迟感知编码器剪枝”技术，编码速度被推向极致：在公开的语音、音乐和声音重建基准测试中，Qwen-Audio-VAE展现出强大的跨领域泛化能力。最令人印象深刻的是，它编码32分钟长的音频仅需541毫秒——几乎是实时的3000倍以上。
这意味着什么？想象你拥有一台超高速摄像机，能瞬间拍下几小时的画面，再以极低的存储成本保存。对于音频生成领域来说，Qwen-Audio-VAE正是这样一台“声音摄像机”——它为大规模、高效率的通用音频生成提供了高质量、紧凑且高吞吐的表示基础。当技术不再在速度与品质之间妥协，声音创作的门槛正在被悄然降低。或许不久后，只需一句话，AI就能在几秒内为你生成一部完整的广播剧配乐。
你是否曾幻想过，随身携带的AI助手能像你一样，清晰记得上周二你放在桌上的钥匙，或者三周前和朋友聊过的那部电影？如今，一个名为LightMem-Ego的系统正在将这一幻想变为现实。
这个由研究者打造的轻量级流式多模态记忆系统，专为智能手机和AI眼镜等移动设备设计。它通过持续捕捉用户的第一人称视觉和音频流，将日常生活的点点滴滴汇集成一个三层记忆结构：当前记忆、短期记忆和长期记忆。这三层记忆如同一个智能书架——最新的事件放在手边，稍旧但有价值的信息按时间归档，而远去的往事则被深度存储，等待被唤醒。
当用户提出一个关于过去的问题，比如“我把车钥匙放哪了？”或“上周三的会议中，谁提议了那个方案？”，LightMem-Ego并不会盲目搜索所有记忆。系统会动态评估问题的性质，然后精准地路由到最合适的记忆层级。如果是几分钟前的事，当前记忆直接给出答案；如果是数天前，短期记忆介入；若是数周乃至更久，长期记忆则被激活。整个过程无缝衔接，答案不仅准确，还会附上多模态证据——一张照片的缩略图，或是一段音频的波形图，让回答有据可循。
这个系统的强大之处在于它的轻量化。传统的记忆系统往往需要在云端运行庞大的模型，而LightMem-Ego被设计成可以在智能手机和AI眼镜上实时运行，无需牺牲性能或电池寿命。它的应用场景令人眼前一亮：帮你快速找到丢失的物件、回顾一次完整的对话、总结过去一周的生活轨迹、发现你从未注意到的日常习惯，甚至提供个性化的辅助建议——比如根据你每次煮咖啡的步骤，提醒你是否忘了加糖。
值得注意的是，LightMem-Ego并不是一个遥不可及的实验品。研究团队已经公开了代码，任何人都可以尝试部署。它代表了人机交互的一个关键转折点：从被动响应用户指令，到主动理解和记忆用户的经历。当AI开始拥有自己的“记忆库”，它的每一次回答都不仅仅是搜索，而是对用户生活的深度理解。
记忆的边界正在被重新定义，未来的AI将真正成为生活的延伸。
想象一个能真正理解物理世界的智能体：它不仅会动，还能在行动前预判后果，并不断自我优化。这正是通用人工智能（AGI）的最高追求——自主地在现实环境中推理、决策并行动。当前，行动模型、视觉-语言-行动策略和世界模型等方向都在朝这个目标迈进，其中世界动作模型（WAMs）尤为亮眼，因为它第一次将候选干预与预测后果直接挂钩，让机器拥有了“如果做X，就会发生Y”的因果推演能力。
然而，现实却是一盘散沙。不同模型使用着互不相通的“动作空间”和“预测目标”，数据集和任务遵守着各自的规则，就连运行时系统也缺乏统一的接口来支持复用和评测。这种碎片化状态造就了三个环环相扣的鸿沟：一是模型角色与表示方式的混乱（谁来推理、谁来预测、谁来执行）；二是目标与标准化缺失（缺乏公认的评价基准和损失函数）；三是系统组合困难（不同组件难以组装成协同工作的整体）。
基于这一诊断，研究者提出了一套协同进化路线图，核心概念是“具身大脑”——一个长期目标模型。它不直接输出电机的转速或机械臂的角度，而是整合多模态上下文，在多个候选方案中比较优劣，然后发出状态转换或能力请求（比如“抓取那个杯子”），再交由下层执行系统去解读和实现。这种抽象层级让模型摆脱了硬件绑定的枷锁，从而更易迁移和泛化。
要让“具身大脑”的输出落地，需要一套“物理装备”：包括工具库（比如不同型号的机械手）、控制器（把请求转化为具体动作）、验证模块（确认动作是否安全且有效），以及追踪日志（记录每一次交互的细节）。而共享契约则像一份通用协议，让异构的模型、数据集、任务和硬件能在同一规则下对齐沟通，不再鸡同鸭讲。
最后，闭环后训练机制将验证通过的交互经验转化成可复用的“记忆”，让智能体从每次失败或成功中自我修正，不断进步。这些组件加起来，就是一套模块化的物理智能栈，为自适应的、自我完善的具身智能体提供了现实可行的架构。
从混沌到秩序，从碎片到拼图，世界动作模型或许不是在造一个更强的算法，而是在铺设一条通往物理世界通用智能的底层轨道。当智能体不再只是“听懂你说话”，而是能“看懂世界并动手改变它”时，真正的AGI才算迈出了最坚实的一步。
想象一下，你不再需要佩戴笨重的智能手表或贴满电极贴片，而是用一支特殊的笔在手臂上画个卡通图案，就能实时监测心跳、肌肉活动和脑电波。这并非科幻电影的情节——来自宾州州立大学、麻省理工学院和中国苏州研究所的科学家们，共同研发出一种可以直接涂在皮肤上的导电聚合物墨水。
这种新型材料像皮肤一样透气，并且能精确追踪生物信号。研究团队在测试中发现，当志愿者出汗后，用它记录的心电图信号依然保持95.1%的一致性，这意味着汗水几乎不会干扰监测效果。更令人惊讶的是它的呼吸能力：在人体温度下，这种墨水允许水蒸气透过的速度，比标准医用敷料Tegaderm高出十倍以上。传统可穿戴设备往往因为胶布或腕带阻碍皮肤散热而令人不适，而这项突破几乎消除了这种困扰。
这种墨水的配方并不复杂：将一种导电聚合物与常见的软塑料混合，形成柔韧导电的涂层。目前宾州州立大学已经提交了临时专利申请。团队最兴奋的应用场景之一，是将电极设计成孩子们喜欢的卡通形象——比如皮卡丘。这种“涂鸦式”监控能让害怕医疗检查的小朋友安静配合。更长远地看，它还可能用于人体交互界面、植物生长监测等领域。
然而，这项技术从实验室走向现实仍需时日。目前的安全测试还很初步：仅进行过24小时皮肤贴敷测试、初级的细胞毒性筛查，而关于磁共振成像（MRI）兼容性的问题尚未解决。因此，那些可爱的皮卡丘纹身电极暂时只能停留在研究阶段。或许正是因为这种谨慎，才让这项创新既令人憧憬又真实可信。当每一个可穿戴设备的薄弱环节都是与皮肤接触的部分时，这种能够像第二层皮肤般存在的墨水，无疑比任何绑带或胶贴都更优雅。但科学的魅力不仅在于创造惊艳，更在于为其安全负责地盖上封印。
布鲁塞尔的立法者们正酝酿一场针对儿童数字安全的革命。欧盟委员会主席冯德莱恩在上周一勾勒出一幅分级蓝图：三岁以下不得接触屏幕，十三岁以下需监护陪同，青少年则可逐步解锁社交权限。这份报告直言不讳地指出，Instagram、TikTok等主流平台虽早已禁止13岁以下用户注册，但自律机制已然失灵。
法律提案将在数周内提交，然而成员国间的分歧如暗礁般起伏：西班牙坚持16岁，法国选择15岁，爱沙尼亚和比利时则直言年龄禁令根本无法执行。就在上周五，布鲁塞尔初步认定Facebook和Instagram的成瘾性设计违反欧盟法律，警告Meta修改其功能。澳大利亚、英国、土耳其、印尼已率先禁止低龄青少年使用平台，但欧盟若通过这项法案，将成为全球最大市场，首次将社交媒体对儿童不安全的假设写入法律。提案本身已无悬念，真正的战场在于年龄截点与限制的深度。
这场博弈揭示了一个微妙的事实：科技公司倾力打造的“安全防线”在监管者眼中不过是纸上谈兵。当儿童成长为数字原住民，与其说我们在争论几岁才适合触碰社交网络，不如说我们正试图在自由与保护之间寻找一个难解平衡——而所有选项都指向同一个核心：责任，应当由谁来承担？
中国海上网捕火箭助推器成功原文
2025年某个清晨，海南发射场腾起一道火光，63米长的长征十号乙火箭托举卫星升空。六分钟后，一级火箭完成分离，没有像人们熟悉的猎鹰9号那样张开四条腿垂直降落，而是带着四个钩子飘然落向南海一艘改造过的回收船。船上预先张开的巨大缆网精准接住了这截15层楼高的金属巨兽——中国由此成为全球第二个成功回收轨道级火箭助推器的国家，而且没有复制SpaceX的着陆腿方案。
这次回收的关键在于把原本附在箭体上的笨重设备转移到了船上。助推器接近回收船时，栅格舵附近的四个钩子自动展开，钩住了甲板缆网上的钢索。缆网连接着可移动的滑动机构，能够在船只摇摆中缓冲冲击力。相比猎鹰9号在陆地或驳船上垂直着陆，这种“主动捕捉”方式让助推器减重约1.5吨，省去着陆腿和复杂的姿态调整燃料，理论上能多运载更多货物。
中国计划在年底前重新发射这枚回收的助推器，重复使用的是火箭一段箭体。更重要的是，长征十号乙的一级与未来承担载人登月任务的新一代载人火箭完全通用——这意味着万一捕获失败的技术试错成本可以被卫星发射任务的收入消化。它的日常工作就是发射商业卫星和空间站补给，而回收测试同时为载人月球任务积累火箭复用经验。
但一次成功与成熟复用之间隔着天壤之别。SpaceX至今已完成数百次火箭回收和重复飞行，其猎鹰9号的着陆腿方案历经十年迭代才达到90%以上的成功率。中国只捕获了这一枚，接下来它需要证明自己具备持续回收能力，尤其是应对更复杂的变轨返回、海况突变等场景。不过，将回收硬件移到船上的思路一旦验证，可能会催生一种更轻巧、更低成本的火箭回收路线——尤其是在没有足够陆地回收场的情况下，海上移动平台天然适应中国海岸线漫长的地理条件。
从追赶者到规则改写者，这枚被网兜住的火箭不仅仅是一次技术试验，它提醒世界：航天赛道上并非只有一种跑法。真正的竞争或许在于，谁能在保持可靠性的同时，用更快的速度兑现“复用”二字的商业价值。
在路易斯安那州里奇兰教区，一个原本计划耗资270亿美元、容量2吉瓦的数据中心项目，如今正以惊人速度膨胀：Meta将其升级为5吉瓦、总成本突破500亿美元的巨型AI基地“Hyperion”。这笔巨额投资不仅拉动当地建筑业爆发式增长，更让部分教师意外收到超过5万美元的奖金支票。
建筑热潮之下，里奇兰教区已有16亿美元合同流向本地企业，其中超过10亿美元被专门用于道路、供水等基础设施升级。更令人瞩目的是，这场建设带来的地方销售税收入激增，使得教区得以向符合资格的认证教师发放最高5万零935美元的奖金，支持人员则拿到最高1万7472美元。这些奖金并非Meta的直接捐赠，而是由建设项目催生的临时税收红利。教区官员预计，这笔意外收入将持续到建设高峰期结束，约在2030年代初。
然而，故事的另一面是：教师们的奖金来自建筑时期的临时性销售税，而永久性的财产税——一座500亿美元设施的巨大税基——已被Meta通过谈判大幅压低。这意味着，Hyperion数据中心尚未正式启用，教区可能就已经度过了其财政最辉煌的年头。长期来看，当建设工人退场、税收结构由临时转向长期时，地方财政能否持续受益仍存疑问。这场科技巨头的豪赌，一边为当地带来即刻的现金甘霖，一边也埋下了未来可持续性的隐忧。
想象一下，你与AI对话时，它不仅回答你，还会根据你使用的语言改变自己的“性格”。Anthropic的最新研究将这一现象推到了聚光灯下。他们对Claude模型在309,000次用户对话中的表现进行了量化分析，发现不同模型在四个性格维度上展现出截然不同的气质：温暖与严谨、坦诚与执行、深度与简洁、顺从与谨慎。数据显示，Sonnet 4.6表现得更加温暖而简洁，Opus 4.6则“直截了当”，而Opus 4.7则兼具坦诚与谨慎。
更令人惊讶的是，语言环境竟能重塑模型的行为。当用户使用荷兰语交流时，Claude更倾向于承认错误；印地语对话中，温度明显升高；而英语则促使模型深入挖掘细节。研究团队坦言，他们尚未理解这些差异产生的原因，也无法判断这是否是理想状态，但怀疑这与不同语言训练数据的不均衡有关。
这种微妙的变化并非孤立现象。Anthropic一直致力于探究AI内部运作机制，而这次发现揭示了AI个性中一个被忽视的盲点：用户群体的语言偏好可能会塑造截然不同的AI交互体验。如果Claude如此，那么其他AI模型很可能也具备相似的特性，这或许意味着，那些被忽视的语言用户群体，正生活在AI个性偏见的巨大阴影之下。我们与AI的每一次对话，都在无形中塑造着它的灵魂，而它的灵魂又反过来影响着我们。
苹果公司对OpenAI提起诉讼，意外点燃了埃隆·马斯克与山姆·奥特曼之间新一轮口水战。这场争吵迅速从法庭蔓延到社交媒体，两人在X平台上互相攻击，言辞之激烈堪比街头斗殴。
马斯克连发数条帖子，指责奥特曼“把骗术提升到了全新高度”，甚至声称他“可能比任何活着的人都更热爱骗人”。他进一步指控奥特曼窃取了“所有苹果手机技术”，试图将OpenAI的崛起描绘成一场精心策划的骗局。
奥特曼不甘示弱，直接反击马斯克：“老兄，你才是那个向公开市场投资者推销短期空间数据中心的人。”他巧妙地将矛头指向马斯克旗下SpaceX的争议项目，暗示对方才是真正贩卖“空中楼阁”的人。
马斯克则回击：“我们明年就开始飞行这些数据中心。如果你的假释官批准，你可以来看看。”这番回应既展示了SpaceX的技术自信，又暗讽了奥特曼的“监管风险”。
奥特曼最后使出一记软刀子，在X上开玩笑说：“证明我们新模型GPT-5.6 Sol是世界最佳的最好证据，就是埃隆又开始迷恋我了。”这一调侃将双方的私人恩怨与技术竞争画上等号，让围观者忍俊不禁。
这场争吵的背景并不寻常。就在几个月前，马斯克诉奥特曼案还惊动了法官，法院不得不下令双方停止互相攻击。尽管5月裁决已下，但两人的敌对情绪显然没有丝毫消解。从苹果诉讼到个人恩怨，从AI研发到太空争夺，两人所代表的科技阵营正在多个战场上正面碰撞。看着两位全球最具权势的科技大佬像孩子一样互相叫骂，这种荒诞感让人既觉得可笑，又忍不住思考：在技术和资本已经难分彼此的今天，这样的闹剧或许正是行业竞争白热化的最佳注脚。
一份由斯坦福大学组织、超过200位AI研究者和经济学家联合签署的声明——“我们必须立即行动”，刚刚向全球政府发出警告。签署者中包括16位诺贝尔奖得主，以及谷歌的杰夫·迪恩、Anthropic联合创始人杰克·克拉克、OpenAI的诺姆·布朗等AI实验室领军人物。声明核心指出三件事：AI将在十年内变得“指数级更强大”；这场变革可能是人类历史上规模最大、速度最快的一次；准备工作必须从今天开始。弗吉尼亚大学经济学家安东·科里内克打了个比方：“蒸汽、电力和计算机分别给了社会几十年的时间来适应，而AI可能只给我们几年。”这份声明没有列出具体政策建议，但集结了大量重量级签名，传递出一个清晰主题：世界现有的结构，根本跟不上即将到来的变化速度。然而，专家们对于失业等问题依然分歧严重，而政府又向来以行动迟缓著称——让这么多大人物一起敲响警钟或许并不难，真正艰难的，是如何让警示变成行动。今天签下名字，只是万里长征的第一步。
在图像生成领域，强化学习常需依赖一个额外的奖励模型来评估生成结果的好坏。但训练这样的奖励模型既昂贵又耗时——收集人类偏好标签、微调模型、处理分布偏移，每一步都可能让研究者望而却步。一项新研究却提出了一个让人意外的方案：为什么不直接利用多模态大语言模型（MLLM）已有的图文对齐能力，绕过所有训练步骤呢？
这个名为SpectraReward的奖励函数，灵感来自一个简单却深刻的洞察：如果一张图像能准确反映文本提示，那么用这个图像去反向推导出原始文本提示的难度就会很低。具体来说，研究者让MLLM以生成的图像为条件，通过教师强制的方式计算它重新生成原始提示的对数似然，然后取平均值作为奖励分数。整个过程不需要任何偏好标签，也不需要微调MLLM——它只是“借用”了模型本身已经学会的图文匹配能力。更令人惊叹的是，他们进一步提出了Self-SpectraReward：在统一多模态模型中，让模型自己的理解分支充当生成分支的奖励模型，形成一种闭环的自我改进框架。这意味着，一个模型可以一边生成图像，一边用自己的“知识”评判自己的产出，完全不需要外部干预。
实验覆盖了两种扩散模型、三种强化学习算法、九个来自四个MLLM家族的奖励模型（参数量从4B到235B），以及五个超出训练分布的文本到图像基准。结果一致显示，SpectraReward和Self-SpectraReward都显著且稳定地提升了图像生成质量，且优于此前所有基于MLLM的奖励训练方法。一个有趣的发现是：更大的奖励MLLM并不总是更好，而Self-SpectraReward尽管使用更小的内部模型，却能匹配甚至超越体积大得多的外部奖励模型。这暗示了一个关键原则——奖励模型与策略模型之间的对齐度，或许比单纯追求模型规模更重要。
那些我们以为必须通过额外数据和训练才能获得的能力，也许早已隐含在模型已有的知识中。当我们不再执着于为每个任务定制评判者，而是让生成者同时成为自己的最诚实观众时，自我迭代的大门便悄然打开了。
现有的视觉编码器大多在自然图像上预训练，面对密集文本和精细字符笔画的文档图像时往往力不从心。研究者意识到，文档智能需要一种更贴近字符级感知的视觉表征，而MonkeyOCRv2正是为此而生。团队首先构建了名为MonkeyDoc v2的文档图像预训练语料库，据称是当前最大的同类数据——涵盖17种语言、共计1.13亿张图像。在此基础上，他们提出一种联合预训练策略：一方面通过图像到文本生成任务，让视觉表征与文字内容对齐；另一方面进行像素级文档重建，确保字符笔画和版面布局的细节不被丢失。实验覆盖了五项典型的文档分析任务：文本识别、公式识别、文本检测、文档篡改检测以及重叠文本分割。结果令人振奋：将原始编码器替换为MonkeyOCRv2后，五项任务的性能均得到一致性提升。更进一步，研究者将MonkeyOCRv2作为视觉编码器嵌入多模态大语言模型，在更复杂的文档解析和理解场景中测试其潜力。当编码器被冻结并与一个轻量语言模型搭配时，仅0.7B参数的文档解析模型便在MDPBench上刷新了开源最优记录——一个覆盖17种语言数字原生与拍摄文档的权威基准。相比此前最佳3B模型，它取得了2.8%的绝对提升，而视觉编码器体积却缩小了约11倍。同样被冻结的编码器还驱动了一个文档理解模型，在八个基准上全面超越基于CLIP、DINO和SAM的同类模型（训练设置完全一致）。这些结果清晰地表明：面向文档的视觉预训练，本身就能成为文档智能的坚实基石。当机器学会在像素与文字间捕捉细微的笔画，文档的边界或许不再是信息流通的阻碍，而是理解世界的起点。
想象一下，只需输入几句歌词和一个风格描述，AI就能为你创作一首完整的歌曲，甚至带有人声演唱——这就是Qwen-Music带来的变革。这个强大的音乐生成模型不仅支持从零开始的文本到音乐生成，还能将已有歌曲用不同风格和嗓音重新演绎。它的核心架构由三个关键部分构成：首先是Qwen-Music-Tokenizer，将音频压缩成每秒25赫兹的单码书音乐语义标记，如同为声音绘制出一幅简洁但信息丰富的简谱；接着，Qwen-Music-LLM在这些标记上进行自回归建模，其突破性在于引入了基于旋律标记的思维链机制（Melody-CoT），让模型在生成整首歌之前先规划旋律走向，从而大幅提升创造力、音乐性、结构连贯性，甚至能根据参考音频进行旋律克隆；最后，Qwen-Music-Render进行生成式立体声渲染，为离散的语义标记补充丰富的声学细节，输出高保真的立体声波形。这一切的背后，是超过500万小时的多语言音乐数据训练，涵盖数百种语言。训练过程采用了质量感知预训练课程，随后通过渐进式后训练——包括监督初始化、离线DPO和在线GSPO——进一步优化了音乐性和指令跟随能力。在面向600个中文和英文提示词的评测中，Qwen-Music在16项客观音乐性和音频质量指标中取得了13项最优结果。专业评估师也更偏爱Qwen-Music，认为它超越了领先的商用系统。而在翻唱生成任务中，它保留参考旋律的精确度同样胜过主流方案。
当AI学会谱写旋律与情感，音乐创作的门槛正在被悄然降低，但人类对旋律与情感的追求依然是真正的核心——技术只是赋予了想象力一双更自由的翅膀。
摘要
你是否曾想象过，一台机器不仅能够回答问题，还能反思自己的回答是否准确？这听起来像是科幻小说中的情节，但如今，它正成为人工智能研究的前沿课题。元认知——这个心理学中用来描述“对认知的认知”的概念，正悄悄走进大型语言模型的世界。
在人类智能中，元认知是学习、解决问题和决策的核心。比如，当你解一道数学题时，不仅要知道答案，还要评估自己是否做对了；当你与人交流时，会察觉到对方是否理解自己的话。这种自我监控和调节的能力，被认为是高级智慧的基础。然而，在AI领域，尤其是大型语言模型蓬勃发展之际，一个重要问题浮出水面：这些模型究竟能否拥有类似的能力？如果有了，又能如何提升它们的可靠性？
一项新发布的综述论文系统梳理了这一问题。研究者发现，虽然LLM在翻译、编程、对话等任务中表现出色，但它们的“自知之明”却依然模糊。例如，当你问一个模型“你确定这个答案正确吗？”，它可能自信满满，却频频出错；或者它能在简单问题上指出自己“不确定”，但在复杂推理中毫无察觉。这种缺乏自我监控的状态，正是目前AI面临“黑箱”困境的根源之一。
论文通过分类和总结，展示了当前研究的全景。技术上，研究者已经开发出各种基准测试来衡量LLM的元认知能力——比如让模型回答后评估自信度，或者检测它们能否主动意识到知识盲区。还有的方法通过提示工程或微调来激发元认知，比如要求模型“先思考再回答”，或加入“内部反思”环节。有趣的是，一些实验表明，让模型生成“推理链”不仅能提高准确性，还隐含了某种元认知过程。
然而，挑战同样明显。元认知能否真正内化，还是仅仅模拟？目前的模型在被问到“我是否存在错误”时，往往依赖于训练数据中的统计模式，而非真正的自我理解。此外，过度自我怀疑可能反而降低性能，如何平衡“确信”与“反省”，是一个开放问题。研究者也指出，元认知不可被简单当作一种“插件”，它需要与模型的基础能力协同发展。
在应用层面，元认知有望让AI更安全、更透明。例如，医疗诊断模型若能主动报告“我不确定这个症状，请咨询医生”，将大大减少误判。在法律、金融等高风险领域，自我怀疑的能力可能比“答对所有题”更为重要。更长远看，这或许通向一种新的AI范式——不追求万能答案，而是学会“知道自己的不知道”。
这篇综述不仅仅是对现状的盘点，更是一次发人深省的叩问。当一个系统开始审视自己的思考链条，它离真正的智能还有多远？也许，答案就藏在那份永远在路上的自知之明里——既是对机器的期许，也是对人类自身智慧的致敬。
大模型后训练是提升领域能力的关键，但现有方法将策略探索与分布对齐强行耦合，导致计算成本高昂且信号无法复用。PUST框架彻底打破这一桎梏：它用一个轻量级代理模型作为“试验床”，让代理通过探索发现高奖励行为，再将其初始状态与优化后的相对改进信号提取出来，转移给主模型指导对齐。整个过程分为三步——代理探索、信号提取、信号转移——从而允许异步生成、缓存和复用优化信号。更关键的是，PUST只传递相对改进而非绝对策略分布，自然而然地支持从弱到强的提升，并能跨模型无缝迁移。在Qwen3系列模型的数学和代码领域实验中，从显著更弱的代理中提取的更新信号，竟能稳健且可调节地增强更强大的主模型。最终，PUST将后训练从单一在线优化过程，转变成一种高度模块化、可重用、成本高效的范式。不依赖笨重的架构改造，只靠巧妙的信号解耦，便让模型训练的效率与灵活性迎来质的飞跃。
想象你正站在一片荒芜的虚拟土地上，四周只有文字描述和几张零散的照片——你希望它们瞬间变成一座可以自由穿行的3D城市，每一片砖瓦都栩栩如生。如今，只需一个模型，这个愿望就能实现。ABot-3DWorld 0，一个通用多模态3D世界模型，正式登场。
它的核心秘密是一套小巧的空间生成原语（SGP），由一张高质量全景图和一个空间点云组成，像一把钥匙，能高效描述任意3D空间。无论你输入的是文字、图像还是视频，系统都会先将它们转化为这把钥匙——对于多视角图片或随手拍的单反视频，它会通过几何恢复精确重建原貌；对于一张照片或一句话，它则发挥创造力，补全出一个符合描述的奇幻世界。
接着，一个3D一致的全景视频生成器沿着规划好的轨迹探索这把钥匙，生成完整的全景视频。最后，全景视频重建引擎将视频转化为干净、照片级真实的3D高斯泼溅世界（3DGS）。整个过程像一条流水线：原材料进来，经过精巧处理，一件可探索的3D作品就诞生了。
更妙的是，ABot-3DWorld 0还具备地理锚定能力——它能将生成的3D世界对齐到真实地图上的兴趣点，让普通用户也能像玩地图一样，在网页上自由缩放、旋转、行走，真正实现低门槛的3D内容创作实验。在基准测试中，它击败了所有其他开源方法，尤其在处理丰富多模态输入时，场景保真度超越了同领域知名模型Marble。
想象一下，未来的旅行攻略不再是静态照片，而是你输入“巴黎街角的咖啡店”后生成的、可随意漫步的3D场景。每一次探索，都是对现实的一次数字重构。技术正在降低门槛，让每一个创意都能拥有一个立体的家。
近年来，基础图像与视频生成模型展现出强大的泛化能力和可控性，但直接应用于具身智能场景时，却因多视图一致性、几何连贯性及机器人具身约束等要求而受限。现有方法通常依赖有限的机器人数据微调基础模型，牺牲了大规模预训练获得的视觉知识。为此，小米机器人团队推出了一款名为Xiaomi-Robotics-U0的380亿参数多模态自回归模型，将具身生成视为基础图像和视频生成的延伸，联合优化文本到图像生成、图像编辑、具身场景生成、具身迁移以及具身视频生成五个任务。
这一统一框架在保留预训练世界基础模型泛化能力的同时，使其适配具身场景。U0模型首次支持多机器人形态下的高质量多视图场景生成，并引入结构化的可控具身迁移，能在保持多视图一致性和交互动态的同时进行精细编辑。在单步和序列生成任务中，U0达到业界最佳水平：在具身场景生成与迁移的人类评估中超越GPT-Image-2.0，在具身视频生成领域排名World Arena第一，并在真实世界的复杂操控任务中，将pi_0.5模型在分布外场景下的成功率从36.9%提升至63.2%。
这些成果表明，基础世界模型既能作为具身世界模型，也能成为可扩展的具身智能数据引擎。也就是说，当模型学会像世界一样生成，它也就学会了像机器人一样行动。当生成与执行合二为一，机器人的“想象力”便成了真实世界中最有力的工具。
数十亿参数的视觉语言模型能理解图片中物体之间的关系，却常常数不清眼前的苹果到底有几个。这种人类看来再简单不过的计数任务，成了多模态大模型最尴尬的短板。究竟是什么地方出了差错？模型是真的不知道答案，还是明明知道却说不出来？
为了回答这个问题，研究人员在四个不同规模的视觉语言模型上展开实验，覆盖了五个常用的计数数据集。他们设计了一种精巧的“探针”——一个简单的非线性分类器，直接接在模型内部激活层上。结果令人惊讶：这类探针能以极高的准确率预测模型在当前图片上的计数是否出错。换句话说，即使模型嘴上给出了错误的数字，它的神经活动却悄悄暴露了正确的答案。
进一步的分析使用了SVCCA（一种衡量两组特征之间共享子空间的方法）。结果显示，基于正确答案训练出的探针和基于模型实际输出训练出的探针，两者所读取的并非同一组方向。它们占据的神经活动子空间有重叠，但就像是两个人面对同一张地图，却指着不同的坐标。这意味着模型内部确实编码了正确的计数信息，但输出层却没有成功调用它。
研究人员没有止步于此。他们采用了一项更强硬的因果手段——“概率方向干预”。通过向模型内部注入沿着计数探针方向变化的微弱信号，模型的计数性能真的得到了提升。这不仅验证了内部知识的存在，更证明了这些知识是“可调用的”。
基于这一发现，团队提出了一种极其简洁的推理时自纠正方法。他们训练一个内部错误检测器，只在模型准备给出错误答案时才介入，重新提示模型再思考一次。整个过程不需要更新任何参数，只依靠探针的实时判断来决定是否“拉回”模型。在多个基准测试上，这一策略将计数准确率最高提升了15.6个百分点。
这项研究为视觉语言模型的内部机制打开了一扇窗。它告诉我们，模型的知识储备常常比它的回答更丰富——错的不是记忆，而是表达。当模型迷失在表象中时，它内心深处的“良知”或许就是最好的纠错指南。在模型变得越来聪明之前，也许我们首先需要教会它如何信任自己的直觉。
想象一下，你给一个擅长图像识别的AI看一张几乎毫厘之间被篡改过的猫的照片——猫的耳朵加了一点像素噪音，AI就会把它错认成狗。这就是对抗攻击的威力。最先进的视觉语言模型如CLIP，虽然能在日常场景下精准识别万物，但面对这种刻意制造的微小扰动，它们的表现会断崖式下降。
以前人们怎么解决？一种常见思路是在测试时让模型自己调整，根据每个样本的置信度来修正预测。但这种方法有个致命漏洞：它只看单个样本有多自信，却没看到数据内在的分布结构。一个自信的误判和一个真正的正确判断，看起来可能一模一样。
RITA的核心洞察是：对抗攻击虽然能破坏整体表征，却很难同时摧毁同一物体多个不同视角下的语义一致性。就像给一幅油画泼墨，整体画面虽被污染，但不同角度留下的残影依然指向同一个主题。基于此，研究者将视角从“样本级”提升到“分布级”。他们让模型生成同一图像的多张增强视图，然后用最优传输这一数学工具，将这些视图特征的分布与文本原型精确对齐。这等于把分散的线索拼成一张地图，对抗扰动中被扭曲的异常点自然就被过滤掉。
更巧妙的是，RITA引入了一个动态缓存机制：它不断吸收测试流中积累的可靠线索，在线优化自身。随着时间推移，缓存越来越纯净，模型也越来越抗干扰。大量实验证实，RITA在不影响正常样本识别精度的前提下，大幅提升了对抗鲁棒性——即使攻击者在每张图上都做手脚，RITA依然能稳稳抓住语义的真实锚点。
对抗攻击或许能骗过单个判断，但永远无法伪造一种分布——当很多视角凝聚成共识，真相便无可辩驳。
想象一下，当机器人执行拿杯子、倒水这类操作时，过去是僵硬地一步步“卡点”动作——每帧预测一个离散位置，像逐帧播放的慢动作。现在，一项名为B-spline Policy（BSP）的研究带来了颠覆性改变。它不再输出支离破碎的动作片段，而是用数学上的B样条曲线来“画”出整个动作轨迹。这种曲线由一组结（knots）和控制点定义，天然平滑、连续，还能随意拉伸或压缩时间轴，让机器人的手臂可以像舞者一般流畅加速，以更高频率执行指令。在模拟和真实世界的实验中，BSP让任务完成时间大幅缩短，相比基准方法明显更快，同时成功率依然坚挺。这意味着机器人不再笨拙地“点对点”跳动，而是拥有了更接近人类的连续动作思维。动作不是僵硬的指令集合，而是流动的曲线。未来，或许机器人挥臂就能像画家运笔一样一气呵成。
近年来，以VGGT为代表的3D几何基础模型，能够直接从输入图像中预测相机位姿和三维场景点，实现前馈式重建。然而，这些预测结果仍不够精确，尤其在处理长序列或大规模无序图像集时，通常需要分块处理，这会导致累积漂移和几何不一致。Glob3R应运而生，它将全局SfM（运动恢复结构）的理念融入3D基础模型，核心思路是：对前馈几何预测进行显式优化。
具体来说，Glob3R在冻结的Pi3X骨干网络上，附加了一个轻量级的密集匹配头。这个匹配头能在选定的参考帧和相邻视图之间预测图像扭曲（warp），这些密集扭曲随后被转化为稀疏但可靠的多视图特征轨迹，为全局优化提供可靠的对应约束。为了解决可扩展性难题，研究团队引入了基于关键帧的滑动窗口关联策略：在重叠的窗口之间传播特征轨迹和相对位姿，使得重建能够拓展到大规模图像集。最终，通过全局运动平均和光束法平差，精确修正相机位姿、消除尺度不一致，并恢复稠密的场景几何。
这套方案在室内、室外、大规模驾驶场景以及无序SfM基准数据集上接受了考验。结果显示，Glob3R不仅重建鲁棒且精准，还一致优于前馈式基础模型基线和近期的可扩展重建方法。与经典SfM流程相比，它展现出更强的鲁棒性。进一步实验表明，优化后的位姿能显著提升神经渲染的质量——这验证了将基础模型先验与全局几何优化相结合的巨大潜力。
从杂乱无序的二维图像到精确一致的三维世界，Glob3R架起了一座桥梁。它告诉我们：最强大的智能，往往诞生于先验知识与严谨约束的优雅融合。对于众多依赖精确三维感知的应用——从自动驾驶到数字孪生——这或许是一盏值得追随的航灯。
设想一下，从现在到2040年，人工智能的发展将如何塑造我们的世界？一个名为“AI未来计划”的非营利组织刚刚发布了一份名为《AI 2040》的报告，它如同一部“选择你自己的冒险”小说，描绘了五种截然不同的未来路径。
报告的核心是从2029年的同一个分叉点出发，探索五种可能的情景：全速AI竞赛、单边延迟、对抗、合作，以及全球暂停。最引人注目的是被推荐为“A计划”的方案：建议美国和中国在2029年暂停前沿人工智能模型的训练，同时扩大全球芯片追踪并将研究公开化。这个方案听起来很理想，但前OpenAI研究员、该报告合著者丹尼尔·科科塔伊洛却预测“公司不会喜欢它”——因为顶级实验室需要配合前所未有的透明度。
这份报告的独特之处在于，它并非凭空想象。其早期版本《AI 2027》曾描绘过AI竞赛以灭绝或单一权力夺取告终的极端情景，甚至引起了美国副总统JD·万斯的注意，他曾表示：“我对这些事情感到担忧。”如今，这份新报告在此基础上进一步延伸，考虑了更广泛的政策干预和社会选择。
无论你站在“加速发展”还是“暂停关闭”的阵营，这些情景都经过了深思熟虑。对于那些曾经身处人工智能核心圈的人来说，他们的推演往往是我们能够拥有的最佳地图。毕竟，没有人知道未来十年AI将如何发展，但倾听这些“内部人士”的视角，或许是我们最接近答案的方式。
苹果公司近日向法院递上一纸诉状，矛头直指OpenAI、其硬件主管唐谭以及io设备部门。苹果指控，对方将一场针对苹果的挖角狂欢，变成了源源不断的硬件机密窃取渠道，甚至试图重新设计苹果实验室尚未发布的设备。
故事要从一封二月发出的信说起。苹果在信中向OpenAI明确指出了疑似窃取机密的行为，却如石沉大海，未收到任何回应。如今，超过400名前苹果员工已在OpenAI找到了新岗位。其中硬件主管唐谭尤为引人注目——他在苹果效力24年后转投OpenAI，据说在面试时，他会要求候选人“带上实际零件”。更令人侧目的是前iPhone工程师刘畅的案例。加入OpenAI后，他被控利用系统漏洞获取苹果的机密文件，还曾得意地给同事发消息称这种访问权限“太搞笑了”。
面对这些指控，OpenAI的回应简短而坚决：“对其他公司的商业秘密毫无兴趣”，并将“持续专注于构建能够让所有人受益的创新技术”。
这场风波的意义远不止于法律层面。如果人们还在猜测OpenAI与苹果之间关系究竟如何，这份诉状已经给出了明确答案。随着OpenAI与苹果前设计师乔纳森·艾维联手打造的新设备预计2027年面世，一场留有大量书面证据的法庭斗争，可能让局面变得更加复杂。对苹果而言，这恰恰赢得了更多时间，来为迎接这场重大竞争做准备。
每一次人才的流动，都可能成为商业版图重塑的导火索；而每一份机密的泄露，都在拷问着科技巨头之间信任与规则的底线。创新从不是零和游戏，但窃密与背叛，永远不会是赢得未来的正确方式。
在构建能理解广阔空间的世界模型时，一个棘手的障碍总是挥之不去：如何处理长距离依赖的记忆？传统的做法往往受限于视角局限，但全景图像带来了一种天然的数学美——旋转等变性。想象一下，当无人机在空中旋转拍摄时，场景不过是发生了几何上的平移，而这种内在对称性，恰恰可以被视为一条隐式的几何捷径。
基于这一洞察，研究者提出了PanoWorld。核心思路很直接：把复杂的相机运动简化成一次固定方向的平移。为此，他们发明了两个精巧组件：稠密全景射线条件化（DPRC）和几何感知记忆增强（GMA）。DPRC像是一张精准的射网，将全景画面中的每条光线与世界坐标系中的位置绑定；而GMA则像一个懂得空间逻辑的记事本，它利用过去时刻的几何信息来强化对远处物体的记忆，让模型不会在长距离移动后“忘记”哪个物体该在哪。
整个训练被拆解成三个阶段，循序渐进地优化每个模块。而为了检验真正的物理一致性——尤其是在大规模空间变化和复杂光照下——现有数据集显然不够用了。于是，团队从零搭建了World360：一个既包含用全景无人机拍摄的真实视频，也加入了高质量模拟合成的场景的大型数据集。实验结果显示，PanoWorld在多项指标上大幅甩开了其他方法。
全景世界从此不再只是“看得广”，而是“记得住”。当几何规律被编码进记忆，世界模型才能真正理解空间中的每一次转动与移动。
冯·诺依曼曾为量子力学的数学基础构建了希尔伯特空间的无限张量积理论，但这个理论中隐藏着一个难以捉摸的结构——不完全张量积。数学家们重新审视了这一理论，在标记这些不完全张量积的等价类集合Γ上，引入了一种自然测度，称之为伪超度量d。两个等价类之间的距离，由它们代表元序列的内积偏离1的级数∑|⟨φ_j,ψ_j⟩-1|的收敛指数决定。这个距离并非直觉中的直线距离，而是满足强三角不等式的“树状”度量，且在这一定义下Γ成为完备空间。然而，不同的等价类可能相距为零，这意味着只有将距离为零的类合并为商空间Γ̃，才能得到一个真正的超度量空间，其中每个点都有独特的身份。
这一度量并非抽象游戏。考虑一个乘积酉算子⊗_j U，其每个因子U都满足一个苛刻条件：当单位向量x遍历整个空间时，⟨x,Ux⟩与1的差距恒大于零——例如，有限维空间上的酉算子若1不在其谱中，便符合此条件。在这种情形下，这个乘积酉算子会将每一个等价类都推到最大距离1，仿佛宇宙中的每个世界分支都被彻底撕裂。
然而，物理学家更关心的是那些可观测的差别。为描绘一种类似埃弗雷特量子分支的图景——无限张量积的扇区扮演着平行世界的角色——研究者发展了一个规范不变的变体度量tilded。它基于冯·诺依曼的弱等价概念，与拟局域代数上乘积态的拟等价精确对应。在这个新度量下，乘积酉算子的影响不再是千篇一律的最大距离，而是依赖于具体的类：位移可以在0到1之间任意取值，每一个数值都对应着一种量子分支间的区分程度。
tilded被赋予了深刻的物理诠释：它是退相干指数。想象宇宙状态向量分裂成两个分支，随着我们监测越来越大范围的环境，这两个分支在操作上逐渐变得不同。这个距离精确地测量了这一过程的多项式速率——它告诉我们，世界分支间的关系不是简单的“存在或不存在”，而是一个从模糊到清晰的渐进过程，其速率可由这个度量定量刻画。这种视角将抽象的数学结构转化为描述量子世界分支结构演化节奏的标尺，为理解退相干的几何本质提供了一条意想不到的路径。
人类习得知识时，眼睛与文字同样重要。图表中的曲线、公式中的符号、网页的排版布局，都承载着无法被纯文本完整捕捉的信息。然而，当前大语言模型的预训练几乎完全依赖于大规模文本语料，将文档、网页等视觉丰富的来源转换为纯文本，拱手丢弃了这些视觉线索。一项系统研究对此发起挑战：语言模型是否必须从纯文本中学习？研究者通过多种骨干网络和基准测试，对无监督视觉预训练范式进行了深入对比。他们发现，在完全相同的语料上，直接利用视觉文档进行预训练——不经过任何文本提取——在多个任务中始终优于纯文本预训练。这一结果表明，视觉预训是一种可扩展的学习方式，为规模化语言智能提供了更高效的路径。当文字与图像共同传递知识时，机器或许应当像人类一样，学会用双眼阅读。
在自然语言处理领域，下一个词元预测这一预训练范式，催生了从任务专用模型到全能基础模型的飞跃。那么，计算机视觉能否找到类似的催化剂，实现通用视觉智能？最新研究提出，大规模文本到视频生成正是那个关键——它提供了时空先验、视觉-语言对齐和可扩展性，为通用视觉模型铺平道路。
研究者提出GenCeption模型，它利用预训练的视频生成扩散模型作为骨干，构建一个前馈感知系统，能够根据文本指令执行多种视觉任务。实验结果显示，GenCeption在深度估计、表面法线预测、相机姿态估计、指代表达式分割以及3D关键点预测等广泛任务中，均达到当前最优水平，甚至超越DepthAnything3、SAM3、D4RT、VGGT-Omega、Sapiens、David、Genmo、Lotus-2等专用模型。在公平对比中，视频生成预训练骨干也优于V-JEPA、Video MAE等其他预训练范式。
更引人注目的是其数据效率：GenCeption仅需D4RT和VGGT-Omega等领先模型7到500分之一的训练数据，就能达到相当的性能，初步展现了数据和模型的扩展特性。此外，该模型还展现出惊人的涌现行为——一个仅在合成人类视频上训练过的模型，可以泛化到真实世界视频，甚至能处理动物和机器人等训练时从未见过的目标类别。
这些发现表明，视频生成远不止是内容创作工具，它是一条通往物理世界通用视觉智能的基础路径。或许，当机器学会像人一样想象画面的流动，它才开始真正看懂这个瞬息万变的世界。
当大模型竞赛聚焦于参数规模的军备竞赛时，一项研究却选择逆流而行——仅用3B激活参数，就能与百亿参数模型正面交锋。这就是Mach-Mind-4-Flash，一个35B参数的混合专家（MoE）模型，通过创新的后训练优化而非扩大预训练计算量，在多个基准上实现了性能的弯道超车。
这项突破的核心在于三阶段训练流水线。首先，团队构建了统一的强化学习/在线偏好蒸馏训练基础设施，采用动态多教师调度与算子级加速，使得端到端训练速度提升了17%。这一基础架构为后续的精调奠定了效率根基。
第二阶段是关键：在推理、通用和智能体三条赛道上，分别训练了多个领域专用的强化学习专家模型。这些专家随后通过多教师在线偏好蒸馏（MOPD）融合成一个通用模型。MOPD采用路由化的反向KL散度目标，巧妙避免了混合奖励强化学习中常见的“跷跷板”退化——即一个能力提升导致另一个能力下降的困境。这相当于让不同领域的专家各自发挥特长，再通过知识蒸馏整合到单个学生模型中。
第三阶段则是混合中长策略优化（HMPO），这是一种单阶段令牌效率方法。它能在仅损失不超过0.7个百分点的准确率的前提下，将推理链压缩19%至46%。这意味着模型在保持精度的同时，推理速度大幅提升，更贴近实际部署需求。
最终成果令人瞩目：Mach-Mind-4-Flash在AIME'26上取得92.70分，IFBench上82.82分，Behavioral-SafetyBench上80.74分，BFCL-v4上75.80分，BrowseComp-zh上72.31分，ClawBench上84.20分。这些成绩不仅与激活规模10到30倍于自己的模型持平，甚至在某些指标上领先，而推理成本却只有它们的几分之一。
这项研究的启示并不在于技术细节本身，而在于它证明了：训练策略的智慧远比蛮力堆参数更重要。当算力和数据成为稀缺资源，如何从现有模型中榨取更多价值，或许才是通往通用人工智能的更可持续路径。毕竟，大脑只有约860亿神经元，却能做到百亿参数模型望尘莫及的思考深度——极致的效率，往往胜过纯粹的量级。
想象你正在分析一段金融市场的波动数据，是让擅长精确数字的LLM逐字阅读序列，还是让擅长捕捉趋势的VLM直接看图？两者各有千秋，却也各有盲区。更棘手的是，不同的模型在不同任务上的表现和计算成本天差地别。最理想的方案是：针对每一次查询，都能自动选出最合适的“模态+模型”组合。但要想实现这一点，就必须理解任务、查询、模态和模型之间复杂的相互作用，这就像在四维空间里寻找最优路径。
为了解决这个难题，研究者推出了TSRouter——一个基于图结构的动态路由框架。它不再仅凭单一模态硬拆问题，而是构建了一张包含任务节点、查询节点、模态节点和模型节点的异构图。这张图让查询特征、模态属性、模型能力之间的交互变得可计算。接着把路由选择转化为候选评分问题：为每一对“模态-模型”组合打分，根据用户自定义的性能-成本偏好，挑选出最优解。
在四个不同的时间序列推理任务中进行全面评估后，TSRouter的表现令人瞩目：相比多种基线方法，它带来了16%到46%的相对提升。更厉害的是，当遇到从未见过的模型或全新任务时，它依然能零样本即插即用，展现出强大的泛化能力。而且，通过成本感知的优化，在保持高性能的同时，大幅降低了计算开销。
这项研究的代码已公开。不同的选择往往意味着不同的代价，而最优的路径常常隐藏在那些看似混沌的交互之中。学会在多样性中做选择，或许比追求单一的完美方案更接近问题的本质。
量子计算机的硬件工程师们面临一个棘手难题：他们精心打造的芯片永远带着“杂音”——超导量子比特会泄漏到高能层，中性原子在激光操纵中散射到中间态，离子阱里的离子因加热而振动失控，校准偏差还会让控制脉冲发生相干旋转。这些噪声远比教科书上的泡利模型复杂，而容错协议的有效性偏偏取决于设备真实的“逻辑性能”。一个名为Plaquette的理论框架和软件套件应运而生，它直接把这些细微的物理瑕疵转化为容错架构的性能预测。
Plaquette的核心思路是让用户一次性描述硬件误差模型：无论是用Kraus算子、哈密顿-林德布拉德动力学，还是实验重构的量子通道，系统会自动将其编译成四种采样类所需的精确或近似表达。稳定子采样处理泡利噪声；新开发的XPauli采样器专门对付泄漏和与环境耦合的分区；近克利福德采样器捕捉相干误差；全态模拟则提供精确的基准参考。验证显示，XPauli和近克利福德采样器的结果与全态模拟在统计误差范围内吻合，而传统的泡利扭转在某些误差模型下会显著偏离。
为了展示能力，研究团队用Plaquette模拟了三种现实噪声：超导量子比特的泄漏噪声、中性原子的中间态散射以及离子阱的加热效应。结果令人警醒：Plaquette与仅用克利福德模拟之间的差距随平台和噪声过程变化，无法一概而论——这意味着可靠的阈值、误差预算和资源开销估算，必须依赖最准确的模拟工具。
Plaquette提供了一个从器件开放系统物理到容错量子计算机逻辑性能的直达路径。它让工程师不再需要猜测哪种噪声需要优先压制，而是直接用量子物理本身来回答：你的芯片，究竟能承载多少错误？这个问题的答案，将定义下一代量子计算的边界。
语言操控机器人既要精准的接触控制，又要对语言、场景和长期任务进行稳健推理。端到端视觉-语言-动作模型虽然擅长局部技能，但一旦遇到语义重定向、目标重新绑定、空间布局变化或局部接触失稳等部署扰动，便会频频出错。大语言模型编码智能体固然能进行语义和组合推理，可纯粹的分析原语在应对不规则抓取、受限放置和铰接物体交互时又捉襟见肘。
Harness VLA应运而生。它像一个智慧的打理框架，将一个冻结的VLA模型暴露为可重试的接触丰富原语，并搭配一个小而固定的分析原语库——用于接地、分阶段、搬运、导航和释放。关键之处在于，它不盲目扩充技能库，而是从任务特定的执行轨迹、全局成功规则和失败模型中学得这些固定原语的操作范围。通过将语义重接地、非接触执行和VLA重分阶段提升至规划器层面，同时把冻结的VLA保留给局部接触丰富的阶段，Harness VLA无需微调就能让预训练模型超越原有的轨迹分布。
在受干扰的桌面、家用厨房以及从整洁到随机化的双臂操控任务中，Harness VLA在LIBERO-Pro上比最强基线高出38.6个百分点，在RoboCasa365上高出25.4个百分点，在RoboTwin C2R上达到58.4%。这些数字意味着，面对真实世界的混乱与变化，一个看似“死板”的模型反而能通过巧妙的组织焕发新生。也许，真正的进化不在于无限扩张能力，而在于为每个能力找到它最恰当的边界和舞台。
在通用GPU芯片供应趋紧、地缘政治风险加剧的背景下，越来越多的大模型团队开始把目光投向非GPU加速器，比如华为的Ascend系列。然而，从CUDA生态迁移到这些平台，到底要付出多少工程代价？一篇来自实际部署团队的田野研究报告，给出了令人震撼的答案。
这项研究聚焦于在两个大型推理任务中，将工作负载迁移到一个由16块华为Ascend 910芯片组成的系统上。所使用的软件栈包括CANN（华为的异构计算框架）和vLLM-Ascend（一个适配性的推理引擎）。两个任务分别是：基于DeepSeek-V4-Flash模型的LLM安全与对齐评估管道（这是一个W8A8的MoE裁判模型），以及基于同样模型扩展视觉能力后的医疗多模态视觉语言基准测试（MMMU和MMMU-Pro）。
为了能让这些工作负载稳定运行，研究团队不得不向厂商的推理插件提交了12个源码级别的补丁。这还只是开始。为了实现数值正确性，他们不得不关闭多个原本设计用于提升吞吐量的高级特性。此外，为了应对设备层面反复出现的故障，他们还增加了运维层面的安全措施。
这些所谓的“适配工作”并不轻松，其背后反映的是硬件生态的深层短板。研究团队将这些平台限制归纳为八大类别：不完整的算子与功能支持、脆弱的并行机制、底层内核中的数值错误、不成熟的图编译能力、不稳定的高级特性、有限的可扩展性、薄弱的可观测性，以及碎片化的生态。对于每一类，报告都详细记录了症状、证据和可能的原因。
最终，团队量化了集成工作量、并发行为以及基准质量，证明这两个工作负载最终能够被正确服务。但这背后的代价是巨大的：一个完整的CUDA生态迁移故事，远不止“换个硬件”那么简单。它涉及大量反复的调试、修补和妥协，甚至需要放弃一些原本正常的功能。
这提醒所有人，在非GPU加速器上运行大模型推理，是一项系统工程。硬件算力只是冰山一角，稳定的软件栈、完善的工具链、活跃的社区支持和长期的维护承诺，才是真正的隐形门槛。当开发者从一个成熟的生态迁移到另一个初具雏形的生态时，必须准备好直面这些被抽象层掩盖的“灰尘”。
生成式视频基础模型拥有强大的组成性先验——它们能从不同视频片段中组合学习到视觉概念和动作模式。然而，当研究人员将这些模型微调到机器人动作数据上后，它们却会丢失这些宝贵先验，转变为视频动作模型（VAM）。这种微调前后的性能差异，被定义为“视频动作泛化差距”。究竟是什么导致了这一现象？又该如何弥补？
为了揭开谜底，研究团队系统评估了视频动作模型的设计空间，包括不同的输入表示、架构变体和训练策略。令人意外的是，这些标准设计选择并没有产生能够解释泛化差距的规律性模式——没有一个简单的配置能自动让模型保留组成先验。这暗示问题的根源可能隐藏在模型内部更微观的注意力机制中。
于是，研究者引入了一个新的度量指标：时间比率（Temporal Ratio, TR）。这是一种基于注意力的测量方法，专门用于衡量动作头在生成决策时，对“未来潜在展开”（即模型对未来帧的预测）的依赖程度，相对于它锚定当前帧的程度。时间比率有两个关键特性：第一，模型对未来预测潜在表示的结构性依赖程度，可以通过TR量化，而TR值越高，意味着模型在预测时更依赖未来帧——这种依赖程度恰恰能够预测模型的组成泛化能力；第二，TR并非静态常数，而是根据任务阶段自然波动：在需要规划的阶段（如思考下一步动作），模型会将注意力更多地投向未来帧；在执行精准操作时（如抓取物体），注意力又会回落到当前帧。
基于这一发现，研究团队提出了一种推理时自适应引导方法。该方法巧妙地利用了TR的内在特征注意力模式：在策略模型确实依赖未来展开的时机（即TR值升高时），动态放大组成视频条件信号；而在模型依赖当前帧时则保持原状。这样既不会干扰精细操作，又能增强规划阶段的泛化能力。在LIBERO基准测试和真实世界任务上，该方法显著缓解了分布外（OOD）与分布内（ID）之间的组成泛化差距。
这项研究将我们从对模型结构的表面理解，带入了对注意力动态的深层洞察。时间比率就像一把钥匙，打开了理解智能体决策时机的大门——模型不是简单依赖所有帧，而是在每个任务阶段，都能本能地选择该信任未来的规划，还是该把握当下的执行。真正强大的泛化能力，或许就藏在这种对时序注意力的精细调控之中。
想象一下，你正在测试一个智能助手，它需要学会使用电饭煲、连接手机、规划出行路线。这不是游戏，而是真实世界的挑战。长期以来，研究人员在用各种基准测试评估这类“主动代理”时，遇到了一个棘手问题：大多数测试要么在沙盒环境中进行，要么只问一次就结束，根本无法反映代理在动态、多步任务中的真实表现。更糟糕的是，许多测试把多种能力混在一起，当代理失败时，你根本不知道是哪个环节出了问题——是它看不懂说明书？是它不知道如何探索？还是它没法协调多个平台？
为了破解这个困局，研究团队推出了UniClawBench——第一个基于能力驱动的基准测试。它的设计逻辑很清晰：先拆解出代理必须掌握的五项基础能力——技能使用、探索、长上下文推理、多模态理解、跨平台协调。然后围绕这五大能力，精心设计了400个双语现实世界任务，涵盖英语和中文场景。
和过去那些只记录静态标准答案的测试不同，UniClawBench的评估方式堪称“现场直播”：它在实时的Docker容器里运行，让代理真正操作真实的软件环境，并且每一步都要通过细粒度的检查点验证。这意味着，代理没有“蒙混过关”的机会，每一步都必须是货真价实的正确操作。
更巧妙的是，它设计了一套闭环评估策略：一个执行代理负责完成任务，一个隐藏监督代理暗中观察执行情况，还有一个用户代理模拟真人反馈。这样既还原了多轮人机交互的真实感，又不会让代理偷看评分标准，避免作弊。
为了厘清究竟是基础模型的能力不足，还是代理框架设计拖了后腿，研究团队还对比了多个顶尖模型在不同框架下的表现。结果发现，真正决定成败的，是基础模型的能力和代理框架设计两者的合力。这就像一场接力赛，模型是起跑速度，框架是交接棒的技巧，缺一不可。
UniClawBench的开源，意味着未来任何研究代理的团队，都能在真实环境中精准定位能力的短板。真正的智能不是会回答一道题，而是能在混乱的现实里一步步把事情做成。从这个意义上说，UniClawBench不只是一把尺子，更像一面镜子，照出了当前AI代理离“真正有用”还有多远。
大型语言模型（LLM）在微调时面临一个棘手的矛盾：它们能快速“死记硬背”新知识，却无法在推理任务中灵活运用。研究者将这一现象定义为“知道-使用差距”，它表现为记忆与泛化之间的准确率鸿沟，以及时间上的滞后。为了深入理解这个问题，团队设计了一种名为self-patching的干预技术——他们在模型内部“动手术”：当模型回答推理失败时，他们找到那些对失败至关重要的激活位置，把成功案例中的表征“移植”过去。结果发现，只要把特定位置的表征重新放置，许多失败案例就能立即正确回答。这暗示了一个假说：新知识已经在模型内部以某种形式存在，但就像交通堵塞一样，它们没有被路由到能有效计算的“道路”上。进一步实验表明，这种“知识回路错配”是跨领域存在的普遍问题。基于这一诊断，研究者设计了一个简单的启发式策略——在微调时引导模型关注有效路径——结果恢复了58%到75%的泛化失败空间。换句话说，我们不需要重新设计整个模型，只需要疏通知识的“神经通道”。这项研究提醒我们：教给AI知识只是第一步，如何让知识在正确的时间、正确的网络层次被激活，才是真正释放其智能的关键。当模型学会了却不会用，问题也许不在记忆本身，而在通往应用的道路上。
在长时间跨度的复杂任务中，AI代理面临一个隐蔽的困境：决策所需的关键信息如同散落在漫长轨迹上的碎片——环境事实、任务要求、先前尝试的记录、诊断结果、未完成的子目标——随着轨迹拉长，这些信息要么深埋于上下文窗口中，要么直接被推挤出去，当代理需要它们时，它们却缺席了。研究者将这种失效模式命名为“行为状态衰减”。
传统的解决方案是被动检索：在需要时去翻找历史记录。但这项研究提出了一种截然不同的思路——记忆应该是一种主动干预机制，而非单纯的仓库。他们设计了一个独立的“记忆代理”，它与原有的动作代理并行运行，从最近的轨迹中提取信息，更新一个结构化的记忆库，然后自主决定：是向动作代理注入一条基于记忆的提醒，还是保持沉默。这个模块像是插在现有系统上的即插即用插件，无需改动动作代理本身。
实验在两大基准——Terminal-Bench 2.0和τ²-Bench——上展开，结果令人印象深刻：无论底层动作代理是强是弱，记忆代理都带来了pass@1指标的提升——在Terminal-Bench上提升了8.3个百分点，在τ²-Bench上提升了6.8个百分点。更精细的消融实验揭示了一个关键规律：选择性干预——只在合适的时机提醒——远超被动地暴露整个记忆库、始终注入、只做顾问式的建议，或通用的检索方法。
作为迈向开源记忆策略的第一步，研究者还在SETA数据集上训练了Qwen3.5-27B模型，使用了监督微调和GRPO强化学习方法。结果显示验证奖励提升，并且模型展现出了部分迁移到Terminal-Bench任务的能力。
当AI在漫长任务中逐渐“失忆”时，记忆不是被动等待读取的档案，而是主动巡逻的导航员。它知道什么时候该提醒，什么时候该沉默。这种“选择性遗忘”的智慧，或许才是长程决策的真正钥匙。