EZ.AI Listen Daily

当机器人执行“拿起杯子”这类任务时，它不仅要看清眼前的场景，还要预判杯子被拿起后位置会如何变化、手臂移动时画面会怎样流动。传统的视觉-语言-动作（VLA）模型擅长直接输出控制指令，却缺乏对物理世界动态演化的显式建模；而新近出现的世界-动作模型虽然能借助预训练视频模型捕捉时空演变，却因在控制回路中保留视频生成或庞大的视频骨干网络，导致推理成本居高不下。

在这篇研究中，研究人员提出了一种名为“世界令牌”（World Tokens）的具身策略架构，试图同时兼顾世界动态理解与高效部署。其核心是一个“世界适配器”（World Adapter），它像一座桥梁，把视觉-语言理解、世界动态建模和动作生成三者连接起来。训练时，世界适配器将VLM特征转换为一组固定的世界令牌，这些令牌一方面输入给一个联合微调的未来视频去噪器，用于预测后续帧；另一方面作为动作专家模型唯一的视觉-语言上下文。这种共享条件机制，使得未来视频去噪的梯度能直接塑造用于动作预测的表征，同时通过独占路由防止策略绕过该表征——也就是说，动作必须依赖那些理解了动态演化的令牌来做决定。

更巧妙的是，部署阶段的世界模型分支被完整移除，只留下VLM、世界适配器和动作专家，不再需要任何在线视频模型推理。这让系统在享受世界建模红利的同时，几乎不增加额外延迟。实验表明，尽管只用了20亿参数的骨干网络，且没有经过任何具身动作预训练，World Tokens在LIBERO基准上表现出极强的竞争力，在SIMPLER基准上取得了已报道的平均成绩最优，在真实世界的R1 Pro机器人上，相比匹配的动作-only基线，成功率也获得了显著提升，同时每个动作块（action chunk）的生成速度保持在VLA级别的延迟。

这也引发了一个值得深思的问题：是否一定要让机器人在决策时亲眼“看见”未来的画面，才算真正理解世界？或许，把世界模型的智慧内化为一种紧凑的“令牌”，在训练中领悟动态，在部署时轻装前行，正是通往实用具身智能的一条更为优雅的路径。

在机器人研究的世界里，一个令人头疼的“整合之痛”长期存在：一套策略要跑通多个仿真或真实环境，往往需要为每一对组合单独写代码、配依赖、调接口。如果有N个策略和M个环境，就得做N乘以M次集成，工作量随着规模膨胀，很快变得不可持续。这不仅是效率问题，更让不同团队之间的成果难以公平比较和复用。

为了打破这种碎片化局面，研究者推出了XPolicyLab——一个统一的标准与开放生态系统。它巧妙地将复杂问题化整为零：通过定义通用的观测、动作和轨迹数据格式，再加上一套极简的适配器接口，XPolicyLab把原本的N乘M次集成，压缩成了N加M次。也就是说，每个策略只需适配一次，每个环境也只需接入一次，双方就能自由组合。

这个架构的精妙之处在于“依赖隔离”：策略推理和环境执行被放在客户端和服务器两个独立进程中，各自保留原有的软件栈，既可以跑在同一台机器上，也能跨机器远程协作。这意味着，无论你用的是PyTorch还是其他框架，无论环境是仿真器还是实体机器人，都不必为了迁就对方而改变自己的“母语”。

XPolicyLab的生态整合了42个机器人策略，并统一了它们的安装、调试、服务和评估流程。研究发现，不同策略的模型特定代码量可以相差一个数量级，但面向环境的核心循环却始终保持在固定参考代码的寥寥几行之内——这恰恰证明，标准契约成功地将所有异构复杂性“关”在了策略一侧，环境侧则获得了极大的简洁与稳定。

数据最有说服力：在受控实验中，一个代表性策略遵循标准后，集成耗时从原来的五小时以上缩短到两小时；而如果使用预先打包好的智能体技能，这个时间还能进一步压缩到三十分钟。更值得一提的是，同一套适配器可以无缝服务于RoboTwin、RoboDojo仿真以及标准化的实体机器人评估，真正实现了“一次适配，多处运行”。

XPolicyLab现已作为共享基础设施开源发布，旨在为可复现的策略比较和跨仿真、实物平台的标准化部署提供统一底座。它或许不会直接让机器人变得更聪明，但它的存在，让每一个聪明的策略都能更快地走向真实世界，也让科研人员从繁琐的“接线工作”中解放出来，把精力留给真正重要的算法创新。当评估标准不再碎片化，机器人研究的交流与合作，也将进入一个更高效的新阶段。

Abstract:On-policy distillation (OPD) has emerged as a core component of modern LLM post-training pipelines, yet we reveal a failure mode: degenerate agreement, where students exploit repetitive loops to achieve near-perfect token agreement with the teacher despite globally flawed responses. We therefore shift our focus from agreement to teacher-student mismatch, and find that mismatch tokens can be mainly categorized into two types: student-excess tokens and student-deficit tokens. Student-excess tokens are generated by the student but assigned near-zero probability by the teacher; their log-ratio corrections grow unbounded and destabilize the update. Student-deficit tokens, in contrast, are preferred by the teacher but rarely sampled by the student; their absence blocks the transfer of the teacher's reasoning patterns. To tackle these mismatch directions, we propose TIDE (Token-level Independent Deficit-Excess correction), which applies bounded Hellinger shaping to suppress the most severe sampled excesses and an analytic teacher top-$K$ injection to restore deficient probability mass without requiring deficit tokens to be sampled. Across mathematical reasoning benchmarks with multiple Qwen3 teacher-student pairs, TIDE consistently outperforms standard OPD and recent token-selection and reward-shaping baselines. Moreover, the gains of TIDE are more pronounced under strong teacher-student mismatch, where it improves Avg@8 from 6.9% to 20.3%, reduces average response length by a factor of 3.6, and substantially reduces formatting failures. Code is available at this https URL

Abstract:The world evolves following its dynamics, i.e., its laws of motion. However, leading video diffusion models largely fit the pixels without modeling how the pixels transit over time. Thus, they render visually plausible frames but may not accurately obey the laws. To capture the dynamics purely from pixels, we introduce Latent Dynamics Reasoning (LDR). LDR casts the latent transition as an explicit kinematic integration, where the lower-order dynamics are integrated numerically and the model regresses only the third- and higher-order residual that drives the rollout. For this integration to extrapolate better, LDR runs it on a structured latent rather than dense convolutional features. Following PhyWorld, we validate LDR on a controlled white-box physics benchmark spanning five tasks (uniform motion, parabola, collision, bouncing, looming), focusing on out-of-distribution scenarios that reveal whether a model has truly learned the underlying dynamics. LDR extrapolates the learned dynamics far better: the gap between its in- and out-of-distribution error is over 20$\times$ smaller than the video diffusion baseline's, under both single- and joint-task training at 256$^2$ resolution, while using 26$\times$ fewer parameters and running 143$\times$ faster. LDR can even generalize under severe shift: for example, trained only on red balls moving left-to-right, it correctly predicts the motion of a blue square moving right-to-left. To our knowledge, this is the first video world model that extrapolates learned dynamics beyond its training distribution. Project page: this https URL

在机器人学习的广阔天地里，一个棘手的问题正卡住无数研究者的喉咙：如何让机器人理解“什么是有价值的”这一抽象概念？传统方法依赖人工标注的偏好数据或任务进度指标，但这些方法不仅成本高昂，还难以在不同机器人形态和数据源之间通用。更致命的是，它们往往只盯着任务内部的“锚点”，一旦换了场景，价值判断便失去意义。

来自研究团队的RynnValue，像一位逆袭的破局者，给出了一种优雅到近乎直觉的答案——用时间距离取代一切复杂锚点。所谓时间距离，就是从当前观察到达语言指定目标所需的“代价距离”，这个标签可以直接从视频时间戳中提取，无需任何人工偏好或进度标注。凭借这一设计，RynnValue一口气吞下超过7000小时、约300万条指令条件片段的数据，构建起一个开源的价值基础模型。

当然，大规模训练绝非一帆风顺。研究者们巧妙融合了随机时间采样、时间顺序打乱和价值隔离注意力机制，宛如为模型装上“防火墙”，压制住那些会让预测变得麻木的捷径，确保它对失败和倒退保持敏锐感知。

结果令人振奋：在没有使用任何偏好标签的情况下，RynnValue在RBM-EVAL-OOD基准上取得了平均Kendall's tau_a系数0.675的成绩，超越了完全由偏好监督的最先进方法（0.655），更是将仅用进度的对比方法（0.292）甩开一倍以上。更惊艳的是，它还能零样本泛化到未见过的任务、机器人形态和视角上。当RynnValue被转化为潜在奖励塑造的密集奖励信号后，真实世界策略成功率从52.5%飙升至72.5%（在线），离线场景也从63.8%提升至82.5%。

这些数字揭示了一个简单而深刻的真相：时间本身就是一把万能剪刀，它能剪开价值学习的死结。或许，当我们不再执着于外部评判，转而信任时间流逝中所蕴含的方向感，机器人也能一步步走出自己的道路，而这条道路，正通向真正通用智能的大门。

在人工智能的疆域里，一个名为Macaron-V1的开放智能体模型家族正悄然登场。它的独特之处在于一种被称为“体验式智能”的理念：不仅从真实环境中学习，更在部署之后继续成长。这并非一个静态的模型，而是一套围绕两大系统目标精心设计的动态体系。

第一个目标是“适应”。Macaron-V1通过递归改进的“模型-工具配对”来实现持续进化——每个版本都在外部契约下接受评估，并将经验传递给下一代配置。第二个目标是“协作”，它依托于一种名为Mixture-of-LoRA（MoL）的架构，该架构冻结基础模型，组合多个专家LoRA适配器，并在每次用户交互时智能地选择最合适的一个。

这个家族中有两个代表性成员。旗舰版本Macaron-V1-Venti，基于744B参数的GLM-5.2基础模型，配备了四个分别擅长对话、智能体、编码和GenUI（通用用户界面）的LoRA模块。而基于Qwen3.6的Macaron-V1-Tall（50B参数）则采用同样的设计，专为本地部署优化。这种冻基座、调专家的思路，让持续学习成为可能——新增技能只需添加新的LoRA专家，无需重训整个模型。

报告将Macaron-V1描述为一个协同设计的系统，涵盖架构、算法与基础设施三个层面。在算法层面，它引入了“模型-工具协同设计”与递归自我改进循环，并包含诸多创新组件：支持组件级原生生成界面的UI4A工具，一个有状态的动作基底，带版本号的HCP契约协议，以及名为MindForge的智能体强化学习框架。基础设施层面则包括后训练平台MinT、面向长上下文的强化学习方法LongStraw，以及针对稀疏MoE和DSA基础模型的稳定性技术。

Macaron-V1在个人智能、GenUI以及通用能力基准上均与前沿基线进行了对比评估。结果显示，当前系统已得到有效验证，但从持续学习和集体智能中获得的复合增益，依然是等待探索的开放命题。一个能从经验中汲取力量、并不断重塑自我的智能体，或许正悄然改变我们与AI互动的方式。

一个名为Sekai2的全新视频数据集横空出世，它试图解决人工智能领域一个长期存在的难题：如何让计算机真正理解并预演世界的动态变化。过去，研究者往往面临两难选择——大型网络视频虽然内容丰富多样，却缺少摄像机轨迹和与画面精确对齐的文字描述；而带有位姿标注的数据集又通常时长远短，难以支撑长时间跨度的生成任务。

Sekai2的出现打破了这一僵局。它源自Sekai项目探索世界的影像记录，如今被系统地组织成一个多源真实世界视频库。这份数据集包含来自113个国家和地区、10428段原始视频中提取的128892个片段，总时长达到2826小时。值得注意的是，数据在设计上刻意偏向持续观察：在常见的120秒分段方式下，多达43594个片段完整达到了两分钟，占据全部影像的51.4%。

更令研究者兴奋的是其精细的标注体系。每个片段都附有摄像机运动轨迹，以及一套层次化注释，将画面内容清晰地拆解为主体运动、环境变化、静态场景和摄像机行为四个维度，最终形成了649597个具有时间定位的语义片段。这意味着机器不仅能“看到”画面，还能理解每个瞬间什么在动、什么静止、镜头如何移动。

最关键的突破在于982段全景序列的引入。这些序列沿着包含环路和重访的非线性轨迹捕捉，同一个地点会在不同时间、不同视角下被反复观察。这种重访机制为学习持久场景表征提供了黄金指导信号——就像一个人绕着广场走了一圈又回到原点，从而确认建筑始终屹立、人群来来往往、光影悄然流转。模型因此能够建立长期空间记忆，生成几何一致的世界模型。

整体来看，Sekai2实现了位姿与文本描述的完全覆盖，地理与语义多样性广泛，摄像机轨迹千变万化，时间描述高度非冗余。这些特质让它成为长时程视频生成、相机可控合成以及交互式世界模型预训练的规模化资源。当机器开始从无数双“眼睛”的重访中理解恒常与变化，那句老话便有了新意：所谓理解世界，不过是知道万物如何在不经意间流动，又如何在回归原点时依然如初。

想象一台机器人，面对陌生环境中的新任务，无需幕后海量模拟推演，仅凭对世界运行规律的深刻理解就能流畅行动。这正是JEPA-WAM模型带来的启示。传统机器人控制常借助视频生成模型来预测未来画面，但高昂的计算成本阻碍了实际部署。为此，研究者转向隐空间中的世界模型，却往往面临预测信息被压缩、或预测与动作生成脱节的困境。

JEPA-WAM巧妙地解决了这一矛盾。它建立在预训练的V-JEPA视觉表征空间之上，通过一个共享预测器，将隐空间的过渡预测与连续动作生成紧密耦合。这个预测器生成的不是模糊的未来快照，而是一个融合当前与未来观测的联合目标，它的空间结构保留了密集的块级对应关系，从而捕捉任务共有的视觉时间动态。更精妙之处在于，过渡预测的监督信号直接塑造了骨干网络，而动作预测所需的专门表征则从这一共享网络中提取，让预测与决策真正同源共进。这一设计还能无缝嵌入预训练的分层动作大模型，在不干扰原有感知与动作通路的前提下实现性能跃升。

在LIBERO-Plus基准测试中，JEPA-WAM凭借79.2%的成功率，成为未经过大规模机器人策略预训练的最佳模型；而其基于π0.5预训练模型的实例化版本更达到86.3%，刷新整体最优成绩。在RoboTwin 2.0仿真环境以及真实世界的双臂操作实验中，它同样展现出对视觉变化与空间位移的强泛化能力。

这份突破揭示了一个朴素而深刻的道理：真正灵巧的智能，不在于对未来每一步的精确彩排，而在于在抽象的思维空间中，把握事物如何变化的脉络，并让理解与行动在深处交会。当机器不再需要事无巨细地幻视每一帧像素，它的手脚才能更从容地应对这个充满不确定性的世界。

Abstract:We introduce Motif 3, a decoder-only Mixture-of-Experts language model with 314 billion total parameters and 13.2 billion activated per token. Each sparse MoE layer contains 384 routed experts, with eight selected per token. This fine-grained sparsity provides substantial expert capacity while limiting computation. Motif 3 is built around Grouped Differential Latent Attention (GDLA), which integrates grouped differential attention with the compressed key-value representation of Multi-head Latent Attention. The architecture further incorporates modified manifold-constrained hyper-connections, Expert Specific PolyNorm activations, and multi-token prediction to improve optimization stability, expert specialization, and inference efficiency. We pretrain Motif 3 on approximately 12.5 trillion tokens spanning web documents, STEM, code, mathematics, multilingual content, and domain-specialized corpora. Expert-balancing and numerical-stabilization techniques support stable training at scale, while selective MXFP8 computation and communication, memory-efficient fused kernels, and window-aware context parallelism enable training with context lengths up to 256K tokens. Our post-training pipeline combines general supervised fine-tuning, six specialist teachers trained with reinforcement learning, a software-engineering teacher trained with supervised fine-tuning, and Multi-teacher On-Policy Distillation. The resulting unified model consolidates complementary capabilities in reasoning, coding, tool use, professional work, long-context understanding, calibrated abstention, and instruction following. Across a broad evaluation suite, Motif 3 demonstrates competitive performance against leading open weight models, including strong results on long-horizon agentic tasks, mathematical reasoning, scientific knowledge, and hallucination-sensitive evaluation.

人工智能编码助手正变得越来越强，但如何公正地检验它们的能力，却成了一个日益棘手的难题。最近一项审计发现，被广泛使用的SWE-bench Verified基准测试中，竟有近60%的未解实例存在测试缺陷——要么测试范围过窄，误判了正确解法；要么测试范围过宽，暗含了需求之外的要求。更令人担忧的是，顶尖模型甚至可以直接从训练数据中原样复刻标准答案。这样的基准，还能真实反映AI的编码实力吗？

为了寻找更坚实的试金石，一群研究者将目光投向了代码重构——一项需要跨多个文件协调修改、同时保持程序行为不变的高难度任务。这种任务不仅复杂，而且更贴近真实软件开发场景，却一直缺乏专门的评估工具。于是，SWE-Bench ProMax应运而生。

这个新基准凝聚了专家的精心筛选：170个真实提交案例，涵盖Python、Java、TypeScript、Go、C、C++和Rust七种语言。每一道题目都经过多阶段严格审查——问题描述被重写，剔除模糊表述，测试套件则由人工逐条检视，删去过度严苛或过度宽泛的用例。那些复杂度不足、仅涉及单文件的小打小闹，也被一律排除。

留下的，是真正硬核的挑战：每个任务平均要修改11.4个文件、涉及261.6行代码，规模远超现有基准。研究者用两款主流智能体框架测试了当前最先进的模型，最高解决率仅为41.2%。这个数字说明，SWE-Bench ProMax成功构建了一个尚未饱和的AI编码试炼场，让顶尖模型也难言轻松。

当AI在常规编程任务上逐渐逼近人类，代码重构这片深水区提醒我们：真正的工程能力，不仅在于写出新代码，更在于安全而精准地改造旧系统。或许，这才是衡量智能体能否承担真实软件开发的标尺。

在语言模型开发的背后，有一条隐形的“规律”——神经缩放定律，它像一张地图，帮助研究者预测模型规模和数据量如何影响最终性能。然而，这张地图并不总是精准，尤其在数据稀缺或过度训练的极端情况下，它时而低估，时而高估损失，让预算分配变得棘手。问题的根源，藏在一个长期被忽视的假设里：模型大小和训练数据被默认为独立影响损失，仿佛两位互不相识的工人各自干活，却从未协作。

如今，一项名为“Skaling law”的新研究打破了这一成见。它提出一个统一的函数形式，用一个交互指数将模型能力与数据量耦合起来，让二者不再是孤立的变量。这一看似简单的修正，却在实践中带来惊人效果：在插值和外推两种测试场景下，平均绝对百分比误差（MAPE）降低了1.5到3倍。更令人振奋的是，结合一种仅限低计算量区域的稀疏网格策略，研究者们只需约十分之一的算力，就能实现与完整网格扫描相当的准确外推结果——原本昂贵的全网格搜索，变得触手可及。

这项发现的意义不仅在于修好了旧公式，更在于它为下一代模型训练提供了新的资源分配哲学。从微小实验中可靠预测大规模表现，意味着研究者在启动昂贵训练前，就能更聪明地决定投入多少数据和算力。Skaling law，正试图让缩放定律真正“靠谱”起来。当我们学会了用更少资源看清更远的路，训练模型的旅途或许将少一些盲目冲刺，多一些从容规划。

想象一下，一台机器如何像人类一样理解世界？它不仅要看懂一张图片里的物体，还要能预判下一秒会发生什么。长期以来，这两项能力被当作两套完全不同的“食谱”来烹饪：有的模型专注预测图片中被遮住的部分，有的则专攻视频中未来帧的变化。每个方案都需要单独设计编码器、预测器和防崩溃机制，就像同一道菜非要开三个灶台。

现在，一篇名为UniJEPA的研究打破了这种割裂。这个统一的联合嵌入预测架构，只用一套共享的“潜空间”，就能同时学会图像级的“光度预测”（例如光照变化）和视频级的“时间预测”（下一时刻的动态）。最妙的是，它的训练目标只有两个部分：一个预测下一个嵌入的损失，一个高斯正则化项。没有花哨的动量化平均（EMA），没有梯度停止，也不需要预训练好的编码器——从原始像素直接训练，就能证明编码器和预测器不会崩溃。

这背后隐藏着一种精巧的平衡：光度预测让模型学到“不变性”结构，时间预测则赋予它“等变性”动态。就像一位画家，既能抓住对象静默的神态，又能画出它转身的姿态。研究者甚至发现，同一片潜空间支持可控的抽象层次——你让它关注什么，它就关注什么。

更令人兴奋的是实际应用。在离线轨迹上做动作条件后训练后，UniJEPA只需把目标特征当作预测靶子，就能实现零样本规划。在图像、视频和控制任务的基准测试中，它追平甚至超越了那些“专才”JEPA模型，但只有一个损失超参数要调。相比生成式世界模型，它在相近精度下，规划速度快了数十倍——这意味着，机器人可以边行动边思考，而不是在每一个决策点都慢半拍。

统一的威力不在于抹平差异，而在于让差异各得其所。当世界模型不再分裂为“看图”和“预测”两种职业，我们或许离真正的通用智能又近了一步。

在医学教育中，从医学生到医生的蜕变，依赖的是漫长而高强度的住院医师培训：成千上万次接诊、多元反馈渠道，以及逐步放开的独立决策权。临床推理的核心，始终是那场医患对话——医生在不确定性中采集病史、修正诊断假设、敲定治疗方案。如今，大语言模型虽已在静态医学考试中表现出色，但如何优化一整段连续的临床决策序列，仍是尚待开垦的领域。一项名为ResidencyRL的新研究，尝试用强化学习为AI搭建一座模拟版的“临床住院部”。

研究人员设计的训练框架别具匠心：AI智能体作为“住院医师”，与能够模拟复杂甚至对抗性行为的大语言模型患者进行多轮问诊，每条训练轨迹最多包含60轮对话和8次工具调用。奖励机制并非笼统打分，而是细致拆解为诊断准确性、管理质量、沟通技巧、病历记录与患者安全五个维度，引导智能体在动态交互中逐步成长，就像真实住院医在查房、讨论和反馈中打磨临床直觉。

效果令人瞩目。在对抗性测试场景中，ResidencyRL智能体的诊断准确率达到88.0%，较基线模型的81.0%提升了7.0个百分点；更关键的是，漏诊红旗征象（red flags）的比例下降了31%——这直接指向临床思维中一种常见而危险的偏差：过早收窄诊断视野，即“过早闭合”（premature closure）。盲法评估中，经验丰富的临床专家在87.6%的并排对比中更青睐该智能体的表现，印证了其改进的实用价值。

真正的亮点在于泛化能力。走出模拟训练场，智能体在从未见过的AMIE多就诊基准测试中，六个临床轴全部超越基础模型；在AgentClinic和CRAFT-MD等外部基准上，也呈现出一致的正向趋势。这说明，通过多轮强化学习习得的并非死记硬背的答案，而是一套可迁移的、序贯化的临床决策能力。

当然，模拟终归是模拟。研究者清醒地指出，要确立真实的临床效用，仍需与真实世界工作流程结合的前瞻性验证。这场AI的“住院医培训”或许才刚刚开始，但它暗示了一条清晰的道路：让智能体在对话的磨砺中学会倾听、权衡与判断，直至逼近临床大师的技艺。当机器也需经历漫长问诊才能成长，我们对“医术”的理解，或许也该多一层谦卑与敬畏。

大语言模型生成的代码往往能跑，却暗藏安全漏洞；而专门强化安全的干预措施，又可能让代码偏离原本该有的功能。鱼与熊掌如何兼得？一项新研究提出了一个巧妙思路：把安全测试当作“可执行的规格说明书”，在代码生成之前就展示给模型，并在迭代修复中持续用测试结果引导它。

研究者设计了一个名为SecTDD的受控测试反馈框架，将三个因素分离考量：测试是否提前展示、失败执行是否触发修订、以及失败信息如何被筛选和呈现。为了公平对比，他们使用了按行为划分的可见测试与隐藏测试，并要求所有候选代码在修复开始时逐字节相同。

实验规模相当可观：覆盖了2705条运行轨迹、31个任务实例、三个安全代码基准、16个CWE漏洞类别，以及两个模型家族。结果显示，在生成前展示全部可见测试，平均能让“功能+安全”联合成功率提升19.3个百分点——但并非对每个模型都有效，九个基准-模型组合中只有七个受益，还有两个反而变差。

在共享候选代码的对比中，结构化反馈修复了80个初始失败的候选代码，且未出现任何联合回归；而固定原始反馈虽然修复了83个，却导致了3个回归。两者直接对局时几乎难分伯仲：六胜六负，另有453次平局。

更值得警惕的是，无论采用哪种常见策略，那些通过了所有可见测试的候选代码，仍然会在隐藏行为族上栽跟头。这意味着，测试覆盖范围才是决定成败的隐形天花板。可执行的反馈能有效修复安全代码生成，但它的收益高度依赖模型、任务、反馈介入时机，尤其是测试本身的全面性。没有万能的银弹，只有更精密的测试，才能让智能体在安全与功能的天平上走得更稳。

想象一下，一个程序员不仅会写代码，还能从每次调试、每次测试失败中学习，不断改进自己的工作方式，甚至升级自己的工具箱。如今，这样的“程序员”正在成为现实，只不过它是由大语言模型驱动的编码智能体。

在软件工程领域，大语言模型正越来越多地被嵌入到开发流程中，扮演着能够检查代码库、调用工具、执行测试、排查故障并生成补丁的角色。然而，大多数现有智能体在部署后便基本保持静态，但软件开发本身是一个动态且充满反馈的过程：代码库不断演化，依赖关系频繁变更，测试会失败，一次次的修复尝试本应留下可复用的经验。这种静态与动态之间的张力，催生了一个新兴的研究方向——自进化编码智能体。

这类智能体的核心特点是：它们不满足于“一次性”完成任务，而是通过更新自身的框架、记忆、技能、工具、模型或协作结构，从过去的编程交互中学习，从而改善未来的行为。这篇综述对这一新兴领域进行了系统梳理，首先明确了自进化编码智能体的定义，将其与传统的编码智能体以及通用的自进化智能体区分开来。随后，作者提出了一种以对象为中心的分类法，刻画了这些系统中“进化”的具体对象，并补充了两个正交视角：进化何时发生，以及哪些软件特有的证据驱动了进化。

研究发现，可执行的反馈、代码库级别的上下文以及编码轨迹，使得软件工程成为智能体自进化的天然试验场，同时也带来了新的挑战，包括反馈可靠性、基准过拟合、安全性、可维护性、成本以及泛化能力等问题。通过对现有工作的系统组织，这篇综述旨在厘清自进化编码智能体的概念边界，为设计更自适应、更可靠、更具软件感知能力的智能体系统奠定基础。

在软件的世界里，真正聪明的智能体或许不是一开始就什么都会，而是懂得从每一次失败中汲取养分，不断重塑自己。这种能力，或许正是未来软件工程进化的关键所在。

当序列模型遇上在线学习，一个名为Test-Time Training（TTT）的新范式正在试图改变游戏规则：它把序列建模看作一个在线学习问题，在推理时通过内部学习规则更新“快速权重”。然而，随着TTT变体层出不穷，研究者们却陷入了一个困境——每个变体都被单独硬编码，难以设计新方法，更难以厘清每个组件真正的作用。现在，一个名为Modular TTT的框架应运而生，它像是给研究者递上了一套乐高积木。

这个框架将内部学习器表示为一个有向无环图，把快速权重网络、损失函数、学习率、权重衰减和归一化统统变成显式的设计维度。它能够自动将底层的“训练视图前向传播”“训练视图反向传播”和“因果查询视图”规则组合成完整的图级TTT计算，包括快速权重的状态转换。这意味着，研究者可以像搭积木一样自由组合和替换组件，而无需重写整套代码。

借助Modular TTT，研究团队对TTT的每个组件进行了一次系统性的“解剖”。结果令人意外：小学习率初始化和权重衰减是真正的“功臣”，单层非线性激活也能提升性能；而均方误差（MSE）和内积损失的表现则旗鼓相当。相反，更深层的快速权重网络和归一化反而会拖后腿——它们导致激活值过大，损害了性能。至于残差连接和门控机制，它们几乎没带来任何可以测量的收益。

基于这些发现，研究者们训练了最优变体的410M和1.45B参数模型，在100B tokens上进行了验证。结果显示，其训练损失和基准性能都与Gated DeltaNet不相上下。这似乎印证了一个道理：有时候，少即是多。在快速权重的设计宇宙里，深度和复杂度未必是答案，小而精妙的组合或许才是通向高效序列建模的钥匙。对于每一个试图在算法深海中打捞灵感的人来说，Modular TTT提供的不只是一个框架，更是一种思考方式：先拆解到最小单元，再审视每个螺丝钉的贡献，最后重新组装未来。

想象一个AI在生成视频时，需要记住前面几帧的画面，才能让后续情节连贯起来。这类交互式视频世界模型通常依靠一种“键值缓存”（KV cache）作为不断增长的视觉记忆，把已经生成的帧留存下来。问题是，一旦生成过程超出训练时的长度，模型就“失忆”了——因为时间旋转位置编码（RoPE）的偏移量超出了它见过的范围，注意力机制再也无法准确找回曾经存储的内容。更糟的是，如果直接把缓存压缩到旋转坐标空间里，会把不兼容的位置相位混在一起，记忆反而被污染。

为了应对这一挑战，研究者提出了WorldTrace，一个无需重新训练的长时视觉持久化记忆框架。它的核心思想是：为每个压缩后的记忆槽分配一个独特的、位于训练分布之内的虚拟位置，从而让压缩记忆仍然可以被稳定寻址。在这个可寻址的记忆框架下，团队探索了两种压缩方式：WorldTrace-Field，着重压缩历史信息以维持时间连贯性；WorldTrace-Landmark，则检测场景切换点，逐字保存场景轨迹，用于情景式回忆。

为了公平评测，他们还搭建了LoopBench基准测试——专门检查模型在经历一段漫长绕路后，能否用压缩记忆重建之前访问过的场景。实验结果令人振奋：WorldTrace-Field在时间一致性上提升了15.5%，WorldTrace-Landmark在情景回忆准确率上提升了19.5%。这两项成绩意味着，无需重新训练，就能让视频世界模型在更长的生成周期内保持视觉记忆的可靠性和连贯性。

这项研究揭示了一个深刻的矛盾：记忆的压缩与保真往往互相拉扯。WorldTrace的办法不是二选一，而是为不同需求安排不同的记忆路径——一条通向流畅的连续叙事，一条通向精准的回溯。当AI终于能在漫长的生成旅途后，清晰地回忆起早先的一帧画面，我们或许正看到通向真正“持久世界”的钥匙。未来的视频模型，也许会像人一样，既懂得顺流而下，也记得回头张望。

训练自动驾驶，很多人想到的是让模型学习海量驾驶视频，再在开车时实时生成未来画面来辅助决策。这条路虽然有效，却像背着沉重的录像机上路，延迟高、算力贵。有没有可能让模型只看视频“练功”，上路时却一身轻装？答案藏在SimWAM里。

SimWAM的全称是“世界-动作模型”，它的思路很巧妙：把视频生成当作纯粹的“训练课”，而不是“考场”。研究者找来一个预训练好的视频专家，它擅长理解世界的动态规律；又建了一个轻巧的动作专家，专管预测车辆轨迹。训练时，两个专家通过“联合流匹配”一起学习，视频专家负责教动作专家领会道路上的运动规律，但两者之间有一道“隔离注意力屏障”——动作专家的预测绝不依赖未来帧。这就意味着，训练一结束，视频专家可以潇洒退场，剩下的动作专家成为一个独立、纯粹的规划器，直接输出驾驶轨迹。

这个设计还带来额外的自由度：两个专家互不共享参数，只通过统一的注意力机制交流。所以视频骨干可以随时替换成更强的版本，动作专家也能单独扩充规模，而无需改动学习目标或推理流程，像搭积木一样灵活。为了让大家不只学会模仿人类驾驶轨迹，研究者还用强化学习优化了一套组合式驾驶奖励，涵盖多种驾驶质量维度。

效果如何？在NAVSIM基准上，SimWAM拿到了91.5的PDMS分数，超越了现有的顶尖世界-动作模型规划器，而且延迟显著更低。更难得的是，它还能零样本迁移到nuScenes数据集上，说明学到的能力不局限于单一环境。代码和模型权重已经开源，欢迎任何人来“抄作业”。

SimWAM证明了“练时用视频、战时不用视频”的可行性：世界模型的进化能直接为高效自动驾驶添砖加瓦，而无需每次出行都拖上昂贵的生成耗材。它像一个先看完万卷书再轻装上路的司机，告诉我们：有时候，学习的沉淀比临场的翻书更有力量。

大语言模型智能体正变得越来越聪明，它们不再每次从零开始处理重复任务，而是像经验丰富的老手一样，把解决问题的“手艺”沉淀为轻量级的技能模块。这些技能以文本形式存在，随用随取，无需改动模型参数。但如何让技能越用越精、越积越优，始终是个难题。

传统方法虽然能通过反复执行任务、诊断失败原因、修改技能文本来迭代优化，但它们有两个明显短板：一是缺乏明确的“结果反馈”来指导诊断，就像医生看病不复查疗效；二是把“删除”技能当作普通编辑操作，而非专门的知识整合机制，导致技能库越来越臃肿，新旧知识互相干扰。

为此，研究团队提出了SkillProx框架，灵感来自近端梯度优化中的前向—后向算法。它把技能演化看作一个复合目标：既要降低任务损失，又要控制技能复杂度。在前向阶段，智能体在同一批任务上重新执行诊断驱动的修改，一旦发现性能回退就立即回滚，并把实测结果反馈给下一轮诊断，形成闭环。在后向阶段，系统将技能拆解为可审计的知识单元，用“留一法”冻结审计估算每个单元的贡献，再依据验证结果决定保留、降级还是移除。

实验覆盖多个主流基础模型，在分布内和分布外基准上，SkillProx相比最强的梯度基线方法，平均准确率提升了3.0个百分点。消融实验进一步显示，闭环诊断与近端细化各自独立贡献，又相互补足，缺一不可。

这项研究揭示了一个深刻的道理：智能的进化不仅在于学会新东西，更在于懂得系统性地审视、取舍和整合已有的积累。当智能体学会像园丁修剪枝叶一样修剪自己的技能库，它便在纷繁复杂的任务中找到了成长的方向——每一次诊断都是对过去的复盘，每一次精简都是对未来的投资。

想象一下，当你面对成千上万个大语言模型，每一个都号称自己最强，但预算有限、任务各异，究竟该选哪一个？这正是大模型部署中最头疼的问题之一：没有任何单一模型能在所有查询和预算约束下都表现最优。于是，模型路由应运而生——它像一个智能调度员，为每个请求挑选最合适的模型。然而，现有的路由系统各搞一套，实现方式五花八门，很难公平比较，更别提扩展了。

在这项研究中，研究者们提出了一个统一视角：将大模型路由看作一个序贯决策过程，并拆解为五个核心组件——上下文编码器、模型编码器、评分函数、决策规则和学习信号。这个框架不仅能覆盖单轮问答，还能处理多轮对话和个性化路由场景，仿佛给混乱的路由领域画出了一张清晰的地图。

基于这个统一框架，他们搭建了一条自动化流水线，用来构建路由监督信号，并同时从回答质量和推理成本两个维度评估路由器的表现。最终产出的基准测试xRouteBench，横跨通用大模型、记忆增强、视觉、时间序列和个性化路由等多项任务，堪称路由器的“全能考场”。与之配套的，还有开源的模块化基础设施LLMRouter，集成了超过16种有代表性的路由器，让研究者可以轻松接入、对比和扩展。

实验数据带来了几个有趣的洞察：首先，经过学习训练的路由器，相对最强的固定模型基线，在性能上实现了14.6%的相对提升——这说明“动态选择”确实比“一招鲜”更有效。其次，在成本约束非常紧张的情况下，轻量级路由器反而变得更有竞争力，仿佛在预算有限时，精简的策略反而更显智慧。最后，加入用户条件信息的个性化路由，始终能带来一致的体验改善，提示我们：同一个问题，不同的人可能真的需要不同的答案。

这个研究的意义，不只是给出了一个更好的路由器，而是为整个领域提供了共同的语言和工具箱。当模型越来越多、需求越来越复杂，真正聪明的系统也许不是那个最强大的模型，而是知道在何时何地调用哪个模型的“调度者”。未来的大模型服务，或许比拼的不再是单一模型的智商，而是整个路由生态的智慧。

当一台机器观看数小时的视频，它能否像人一样，在脑海中构建出一张连贯的“世界地图”？过去，空间智能的测试大多局限于单一视角或局部场景，机器或许能看清眼前的一隅，却难以理解连续镜头中的全局空间关系。为了挑战这一局限，研究者们推出了一个全新的基准测试——GST-Bench（全局时空基准），它专门评估视频理解中的“全局空间智能”。

这个基准的诞生并非纸上谈兵。它的题库基于6790分钟精心合成的视频生成，并经过人工严格核验。视频中的每一个问题，都要求模型从输入视频里从未出现过的全新视角进行推理，还要能将第一人称的所见所闻，精准映射到俯视的全局地图上。这就像让一个人只看了一段第一视角的走路录像，最后却能画出整栋楼的平面图——难度可想而知。

研究团队用GST-Bench对22款最先进的多模态大模型进行了全面“拷问”，结果令人震惊：表现最好的零样本模型，得分仅为42.68，而人类平均分高达79.08。这道横亘在人与机器之间的巨大分数鸿沟，直接暴露了当前模型在全局空间认知上的致命短板。

为了追查问题根源，团队进一步设计了GST-Bench-Local对照实验。有趣的是，在同样的任务格式下，模型处理局部空间理解时表现相当不错，但当需要把长时段的观察整合成一个全局一致的场景表征时，它们便彻底败下阵来。这说明，机器的“空间记忆”就像一盘散沙，无法有效拼接成一幅完整地图。

作为弥补，研究团队还额外提供了GST-Train数据集，专门用于全局空间推理训练，希望为后续研究搭好一座桥梁。机器理解世界的方式，或许正处在一个从“眼见为实”到“脑中有图”的关键转折点。未来的智能体若想真正在复杂环境中行动自如，恐怕必须先学会把无数碎片式的目光，织成一张浑然一体的认知之网。

当大语言模型不再只靠嘴皮子，而是学会自己写代码来调用工具，会发生什么？传统上，模型调用外部工具需要按照严格的JSON格式发出指令，就像填表格一样规规矩矩。但一项新研究提出了一种更“野”的方式：直接把工具变成带类型的Python函数，让模型生成一段代码来完成调用，执行和结果返回都在同一轮对话中完成——这叫“程序化工具调用”。

研究团队在BFCL v4基准上，对14个大语言模型进行了系统的对比测试，比较这种写代码调工具的方式与原生JSON调用到底谁更强。结果相当出人意料：在14个模型中，有11个模型的程序化调用表现不输甚至超过了JSON调用，其中GPT-5.6系列平均提升了10.6%。更值得一提的是，在并行调用多个工具的场景下，13个模型都达到了同等或更好的效果；而在对话上下文被干扰的“混乱”条件下，JSON基线平均退化2.3%，程序化调用却依然稳如泰山。

这项研究用数据表明，让模型写代码去操作工具，不是花架子，而是一种既可行又稳健的替代方案，而且其表现会随着模型代际的升级而持续变强。或许未来的AI助手，不再是跟你说“我正在帮你查”，而是默默写好一段代码，替你搞定一切——这种转变，正在从实验室走向现实。无论是工具调用的效率还是稳定性，写代码这条路，正越走越宽。

在人工智能的疆域里，持续学习长久以来一直围绕着一个朴素的问题展开：如何让模型在持续吸收新知识的同时，不遗忘旧本领？过去的主流答案，几乎都指向参数本身——设计精巧的训练策略、调整网络结构、优化权重更新。这些方法像是一场永不停息的内部装修，在固定的大脑里反复腾挪，试图用有限的神经元容纳无限变化的世界。

然而，一场静默的范式转移正在发生。越来越多的研究者意识到，学习的边界远不止于参数空间。想象一下，强化学习中的智能体在真实环境中边行动边学习，这不再依赖预置的离线数据，而是让学习发生在与环境交互的每一个瞬间；再想象一下，当模型在测试阶段遇到全新输入时，它可以即时调整自身状态来应对，而不是被动接受训练时的固定能力；更不用说，那些模型外部挂载的“外挂”——记忆库、技能清单、交互协议，它们像工具箱一样不断扩充着系统的能力图谱。这些现象共同指向一个结论：持续学习正在从“参数中心”走向“系统级适应”。

为了梳理这一变迁，研究者提出了一组名为“何时、如何、何地”的三维框架。“如何”维度关注学习机制本身的演进，从传统的离线策略学习，到在线策略学习，再到超越梯度的优化方法；“何时”维度捕捉学习在时间轴上的移动，从预训练、后训练一直延伸到推理阶段；“何地”维度则区分更新究竟发生在模型内部参数之中，还是借助外部结构约束来达成目标。这三根轴像一张坐标网，将散落在不同方向上的最新尝试一一锚定。

沿着这张网，代表方法清晰浮现：模型通过内置参数微调巩固知识，这是经典路线；同时，更多系统级方案开始拔地而起——动态扩展的记忆组件让经验可以随时存取，可检索的技能库让旧问题的解法在新场景中复用，交互协议则让模型在与用户或环境的对话中实时修正思路。这些探索不再只问“权重怎么调”，而是问“整个系统如何与时共进”。

当然，范式转移也意味着挑战。内部参数和外部结构如何协同？在线学习带来的不稳定性如何控制？测试时训练又可能引入哪些安全风险？这些问题尚无统一答案，但恰恰是驱动下一轮研究的关键动力。从更宏大的视角看，这一转变不仅拓宽了持续学习的定义，也在重塑我们对“模型能力”的理解——真正的适应力，或许不在于某个参数的完美落位，而在于整个系统在动态世界中的从容姿态。当学习不再被锁在训练阶段的一次性优化里，未来的智能或许将更像一片生生不息的生态，而非一座静态雕塑。

在人工智能构建的虚拟世界里，让成百上千个玩家同时在线互动，一直是道难题。过去的主流世界模型，总把世界状态和视角画面捆绑在一起处理，这让多玩家环境中视点各异、画面重叠，不仅计算冗余，还容易让不同玩家看到的世界彼此矛盾。试想，你若是在一个游戏里看到墙壁完好，朋友却说那里已经坍塌，整个世界的可信度便瞬间崩塌。

为了打破这一瓶颈，研究团队提出了一种名为MAS的新架构，灵感来自成熟的多玩家游戏服务器设计。它的核心思想，是把“世界本身”和“你看世界的方式”彻底分开。MAS内部有一个被称为逻辑引擎的模块，它不再依赖人工编码的规则，而是通过观察玩家的联合动作，自主学习推进一个全局的、权威的共享状态。这个状态好比所有玩家共认的唯一宇宙时钟与共识蓝本，承担着所有循环记忆和同步的职责。而另一个渲染引擎，则根据这个共享状态，为任意请求的摄像机角度即时生成彼此独立又高度一致的视角画面。

正是这种明确的解耦，让MAS在一个对照组别的多玩家贪吃蛇基准测试中，取得了比众多先进多视角方法更精准的全局状态预测，同时视角间的冲突也显著下降。更值得注意的是，MAS成功将预测世界推进到了1024个玩家同时在线、持续一万步递归推理的规模，这是以往模型难以想象的疆域。

这项研究揭示了一个朴素而深刻的道理：要让多智能体共享同一个世界，与其让每个人各画一幅地图，不如先共同守护一张唯一真实的地图。清晰的权威状态建模，为可扩展、自洽的多智能体世界模拟铺就了一条切实可行的基石之路。这也让人不禁思索，当AI模拟的世界足够稳定、足够一致时，我们距离真正可信的虚拟社会体验，或许已然不再遥远。

在数字人直播、虚拟偶像互动的热潮背后，角色动画生成始终是一道难啃的硬骨头。过去的方法要么依赖显式运动提取，容易产生身份漂移；要么用隐式运动特征，却在压缩中丢失了精细动态；还有一类学习方法虽能绕开中间表示，但计算成本高得吓人。更关键的是，这些系统都只支持离线合成，无法满足实时互动的需求。

现在，研究团队带来了Wan-Animate-2，一个端到端的角色动画框架。它直接吃进驱动视频，在重新设计的Diffusion Transformer中完成生成，彻底砍掉了中间运动提取器，让动作保真度和身份保持能力双双提升。更妙的是，它引入了文本驱动的视角控制，让输出画面的镜头角度可以脱离驱动视频独立变化——这是以往依赖显式运动表征的方法很难做到的。

但真正让人眼前一亮的，是它为了解决实时性问题专门推出的轻量版Wan-Animate-2-Lite。通过三阶段训练套路：教师强制预训练加上错误缓冲机制，再用分段反向传播做自强制蒸馏，推理延迟终于压到了实时门槛以内。这意味着数字主播可以真正“活”起来，随时响应观众互动，打开了过去想都不敢想的应用场景。

定性评估和用户研究显示，Wan-Animate-2在各类角色和动作模式下都能交出高保真的动画结果。为了推动社区发展，团队还准备把Wan-Animate-2-Base的模型权重开源。

当动画生成不再需要漫长的等待，虚拟与现实的边界正在悄悄消融。每一次眨眼、每一缕衣摆的轻颤，都可能意味着新的数字生命正在诞生。技术的门槛降低，带来的不只是效率，更是创造力的解放。

在图像生成领域，科学家们一直面临着一个两难困境：如何在像素空间中直接生成高分辨率图像，同时兼顾全局结构和细节纹理？传统方法往往被迫在压缩和精度之间妥协。如今，一项名为能量引导流匹配（EG-FM）的新技术，为这一难题提供了一条优雅的解决路径。

这项研究的核心洞察在于，生成过程可以像画家作画一样，先勾勒轮廓，再填充细节。EG-FM颠覆了传统流匹配中固定终点的做法——不再让模型从纯噪声直接跳到最终图像，而是引入了一个会“移动的终点”：这个终点先是一张模糊的低频图像，随着生成过程的推进，逐渐演变为清晰的高清原图。这种从粗到细的演化并非随机，而是由一种图像特定的能量引导调度来精确控制，决定了每一时刻释放多少高频信号，从而重新定向了流匹配中的速度场。

最令人兴奋的是，这一框架无需改动现有的骨干网络架构和训练数据，仅在训练和推理阶段增加了可以忽略不计的成本。在ImageNet类别条件生成任务中，EG-FM以256×256分辨率展现了卓越的效率：仅训练200个周期就达到了1.55的FID分数，600个周期后更是降至1.45。当研究者将任务扩展到512×512分辨率时，只需40个周期的高分辨率适配，就获得了1.58的FID成绩。这一表现表明，EG-FM不仅学得更快，而且在高分辨率下依然保持稳定。

更广泛的适用性也得到验证——在文本到图像生成任务中，EG-FM在GenEval评分上取得了0.85分，在DPG-Bench上达到83.9分，展示出跨任务迁移的强大能力。

这项研究的巧妙之处，在于它把生成过程从一个隐式的“黑箱学习”变成了显式的“分阶段构建”。通过能量引导的调度，模型无需自己去摸索从噪声到图像的复杂路径，而是沿着一条精心设计的轨迹稳步前行。这就像是为生成过程装上了一个智能导航，让每一步都清晰可见。当生成任务变得越来越复杂，这种可解释的引导方式，或许正是通往更高保真度图像的一把钥匙。

大语言模型的自我提升，似乎总离不开“老师”——要么靠人工标注的正确答案，要么靠环境反馈，要么靠更大模型的指点。这种依赖外部监督的“自我蒸馏”，多少有些名不副实。这项研究却带来一个令人惊讶的发现：模型完全可以只用自己的生成结果，通过内部一致性来实现真正的“自我蒸馏”。

研究者提出了无监督在线自我蒸馏方法U-OPSD。它的思路很直接：让模型对同一个问题采样多条回答，用多数投票筛选出高置信度的答案，再从中挑出最短的那个作为“伪标准答案”。随后，模型会把这伪答案作为教师信号，专门去修正自己那些“自信地犯错”的最长错误回答——通过将教师分布蒸馏到最长错误回答的前缀上，模型得以在错误发生的精确位置自我纠正。

结果令人振奋。在AIME24、AIME25、HMMT25、MATH500和AMC23等多个数学基准上，U-OPSD让Qwen3非思考模式在4B和8B规模下分别比基础模型提升了8.5%和10.7%，平均超越需要人工标注的OPSD达到3.2%和2.3%。在思考模式下，它也能与有监督的OPSD打成平手，在4B上高出0.9%，在8B上持平，并分别超越GRPO达0.7%和1.1%。

这意味着，模型不再需要外部权威来告诉它对错。它只要敢于反复尝试，从自己的众多答案中找到共识，再回头审视自己最长的那些错误尝试，就能完成一场惊艳的进化。当能力增长的钥匙握在模型自己手中，未来的对齐与训练，或许会走向一条更自主、更轻量的道路。

当大语言模型逐渐从单纯对话走向自主决策的智能体系统时，一个微妙却关键的变化悄然发生：模型的能力不再只取决于权重本身，还取决于环绕它的“操纵台”——提示词、工具调用、控制流程、记忆模块以及编排代码。这些要素共同构成了智能体的“外挂系统”，而如何优化这套系统，正在成为提升AI性能的全新赛道。

然而，一个尴尬的现实是：尽管各大模型厂商都在宣称自己模型多么强大，学术界却缺乏一个统一的标准，来衡量前沿大模型在自动优化这套“操纵台”时的真实水平。为此，研究者推出了HarnessOpt-Bench——一个专为端到端操纵台优化设计的基准测试，直面昂贵且随机的评估挑战。

这个基准的运作方式颇为巧妙。优化器由一个大语言模型搭配一套编码操纵台组成，它接收目标智能体的初始种子操纵台、带评分的评估反馈，以及一个固定的目标评估预算。优化器可以反复编辑操纵台，并在预算耗尽前提名一个最终候选版本。而真正决定胜负的，是候选版本在测试集上相对种子版本的标准提升幅度——关键的是，这个测试集在整个搜索过程中始终对优化器不可见，彻底杜绝了作弊和过拟合的可能。一个可信执行环境严格保障评估边界，监控目标智能体的资源消耗，并保留所有候选版本以供审计。

研究团队进行了大规模实验：5个前沿大模型作为优化器，在共享编码操纵台和各自原生操纵台两种条件下，穿越4个下游任务，共完成了111次评分的运行。结果出乎意料又耐人寻味——首先，优化器模型本身的差异，比它们所使用的编码操纵台的差异更能影响最终效果；其次，原生操纵台并不总是优于共享操纵台，打破了“自家工具一定顺手”的直觉；最后，不同任务和种子策略下的增益差异极大，有的任务提升显著，有的则微乎其微。

这项研究的意义在于，它首次将“操纵台优化”确立为一个可量化、可区分的能力维度，证实了当前大模型在这项任务上仍有巨大的改进空间。而更深层的启示或许是：当我们在评价一个AI系统时，也许不该只盯着模型参数，还要看到那些看不见的编排与工具——真正聪明的智能体，可能不是最强大的大脑，而是能被最精巧地操控和装配的系统。未来的竞争，或许将从模型本身，悄然转向驾驭模型的艺术。

想象这样一个场景：一台机器人在固定的实验室里学会抓取物体，然后被直接扔进一个从未见过、家具散乱、光线杂乱的新房间，它依然能稳稳地完成任务。这听起来像科幻片，但一项名为GeniWorld的研究正试图把这一设想变为现实。机器人学家们一直在探索：如何让通用的机器人策略在复杂且陌生的环境中依然可靠？答案往往需要海量的真实世界数据来堆砌，但部署和采集的成本却高得令人却步。

于是，研究者将目光投向了“动作条件世界模型”——让机器人在脑海中模拟世界运转，预演动作后果。然而，这类模型常有两个老毛病：一是动作可控性差，像是提线木偶的线松了；二是对分布外场景的泛化能力弱，换个环境就“水土不服”。GeniWorld的出现，正是为了修补这两块短板。

它的巧妙之处在于“翻译”。借助预训练的视频生成模型，GeniWorld利用URDF（统一机器人描述格式）渲染，把冷冰冰的数字动作转译成具象的“视觉动作”——比如机械臂末端画出的轨迹。这相当于给机器人的每个指令配上了看得见的“手语”，让它能在空间上有根有据地操控。更关键的是，它刻意将“身体运动学”与“环境动力学”剥离开来。躯体如何动归躯体，环境如何变归环境，泾渭分明，从而避免了模型死记硬背场景特征、过度拟合的陷阱。这种解耦让机器人得以看清：哪些变化源于我自身的动作，哪些变化来自外界，进而更稳健地建模人机交互。

为了实现实时闭环控制，GeniWorld搭建了一个自回归视频预测模型，并与高频的机器人运动控制系统深度融合。这意味着，它不仅能离线“做梦”，还能在线“接招”——无论是机器人的内置策略，还是人类遥操作的指令，它都能即时响应、滚动预测。实验结果是振奋人心的：即便仅用有限的固定场景数据训练，GeniWorld在领域内的表现已相当出色，而在高度随机化、完全陌生的环境中，它展示出了强大的零样本泛化能力，仿佛一个“见过世面”的老手。

这份能力让GeniWorld有了更广阔的用武之地。它首先是一个可扩展的策略评估器，当环境出现扰动时，它依然能给出可靠的评估反馈，省去了在真实世界中搭建各种刁钻场景的麻烦。其次，即使真实演示数据稀缺，GeniWorld也能在自身世界模型内生成丰富多样的操作轨迹，反哺下游策略学习，让机器人在复杂环境中变得更稳、更强。

世界模型让机器人在想象中试错，在行动前预演。当现实数据昂贵、真实场地稀缺时，这种“仿真梦境”或许正是通向通用机器人奠定的一块基石。机器的世界地图越画越精细，但它驶向陌生之境的舵，终究握在人所定义的意图与价值手中。

当大语言模型面对一个需要连续切换不同技能的复杂任务时，它还能保持清醒吗？比如，先做一道数学推导，再用结果去规划时间表——这种看似平常的“跨技能”操作，恰恰是当前AI最头疼的软肋。研究者将这类问题命名为“跨技能长程任务”，并发现现有基准测试大多只盯着单一技能，根本无法衡量模型在技能间切换的真实能力。

为了填补这个空白，一项新研究提出了两个关键工具。首先是“技能熵”，一个用来量化“从一个技能跳到另一个技能有多难”的指标。其次是Skill²-Bench，一个包含558项技能、覆盖9个可验证开放领域的长程任务基准，每个任务都配有技能熵分数，并按难度划分为三个等级。当研究者用这个基准测试8个前沿模型和4个开源模型时，一个明显的“技能切换鸿沟”浮现出来：任务熵越高，模型准确率越低。

但研究没有止步于诊断。他们把技能熵从评估标尺变成了训练信号，设计出“技能熵强化学习”框架。在这个框架里，模型每一步不仅要预测答案，还要预测自己用了什么技能。奖励函数结合了步骤正确性和技能序列与标准序列的匹配度。实验结果显示，Qwen3-4B-Instruct的Score从34.4%飙升至68.4%，Qwen3-1.7B则从14.6%跃升到40.1%，双双击败了竞争基线。更妙的是，这套流程同样适用于现成的训练数据，比如OpenR1-Math，说明技能熵是一种可复用的通用训练信号。

这场研究的意义或许在于：智能不止是擅长做某件事，更在于知道自己正在做什么、并且能优雅地切换。当模型学会为每一步贴上“技能标签”时，它就不再只是埋头计算的机器，而更像一个懂得调度的思考者。而那个衡量切换难度的尺子，也许正是通往更灵活通用人工智能的一块重要基石。

在漫长的搜索征途中，智能体需要像侦探一样一步步搜集线索、验证信息，最终拼出答案。可过去的训练方法却像一位粗心的老师，只看学生交上来的最终分数，而忽略了过程中哪些动作真正推动了破案，哪些不过是原地打转甚至误入歧途。即便是一次失败的探索，其中也可能藏着值得鼓励的关键一步。

为了改变这一局面，研究者们提出了“答案回溯的信用分配”框架（ABC）。它的妙处在于，把原本只有成功或失败的整体评判，拆解成对每一步的精细打分。面对一个问题，ABC先从事后已知的正确答案倒推，还原出解开谜题所必需的中间线索；然后再拿这些线索去衡量智能体在搜索中的每一步，看它到底是接近了真相，还是在做无用功。这样一来，即便是最终未能答对的轨迹，其中触碰到关键线索的操作也能得到奖励，而错误或重复的动作则会被压制。

基于这种细粒度的奖励，研究者开发了两种训练方式：ABC-SFT，对每条训练数据的损失按步骤质量重新加权；以及ABC-GRPO，把步骤得分直接作为强化学习的奖励信号。他们用这个框架训练了名为ABSeeker的智能体，基座模型仅为Qwen3.5-4B，训练数据也只有区区8.5千条示例。然而，它在BrowseComp上达到了37.3%的准确率，在中文版BrowseComp-ZH上达到39.1%。更令人惊讶的是，加入上下文管理后，这两项成绩跃升至55.3%和52.9%，不仅远超同规模的4B智能体，甚至能与约300亿参数的大模型一较高下。

这趟从答案向线索的逆流而上，启示我们：真正的学习往往藏在细碎的路径之中，而非仅仅落在终点的答案上。当我们学会欣赏每一步的积累，智能体才能在浩瀚信息中，走得更稳、更远。

在机器人学习的世界里，数据从来不是慷慨的馈赠。真正的机器人操作数据稀缺且昂贵，而人类每天却在不经意间产生海量的第一人称视频——吃饭、倒水、拿东西，这些日常动作被摄像头默默记录。一个自然的想法浮出水面：能否让机器人从这些“人类的日常”里偷师学艺？问题在于，人类视频缺乏机器人所需的动作标签，且视觉形态与机器人本体差异巨大。如果简单粗暴地把所有数据混在一起训练，模型不仅学不到共享知识，反而会“负迁移”，像学生同时读了互相矛盾的两本教材，越学越糊涂。

面对这一难题，研究者提出了JoyAI-RA 0.5——一个通用型视觉-语言-世界-动作（VLWA）框架。它的核心巧思在于“双重动作对齐”。第一重是隐式对齐：从视觉过渡中推断潜在动作，让没有动作标签的人类数据、仿真数据和机器人数据共同去训练一个“潜在动作条件世界模型”，帮助模型理解物理动态。第二重是显式对齐：通过标准化的动作表示和“相机坐标系下的片段相对末端执行器动作”，将可信的人类和机器人轨迹映射到同一个物理动作空间。就像一个初学者先是默默观察高手的手势，再在标准化的坐标系里复现那些动作，最终形成自己的肌肉记忆。

在此基础上，研究者设计了一个内外双环的强化阶段：内环专注于快速适应具体任务，外环则持续推进基础策略的升级。在真实世界的AgiBot基准测试中，JoyAI-RA在已知任务和未知变体上都表现出色。更值得注意的发现是：随着人类第一人称预训练数据量的增加，任务得分持续稳步上升，而且在我们目前的最大数据规模下，依然看不到平台期。这个趋势暗示，海量但弱标注的人类经验可以被转化为可迁移的训练信号——人类视频不再是那个边缘的“辅助数据源”，而是真正能推动操作能力规模化增长的主轴之一。正如论文所展现的那样，让机器人从人类的生活碎片中学习，或许正是通往通用操作智能的一条实实在在的路径，而这条路径的尽头，远比我们想象的更远。

训练一个能完成长程操作的终端智能体，数据贵得惊人。每个任务必须让指令、环境、参考方案和验证器彼此严格一致，人工编写难以规模化，而直接让大模型生成又常常破坏这些依赖，成本动辄数百甚至上千美元。现在，一套名为RST（Recursive Synthetic Terminal Tasks，递归合成终端任务）的新框架，把价格打到了每条约五分钱，还顺便造出了七万多条高质量训练样本。

故事要从“种子任务”说起。RST先拿到一批人工验证过的任务，然后让大模型在参考方案上“长出”新步骤，再反向把验证器和指令改写成匹配新流程的样子。每一步都在全新的沙盒环境里真实验证，通过的才留下，并作为下一轮的种子。就这样，一轮接一轮，机器自己给自己出题，自己判卷，再接着考自己。

十五轮递归下来，RST产出了三万七千四百八十四条终端智能体任务。难度增长惊人：参考方案的中位数从六十七行涨到三百七十四行，实际执行的命令数从四十条涨到二百四十四条。最强的DeepSeek-V4-Pro模型在第一轮任务上通过率高达百分之九十，到了第十五轮，直接跌到百分之二点五——题，是真难了。

但难，才有训练价值。研究者用Qwen3.5在合成任务上做拒绝采样，再用这些数据微调。在Terminal-Bench 2、Terminal-Bench Hard和Long-Horizon Terminal Bench三个基准上，Qwen3.5-27B和Qwen3.5-122B-A10B的得分最高提升了十个百分点。更进一步的agentic PPO强化学习，把Qwen3.5-27B的成绩推到了百分之四十九点四四、百分之三十二和百分之二十二点零七，相对基础模型分别提升了百分之二十、百分之四十一点二和百分之二十一点九。

值得注意的是，十五轮之后，递归仍未见顶：合成产率和验证通过率保持稳定，难度还在攀升。也就是说，这个造数据的飞轮可以一直转下去，远未触及天花板。当机器开始给机器出题，而题目又难倒最聪明的模型时，智能体或许正沿着一条自我驱动的阶梯，稳步走向更复杂的世界。

想象一下这样的场景：一个机器人正在厨房里帮你端菜，它需要一边走向餐桌，一边调整身体姿态保持平衡，同时手里还要稳稳地端着盘子。这对人类来说轻而易举，但却是人形机器人领域最难啃的骨头之一——因为这在同一时刻融合了移动和操作两种能力。长期以来，大多数机器人系统都把这两件事分开处理：要么先站定再动手，要么专注于手臂动作而忽略下半身。而最近，一种名为ω-0的全新模型，试图打破这个界限。

这个模型的核心创意，是让机器人像人类一样“预判未来”。它不直接生成下一步的画面，而是学习一种紧凑的未来观察表征，作为轻量级的预测目标，再将这种视觉“预知”与基于扩散模型的全身动作生成结合起来。简单说，机器人不是死板地按脚本执行，而是看着当前的环境，想象一下接下来会发生什么，然后同步输出全身动作——从脚底到指尖，一气呵成。

更难得的是，ω-0非常“接地气”。它支持三种常见的视觉输入：机器人自己的第一视角RGB摄像头、外部视角的RGB摄像头，以及外部视角的深度摄像头。这意味着它不需要昂贵特殊的传感器，就能适应不同的部署场景。研究团队还巧妙地利用基于控制器的模拟回放技术，把人类公开的视觉-运动先验知识，转化为机器人真正能执行的动作指令，解决了“看会了但做不出来”的难题。

为了让模型有足够的数据学习，团队专门收集了一个名为ω-HOME的数据集，包含超过40小时的真实世界家庭场景数据，里面同步记录了多视角视频、人体全身SMPL动作、机器人状态和动作潜在变量。在这个基础上，他们让一个单独的ω-0模型去挑战11项真实家庭任务——这些任务都要求机器人“边移动边操作”，比如边走边整理物品、在行进中调整姿态等。实验结果相当亮眼：ω-0不仅能稳定生成流畅的“移动中操作”行为，而且在所有任务上都持续优于代表性的模仿学习、视觉-语言-动作（VLA）模型、其他专用人形机器人模型以及世界动作模型基线。

这项研究的启示在于：人形机器人的未来，或许不在于把每一块能力拼图做得更大，而在于找到一种方式，让所有能力在同一时刻自然融合。当机器不再需要“停下来想一想怎么动手”，而是像我们一样本能地边走边做，真正的家庭助手才可能从实验室走进日常生活。这场关于“同时性”的探索，才刚刚开始。

在漫长而复杂的智能体任务中，一个错误的决定可能让整个行动功亏一篑，但究竟是哪一步走错了？传统的强化学习虽然能通过最终结果给出整体评分，却常常像一位只看成绩单的老师，难以指出学生具体在哪道题上丢了分。这种现象被称为“信用分配难题”，尤其在需要多轮交互的智能体任务中格外突出。

近期，研究人员尝试通过“特权自蒸馏”方法提供更密集的监督信号，但局部的反馈如何转化为对序列决策的合理评价，依然是一团迷雾。为了破解这一难题，来自业界的研究团队提出了AgentOPSD——一种无需评论家模型、能够递归进行回合级信用分配的全新方法。

AgentOPSD的巧妙之处在于，它像一位经验丰富的棋手复盘棋局：将每一步落子的“师生对数概率差”聚合为单个回合的证据，然后在对数几率空间中递归更新一个贝叶斯信念状态。这种机制将稀疏的结果反馈转化为每个回合的具体信用评分，而通过比较相邻状态间的信念修正量，系统能够敏锐地识别出那些真正改变命运的关键回合。更难得的是，它不需要额外的评论家网络，也不产生额外的探索数据，能够无缝嵌入标准的策略优化流程。

在ALFWorld、WebShop和Search-QA三大基准测试中，研究团队使用Qwen2.5系列模型（参数量为3B和7B）进行了全面验证。结果显示，AgentOPSD显著超越了GRPO以及强大的自蒸馏基线方法，其中在ALFWorld上搭配Qwen2.5-7B模型时，任务成功率达到了令人瞩目的89.1%。消融实验进一步表明，性能的提升主要归功于回合级的信息聚合和依赖历史信息的递归信念更新机制。

如果说强化学习是让智能体在试错中成长，那么AgentOPSD就像是给了它一面更清晰的镜子，让它不仅看到成败，更能看见成败背后那些微妙的因果链条。当智能体能够准确回望自己走过的每一步，它通往目标的道路也将不再那么崎岖。或许，这正是通往更可靠、更可解释的自主决策系统的一把钥匙。

在机器学习的世界里，同样的起点，不同的优化器，竟会走向截然不同的结局。一项新研究揭示了一个令人惊讶的现象：当模型被分解为两个矩阵的乘积时，梯度下降和Adam虽然从完全相同的小初始化出发，前者会悄悄偏向低秩解，后者却无动于衷。这背后的秘密，藏在损失函数的一种特殊对称性中——当两个因子矩阵同时乘以某个正交变换时，损失保持不变，就像一枚硬币无论怎么翻转，价值不变。

研究者发现，这种“规范对称性”决定了优化器能否复现梯度下降的路径特性。梯度流之所以能低秩恢复，前提是优化器必须具备“规范等变性”。梯度下降、动量法、共享标量Adam、Muon和Shampoo满足这一性质，而Adam、RMSProp及其他逐坐标方法则不具备。一个结构定理给出令人惊讶的结论：所有无记忆的等变规则，本质上都是“Gram矩阵决定的左预条件器”；而一个迁移定理则把梯度流的路径性质推广到共享标量流上。

为了直观比较，研究者在欠定矩阵感知任务上测试了九种更新规则。他们用一个从逐坐标到共享标量的单参数族，发现恢复偏差随参数单调回升，从而锁定“各向异性”是罪魁祸首。进一步地，一篇“谱调度”实验调和了关于Muon的两个对立报告：当更新速率相等时，Muon能精确恢复低秩目标，但随着谱尾部增长，它的优势逐渐消失。

在Transformer中，这种差异在第一步就显现出来。Adam在第一步就分开了两个规范等价的初始化，而等变优化器仍停留在浮点精度上。最终，两种初始化下注意力头的内积矩阵 W_Q^T W_K 在相对Frobenius距离上相差56%，这个差距没有任何单头旋转可以弥合。在两组高光谱数据集上，当训练损失匹配时，梯度下降在最低采样密度下将留出误差降低了43%至44%，并获得了更低的有效秩。

这项研究传递了一个深刻的信息：基的选择绝非微调细节，而是决定优化器选择哪条插值路径的关键决策。当模型参数以不同方式分解时，优化器悄然偏置着模型的“记忆形状”，而我们才刚刚开始理解这种偏置如何塑造学习到的表示。

想象一个AI系统，它不靠更换大脑，而是靠着更聪明的“工作方式”在长时推理中不断自我进化。这就是Argus——一个用固定模型权重，却能在运行时持续积累经验的智能体框架。它像一支四人小队：经理负责理解用户真正意图，规划师拆解任务，工程师动手执行，评审员则为每一步把关。任何记忆、技能、流程或验证标准，都必须经过角色专属的审查，并通过任务本身的验证才能被纳入系统。这种机制让Argus能在证据充分时坚持路线，又在测量结果暴露失败或隐藏约束时果断转向。

在七项GPT-5.5基准竞技场中，Argus于SWE-Bench Pro拿下约78%的成绩，远超直接编码助手Copilot的59%，代价仅为1.41倍的token消耗。更引人注目的是它的自我进化：经过验证门控的迭代，成熟任务相比启动阶段，每个任务节省21%的求解输入token和15%的活跃工作流时间，期间还记录了34次验证器恢复和22次严格评审循环救援。在AARRI-Bench上它达到76.8%，数学数据合成领域领先28个百分点，GPU内核与语言模型训练任务也表现不俗。

Argus的镜头不止于实验室。一个优化后的RWKV6内核被合并进上游代码库；一场持续多日的数学战役中，它保留了被证伪的路径，并推进了带证明的边界更新；六个论文管线完成了254项任务，其中16次阶段回滚被坦然记录。这些数字背后，是一条贯穿始终的原则：模型权重固定，自我进化发生在持久化运行时状态与控制策略之中，操作者拥有最高的升级决策权。

当大多数系统试图用更大模型或更多数据破解难题时，Argus提醒我们：智能的另一半，或许在于如何把每一次走过的弯路、每一次严格验证后的修正，都转化为下一次出发时沉静的底气。真正的适应力，未必是换一颗更聪明的大脑，而是让行动本身学会记忆与纠错。

在后训练阶段，多模态大语言模型的推理能力如何提升？一个名为“在线策略自蒸馏”（OPSD）的范式已成为标准答案。它通过从多样输入中提取“特权信息”来指导模型自我改进，听起来很完美。然而，一个被长期忽视的隐患——“模态失衡”——正悄悄拖累模型的发挥。当文本信息在生成中占据绝对主导时，模型就像戴着有色眼镜，无法真正融合图像与文本的完整语义。那些精心设计的特权信息，因此成了摆设。

研究人员设计了一个精巧的实验来揭示这个问题：他们用“放大图像的正教师”和“遮盖图像的负教师”进行对照，观察两者在推理正确性和令牌对数概率上的差异。结果令人惊讶——模态平衡程度本身，竟然就是一种可用的特权信息！这一发现催生了新方法OPD-V：它通过正负教师定义“模态平衡置信区域”，只挑选那些处于平衡状态的在轨令牌用于自蒸馏，从而让模型真正“看见”多模态输入。

实验覆盖了6个基准、4种主流多模态骨干和5种后训练方法。结果显示，OPD-V不仅持续提升推理准确率，还显著降低了训练开销。这一突破提示我们：在追求模型能力的道路上，平衡或许比堆砌信息更重要。当模型学会协调每种感官的输入，它的“智慧”才真正完整。