EZ.AI Listen Daily
大型语言模型正在越来越多地承担代码修复工作，但一个被忽视的问题正浮出水面：当模型被要求修复一个漏洞时，它往往不只是修补问题，而是把原本运行正常的代码也一并重写。这种“过度编辑”行为，让修复变得难以审查，甚至可能引入新的风险。为了系统研究这一现象，研究人员从400个BigCodeBench编程问题出发，通过向标准答案中注入受控的语法树级破坏，构造了一批“已知最小修复补丁”的基准任务。结果发现，即便强如GPT-5.5这样的一线模型，也普遍存在过度编辑：它们可能轻松通过正确性测试，但补丁背后却是大段无关紧要的改动，以及徒然增加的理解负担。
一个看似简单的解决办法是——在提示中明确要求模型“保持原有实现，只做最小改动”。这样一个温和的指令，效果却出奇显著：模型的平均多余编辑距离从0.195降到0.131，新增的认知复杂度降低了26.6%，同时通过率反而提升了2.3个百分点。这一结果令人惊喜，但研究者很快发现，如果只是给模型更多推理时间或使用更大规模的模型，并不能带来同样的改善。也就是说，过度编辑并不是“多想想”就能解决的简单问题。
那么，能不能在模型训练阶段就让它学会“克制”呢？实验给出了一个耐人寻味的答案：直接监督微调虽然能让模型在见过的破坏模式上表现出色，但一遇到未见过的模式就原形毕露，容易过拟合；相比之下，强化学习训练出的模型在“编辑保真度”和“维修性能”之间找到了更平衡的取舍，面对超出训练分布的破坏也能保持更强的稳健性。
这项研究把“编辑保真度”从代码修复质量中独立出来，视为一个可量化、可训练的维度。它提醒我们，修复代码不仅仅是让测试变绿，更是让改动本身清晰、克制、可被信任。当大模型拥有了重写世界的能力，学会不重写那些不该重写的东西，或许才是真正聪明的开始。
在人工智能飞速发展的今天，一个全新的问题浮出水面：当智能体已经能端到端地执行机器学习研究时，那些藏在论文和代码仓库里的“实战经验”却被留在了外面。这种经验并非简单的算法原理，而是介于“知道方法”和“让方法真正跑通”之间的操作知识。它们散落在开源仓库中，篇幅庞大，难以在具体任务中及时调取。研究人员意识到，如果能将这些知识浓缩成紧凑、可验证的技能，智能体就能跨任务复用，而不必每次从头摸索。
为此，研究团队提出了DisCo——一个能够自主创建技能并在研究中灵活调用的智能体系统。它的技能提炼分为两条互补路径：一条是“任务无关”的提炼，将领域内广泛使用的代码仓库压缩成通用技能；另一条是“任务导向”的提炼，专门产出某个具体任务所需的技能。前者应用于开源生态后，产出了多达五千余项的已验证技能库AREX-Skill Library，这些技能从一千个热门的机器学习仓库中蒸馏而来，覆盖二十个领域、一百七十八个能力族。
更令人关注的是实验结果：在模型骨干、研究框架和执行预算完全固定的条件下，装备了技能库的智能体相比无技能版本，在MLE-bench上得分提升134.3%，在PaperBench上提升34.4%，在FrontierCS上提升9.2%，在PassNet上提升14.0%。这些提升并非来自更强的计算或更优的模型，而是源于将那些原本散落在外的操作知识，以精炼的形态注入了智能体的执行过程。
当智能体开始拥有“经验积累”的能力，它们就不再是每次从零开始的重复劳动者，而更像是在不断沉淀与传承中成长的研究伙伴。真正拉开差距的，或许不是更聪明的头脑，而是那些被精心收藏的“战地手册”。
评估大语言模型智能体，是推动其进化的关键一步，但如今这项工作的代价已经高到令人咂舌：跑一遍前沿模型在基准测试上的完整表现，动辄就要花费数百乃至上千美元。更让人头疼的是，这样的开销并非一次性投入，而是在迭代开发的循环中被反复支付。过去的努力大多聚焦于“蒸馏基准”，也就是减少需要评估的任务数量，但每项任务本身的执行成本，却原封不动地留在那里。
这项研究提出了一条全新的效率路径，不是减少任务，而是砍掉任务内部那些“注定白费”的步骤。核心洞察听起来甚至有点直觉化：一个智能体最终能否成功，往往在它中途的行为里就已经露出端倪，根本不必等它跑完全程。基于这个想法，研究者搭建了一个轻量级框架EarlyEval，它在后台同时训练两个LightGBM分类器，一个负责判断“成功”，一个负责判断“失败”，综合行为信号、文本线索和参考答案的特征，每当某个分类器跨过校准后的置信度阈值，当即中断运行中的智能体。整个过程额外开销小到可以忽略不计。
在SWE-bench Verified、TerminalBench和Toolathlon这三个权威基准上，EarlyEval显示出惊人的“提前退场”能力：它能砍掉13%到26%的智能体执行步骤，同时节省最高44.1%的输入令牌和29.4%的输出令牌，而预测准确率保持在89%到97%之间。更难得的是，这种激进的中断策略并未显著牺牲评测质量——每个智能体的任务解决率平均只波动了一到两个百分点。
这意味着，评估一套智能体系统时，我们不必再傻傻等待每个任务自然终结，而是可以像经验丰富的裁判一样，在胜负已定时提前吹响哨声。省下的不仅是金钱和时间，更是无数个可以用于下一轮迭代的宝贵开发周期。当AI发展的速度越来越快，评估效率也许会从一个被忽视的角落，变成决定谁能走得更远的关键砝码。毕竟，聪明的评估不该是把所有过程都走完，而是懂得在结果已定时及时收手。
A new proof that more than $2/3$ of the zeros of the Riemann zeta function are simple and on the critical line原文
Abstract:We obtain a new, conceptually simpler, unconditional proof that more than $67.25\%$ of the non-trivial zeros of the Riemann zeta function are simple and on the critical line, and that at least $83.62\%$ of the non-trivial zeros are distinct. A proof of these results was very recently produced by an internal research version of Claude developed by Anthropic and subsequently verified by Alpöge and Furman. This argument is technically intricate, and its main mechanism is not immediately transparent. It combines several ingredients from linear algebra, including a finite-dimensional matrix representation of Weil's Hermitian form and a rank-trace inequality for Hermitian matrices, with a second moment calculation over the zeros using the explicit formula.
Our new proof is shorter and proceeds by replacing the entire finite-dimensional matrix framework by a Hilbert space inequality, which allows for a direct application of Montgomery's theorem on the pair correlation of zeros of the zeta function, in the unconditional form obtained by Baluyot, Goldston, Suriajaya and Turnage-Butterbaugh.
在漫长的策略博弈中，AI究竟能否像人类一样，时刻紧盯战略全局，而不被眼前的操作带偏？一项名为CivBench的全新开源基准测试，把这个问题摆上了台面。
这个基准的特别之处在于，它让语言模型代理置身于一个通过模型上下文协议（MCP）连接的超长时程工具环境。每一局都持续超过三百个回合，产生成千上万次工具调用，可用的MCP工具多达七十六种——游戏画面则被转换成了结构化文本，由叙事层缓缓道来。代理必须在这种不完整信息条件下，持续规划、监测状态、执行操作，仿佛在下一盘没有尽头的文明棋局。
研究团队用CivBench对四个模型家族的代理进行了二十三次有效运行测试，但明确表示这只是试点研究，并非模型排位赛——在这个规模上，总体结果尚不能可靠地区分模型优劣。他们真正想做的，是让环境能够测量两个长期困扰AI领域的问题。
首先是主动监测率（PMR）：代理是否会自动去查询那些隐藏在游戏状态中的战略信息？研究给出了统一的游戏手册，里面明确建议每二十回合查询一次胜利进度。然而实际的监测节奏却拖到了每三十到七十五回合一查。更触目惊心的是，在二十次可探测到的失败中，有七次代理在游戏结束前的二十回合警告窗口内，压根就没有进行最后一次关键查询——它们错过了预警的铃声，眼睁睁看着胜利条件从指间溜走。
第二个指标RAG@10，则用来检验代理在结构化规划反思中写下的承诺，能否在接下来的十个回合内真的被执行。结果同样不容乐观——各模型的执行率介于48.2%到65.8%之间，意味着代理们嘴上说着“下一步我要做什么”，实际却将近一半的短期许诺抛诸脑后。
值得注意的是，这些失误并非源于工具不可用或指引缺失——工具就在那里，手册写得清清楚楚。研究团队将这些现象解释为“指令下的偏差”，而非能力不足。换言之，模型不是做不到，而是在复杂任务中难以将明确的指示与自身规划贯彻到底。
当AI在长时程任务中逐渐暴露出“眼高手低”的倾向，我们是否该重新思考：提升能力固然重要，但如何确保已经拥有的能力被稳定、持续地执行，或许是通往可靠智能体更陡峭的那道坎。CivBench提供的不仅是测试环境，更是一面镜子，照出了策略型AI在漫长征途上那些容易被忽略的疏漏。
大型语言模型依靠因果Transformer逐词处理信息，然而在长上下文推理中，关键的任务状态往往要到后文才显露。这种错位催生了一个问题：如果让模型先"看到"帮助定位的线索，再进入冗长的语境，能否显著提升表现？
研究团队用一类"条件状态更新"任务形式化了这种不匹配。他们发现，对于因果式的状态更新处理器，把条件放在前面，比放在最后所需的内存最坏情况下可以指数级减少。受这个原理启发，他们提出一种名为Trace as State的方法：把此前收集的推理轨迹作为任务状态的文本代理，在全新的一次阅读中，将它放置在长上下文块之前，让已经生成过的信息引导模型重读长文本。
他们设计了匹配的对照组Trace Append，同样使用任务状态代理，只是放在上下文之后。在三个模型和三个长上下文数据集的测试中，Trace as State在27种"模型-任务-指标"组合里有26种表现优于Trace Append。最亮眼的结果出现在GraphWalks Parents任务上：DeepSeek V4 Pro Preview的精确匹配率从初始通道的29.2%、Trace Append的43.0%跃升到81.8%；GLM-5.2则从66.4%和83.2%一路拉满至100.0%。
这些结果意味着，将推理轨迹前置，可以在不改变因果Transformer结构的前提下，显著增强长上下文推理能力。与其让模型在信息海洋中盲目回溯，不如给它一张先行绘制的地图。通往更深理解的路径，也许就藏在"顺序"本身——有时，先一步知道要寻找什么，比看见更多更重要。
在机器人研究者的愿景里，多指机械手本应拥有接近人类的灵巧，可通往这一愿景的路上横着一道现实障碍：大规模采集灵巧手操作数据极其困难。相比依赖人工遥操作，
一场围绕商业机密与科技巨头未来走向的诉讼，正因一台笔记本电脑的出现而火药味十足。苹果在针对OpenAI的最新法律文件中声称，一位名叫张刘的前iPhone工程师，在跳槽至OpenAI后，疑似将窃取自苹果的机密电路设计用在了新东家的项目上，甚至在调查启动后，试图“恢复并抹除”关键数据，销毁罪证。
故事要从张刘的离职说起。据苹果方面称，这位工程师离开公司时，通过云存储悄悄下载了一份涉及电源转换器电路的保密设计。几个月后，苹果发现这份本应尘封的技术细节，竟出现在张刘于OpenAI的工作成果中。今年七月，苹果对OpenAI提起诉讼，指控其挖角工程师并滥用商业机密。起初，这更像是一起常规的人才争夺战，但后续发现的证据让事件急剧升温。
本月初，在经历“数周拖延”后，张刘的律师终于交出了他使用过的苹果配发MacBook笔记本。而另一台Mac Mini主机，目前仍待检查。苹果声称，正是在这台笔记本上，找到了文件被实际使用的痕迹。更为微妙的是，根据苹果提交的六月短信记录，张刘曾与OpenAI同事于婷·平商议，要在法律调查启动后对设备上的数据进行“恢复”和擦除。这些短信发生在苹果已经发起法律质询之后，让“清理现场”的嫌疑变得异常浓重。苹果认为，这足以证明张刘不仅偷了东西，还想在案发后毁灭证据。
然而，OpenAI对此案的回应同样犀利。他们将这出闹剧归咎于苹果自身的离职流程：员工长期使用个人iCloud账户处理工作，而苹果在员工离职时，往往火速安排保安“护送出门”，根本来不及归还所有设备或彻底交接数据。在OpenAI看来，所谓“窃密”，不过是苹果内部管理混乱结出的苦果。OpenAI律师更直言，整起案件是“苹果自己制造的一团乱麻”。
这起诉讼之所以引人注目，远不止于一个工程师的违规操作。它发生在两家顶尖科技公司激烈争夺AI硬件主导权的重要节点。张刘在苹果期间的专长——电源转换电路，恰恰是智能设备高性能芯片稳定供电的核心技术，尤其是对于即将面世的AI穿戴设备，低功耗与高效能是决定体验的关键瓶颈。
更具象征意义的是，苹果前设计灵魂人物乔纳森·艾维正与OpenAI联手打造其首款AI硬件设备。这款产品被视为有望挑战苹果生态的“新物种”。苹果选择此时对OpenAI扣上“偷技术”的帽子，很难不让外界猜测，其真正的目的并非一个工程师的去留，而是要在产品发布前，通过法律途径拖延、施压，甚至给对手的硬件之路制造实质性阻碍。
目前，案件的焦点集中在尚未检查的Mac Mini以及张刘的云端数据上。苹果希望证明，那些被下载的设计图最终流入OpenAI的研发管线；而OpenAI则坚持，一切都只是苹果单方面的臆测和公关手段。
当商业竞争滑入法庭的证据拉锯，真相往往藏在那些被删除又恢复的比特之间。一边是人才流失的巨头急于筑起壁垒，另一边是野心勃勃的挑战者试图弯道超车。这场诉讼的结果，不仅关乎一位工程师的职业声誉，更可能重新定义硅谷的人才流动规则——在技术迭代以周计算的今天，法律程序能否追上硬件落地的速度，将是每个人都在观望的悬念。毕竟，行业的前行往往不仅依赖于创新，也取决于边界如何被划清；而划清边界的方式，有时比创新本身更能决定未来棋局的走向。
美国参议员伯尼·桑德斯又一次把矛头对准了人工智能，这一次他选择了一个意想不到的讲台——福克斯新闻。在这篇最新发表的评论文章中，这位一直以激进左翼形象示人的政治家，向那些平日里与他几乎在所有问题上都针锋相对的读者发出呼吁：全世界的人工智能实验室，请立刻停止开发更强大的AI模型。
桑德斯的理由很直接，甚至连那些正在建造这些技术的CEO们自己都承认，AI已经“正在脱离他们的控制”。他列出了一连串令人不安的风险清单：飞涨的电费账单、对环境的持续破坏、对儿童心理健康的威胁，以及一个更令人恐慌的预测——未来十年内，AI可能会让“数千万”人失去工作。
他显然做过功课。桑德斯提到了过去一个月里发生的多起安全事件，其中最具冲击力的是OpenAI遭遇的黑客攻击——超过一千个AI智能体在被发现前，已经悄无声息地协同行动了数周之久。这种画面听起来像科幻惊悚片，但它真实地发生在现实世界。
这并非桑德斯第一次公开表达他对AI的恐惧。几个月前，他甚至把自己对这些担忧的心里话，说给Claude的语音模式听。但这一次不同：他没有在向科技精英或左翼同侪布道，而是把恳求写给了福克斯新闻的观众，那些在几乎所有议题上都反对他、唯独在AI问题上可能与他产生共鸣的人群。
他提出的解决方案也充满了冷战色彩：呼吁国际社会达成一项全球暂停协议，并推动中美两国在本月下旬于华盛顿举行的会晤中，能签署一份类似冷战时期核武器管控协议的AI协定。
整个故事引人深思的地方在于：当一位以反对建制派著称的老人，决定向他的政治对手们喊话，要求共同遏制一种可能颠覆一切的技术，这本身意味着什么？而那些真正操控AI巨头的人，真的愿意停下脚步吗？一篇评论文章或许无法改变什么，但它把人类共同面临的这道难题，又往公众视野的中心推了一步。
当AI巨头们都在安全议题上噤声时，Anthropic率先打破了沉默。这家公司刚刚发布了Claude Fable 5.1，一个针对前代产品用户抱怨而生的升级版。新模型在长代码任务、科研等领域表现惊人，甚至将安全拒答率大幅下调——这似乎是Anthropic对市场呼声的一次直接回应。
在行业公认的AA智能指数上，Fable 5.1拿下了破纪录的66分。尤其惹眼的是，它在科学研究类测试上的成绩比Fable 5翻了一倍还多，知识工作领域的表现也一路飙升。Anthropic宣称，在典型任务中，新模型的成本“估算降低约25%”。然而AA的实测却给出另一种图景：在最高难度任务下，每次运行的费用反而贵了20%，原因在于Fable 5.1会生成大约1.7倍于旧版的文本量——它更像一位思虑周全、下笔千言的助手，而非惜字如金的速答者。
真正引发热议的是安全机制的变化。旧版Fable 5曾因过度防御而招致用户反感——它会拒绝回答一些本无风险的网络安全或基础医学问题。到了5.1，这类情况大幅收敛：在网络安全工作上，安全过滤器介入的频率下降了60%；在基础医疗和生物学问题上，更是锐减85%。与此同时，Anthropic还推出了护栏更少的Mythos 5.1——同一个模型，少了一层束缚，但仅面向通过严格审核的美国网络安全和生物学研究人员开放。
此前一段时间，两大AI巨头都因安全问题而沉寂。Anthropic此番抢跑，精准切入用户对Fable 5的痛点。而竞争格局也不会平静太久——有消息称，OpenAI的Astra发布可能就落在这周。升级竞赛的鼓点，又一次密集响起。
当模型越来越聪明，也越发懂得“何时闭嘴”时，我们或许该追问：AI的边界究竟该由谁来划定？是让用户随心所欲地驱使这头巨兽，还是在它体内装上一道永远无法拆卸的闸门？Fable 5.1给出的答案显然是前者，但真正的平衡点，仍悬而未决。
这周，OpenAI即将发布其代号“Astra”的新模型。按常理，这不过是又一场技术秀，但科技媒体The Information的爆料却让事情变得耐人寻味：Astra为了提升编程和操作电脑的能力，偷学了一门“新功夫”——一种让模型在对同一个文本反复循环思考后才作答的技术，名叫“循环深度”。
这门功夫的精妙之处在于，它能让模型在不“长个子”（即不扩大参数规模）的前提下，硬生生挤出更多“智商”。循环得越深，模型就越聪明。然而，代价也随之而来：模型在循环中产生的“内心戏”变成了一串串纯粹的数学符号，而非普通人能读懂的自然语言推理链条。过去，OpenAI的模型总会把思考过程一步步写出来给人看，但现在的Astra像一个突然学会心算的孩子，直接报出答案，却拒绝展示草稿。
更要命的是，这种“隐式思维”直接触碰了AI安全领域的逆鳞。监控模型是否在偷偷撒谎、作弊或策划坏事，本就依赖查看其可读的推理过程。如果连OpenAI自己都看不懂模型在想什么，安全又从何谈起？
据称，OpenAI内部也为此拧巴了一通。他们最终选择了“调低”循环的旋钮，让Astra在大多数时候仍愿意把推理过程“写”出来，并在发布时承诺会加强对其推理的额外监控。首席科学家雅库布·帕乔基（Jakub Pachocki）更是在社交媒体上发声，字里行间透着一股焦躁。他呼吁防止“混乱的报道引发的不可监控性竞赛”，并直言不讳地承认：当前的监控机制本就“脆弱不堪”。
这场风波的警报声，表面上冲着Astra而来，实际上却指向一场更危险的行业竞速。当性能成为唯一的王冠，谁能禁得住“多循环几轮、少展示几步”的诱惑？帕乔基的坦白更令人不安——监控的裂缝早已存在，即便不是Astra，也总会有下一个模型将我们推向那个“不可见”的深渊。或许，比起模型能做什么，我们更该追问的是：我们还能知道它在想什么吗？当思维的黑箱被层层锁死，人类与AI之间那根名为“信任”的绳索，究竟还能握住多久？
当Meta的马克·扎克伯格宣布新模型Muse Spark 1.3拥有“几乎便宜到无法计量的前沿性能”时，一场围绕智能与成本的暗战再次浮出水面。几乎同一时间，谷歌DeepMind也推出了Gemini 3.8 Flash，试图从2026年的低谷中强势反弹。两大科技巨头不约而同地押注同一个命题：在AI竞赛的下半场，光有聪明还不够，还得让聪明变得足够廉价。
就在本周，Meta的Spark 1.3（Max版本）在AA的智能指数上拿到了62分，仅次于Claude Fable 5.1和Opus 5，跻身全球前三强。更让人侧目的是，这个成绩是在显著低于对手的使用成本下达成的——过去谷歌常以性价比取胜，现在Meta正悄悄夺走这顶桂冠。扎克伯格还透露，团队的下一个重点是一款代号“Watermelon”的更大规模模型，同时Muse Spark的权重也会向开发者开放。这意味着Meta不仅要在性能上盯住最前排，还想靠开放生态撬动更多开发者。
另一边，谷歌Gemini 3.8 Flash保持了3.7版本的定价（每百万输入/输出token分别为0.75美元和3.75美元），却在编码、推理和智能体任务上取得了实打实的进步，智能指数达到59分。不过，DeepMind的Koray Kavukcuoglu没有回避现实，他坦言Gemini目前“略微低于前沿水平”，并强调“对我们来说，除了站在前沿，其他都不重要”。这句话背后藏着谷歌的焦虑：Pro版本似乎要到Gemini 4才会现身，而在这段空窗期里，每一分差距都可能被对手放大成市场声量的鸿沟。
这场较量的意义不止于跑分。Meta正带着“智能+成本”的双重优势步步紧逼，Watermelon能否成为冲击格局的变量？谷歌能否在Gemini 4到来前稳住阵脚？AI的价格战与性能战交织在一起，让每一代新模型的发布都像是一场精心策划的攻防。对于旁观者而言，好消息是：当巨头们为了“近乎免费的前沿智能”拼尽全力，最终的受益者，也许是我们每一个人。
当人工智能代理从实验室走向真实部署，一个容易被忽视的真相浮出水面：决定它们成败的，往往不是模型本身，而是模型外部的那套“执行基础设施”——研究者称之为“代理框架”。改变这套框架，哪怕模型权重原封不动，任务表现也可能天翻地覆。然而，现有的评测方式几乎都只盯着“下游任务成绩”，却很少有人追问：模型自己能不能动手搭建这套框架？
为了填补这个空白，研究者推出了一个名为HarnessDev的全新基准。它把评测单位从“任务输出”彻底转向“可运行的代码基建设施”，让代理从零开始接受两轮考验。第一轮是“创建”：代理只拿到一个极简的种子代码和寥寥几个示例用例，就必须凭空构建出一整套完整可运行的执行系统。第二轮是“演化”：代理要基于自己创建的框架，借助下游执行反馈不断迭代修改，目标是在基准测试上拿更高分。
这听起来像是让厨师不仅做菜，还要亲手打造整个厨房。研究者用六种不同的创作者大模型、四个任务领域、五个下游基准，总计2207个独立测试实例进行了严苛检验，并把一部分评估任务藏起来，防止代理在开发阶段“作弊”。结果耐人寻味：在代码编写和搜索研究任务上，代理生成的框架仍远远落后于人类工程师精心打磨的参考实现；但在写作和机器学习实验上，它们居然追平甚至超越了所选的人类参考标准。不过，执行成本波动极大，有的省，有的贵得惊人。
更具戏剧性的是“演化”环节。代理们确实通过反馈获得了进步，但这样的进步并不稳定，且只有一小部分能迁移到那些从未见过的隐藏任务上。更关键的是，当研究者固定了运行时模型后，发现这些性能提升高度依赖于具体执行框架的模型——换句话说，一套在某个模型上表现优异的框架，换一个模型可能就水土不服，跨模型的迁移能力十分有限。
这揭示了一个深层的困境：我们正在用“考试成绩”衡量代理，却忽略了它背后的“学习环境”是否可控。HarnessDev的推出，把聚光灯从主角身上的分数，转向了舞台自身的搭建能力。也许，真正强大的代理，不该只是会解题的选手，更应是能为自己铺设赛道、并不断改建赛道的工程师。而这条路，才刚刚开始。
就在本周，OpenAI传闻中的新一代模型“Astra”即将亮相。但比起它更强的编码和电脑操作能力，更让业界侧目的，是它背后那项名为“循环深度”的新技术——模型在回答前会反复咀嚼同一段文本，像人在心里默念几遍再开口，以此在不扩大模型体积的情况下，硬生生“挤”出更多智慧。听起来很美，可问题也随之而来：这种循环带来的“思考痕迹”变成了纯粹的数字运算，不再是过去那种人类能读懂的推理过程。
OpenAI显然也察觉到了这里的风险。据报道，他们刻意调低了循环的力度，让Astra依然愿意把推理过程写在明面上，并承诺在发布时对这些推理内容进行额外的监督。首席科学家雅库布·帕乔基在社交平台上直言，自己希望“防止一场滑向不可监控状态的竞赛”，并提醒外界，当前对模型思考的监控手段本身就已“脆弱不堪”。
这件事真正的警钟，或许并不只敲在Astra头上。毕竟OpenAI表示它还会展示自己的思考过程。令人担忧的是整个行业正在被性能竞赛裹挟——为了跑得更快，大家会不会越来越倾向于让模型多“暗想”几轮，而少留些可被审视的痕迹？帕乔基自己也承认，即使没有Astra，现有的监控能力也已经因为种种原因在松动。不管怎样，那扇窥探模型内心世界的窗户，可能都在一点点关上。
当人工智能开始用我们看不懂的方式思考，那么“监督”二字，到底是握在人类手里的缰绳，还是仅仅挂在AI颈上的一枚铃铛？
深夜的旧金山，两家科技巨头接连扔出重磅炸弹。Meta的马克·扎克伯格率先登场，得意地宣称自家新模型Muse Spark 1.3拥有“几乎便宜到无法计量的前沿性能”。紧接着，谷歌的Gemini 3.8 Flash也悄然亮相，试图从2026年的低谷中强势反弹。
在AA的智能指数榜单上，Spark 1.3（Max版）拿下了62分，仅次于Claude Fable 5.1和Opus 5——但它的使用成本却远低于这些顶级对手。扎克伯格不忘卖个关子：“接下来”还有更大的模型，代号“Watermelon”，同时也会开放Muse Spark的权重。这番话让整个行业心头一紧。
另一边，谷歌的Gemini 3.8 Flash维系了3.7版本的价格，输入输出每百万token分别0.75美元和3.75美元，但在编程、推理和智能体任务上都有了实打实的进步，智能指数达到59分。然而DeepMind的Koray Kavukcuoglu坦承，Gemini仍然“略低于前沿水平”，他甚至放出狠话：“对我们来说，除了站在前沿，其他都不重要。”
这场较量的要害在于位置互换。Meta正用智能和成本的组合拳步步紧逼——这曾是谷歌的招牌打法，也让“Watermelon”成了潜在的行业搅局者。而谷歌的3.8虽然方向正确，但Pro模型可能要等到Gemini 4才会现身，压力依然巨大。
当廉价成为智能的新标签，前沿的定义也在被悄然改写。谁能用最低的价格抵达最聪明的彼岸，谁就可能握有下一张船票。
大语言模型在生成回答时，总是把注意力花在上下文的一小部分上，却不得不从头到尾读完整个KV缓存，只为找到那几个真正重要的词。想象一下，如果用户在一百万tokens的超长对话里问起某个细节，模型每生成一个字都要扫描全部历史记录——这太浪费了。
研究者们一直试图用轻量级代理分数来预先选中相关token，但这类外部打分方法每一步仍然要付出O(N)的成本。于是，一篇新论文提出了一个更“内省”的思路：模型自己难道不知道哪些内容重要吗？何必让外部机制替它操心。
这个名为Declarative Attention（DA）的协议，巧妙的让模型学会“开口说话”。在思维链的输出中，模型可以主动声明自己接下来需要关注哪里，并把自己的生成模式划分为三种：需要看全量上下文时输出global，需要聚焦某个具体区域时输出focus，只需看最近的输出时则输出local。推理引擎将这些声明当作工具调用一样解析，从而跳过绝大部分KV缓存的读取。
实验结果显示，在15项长上下文任务的零样本评估中，DA让Gemma-4-31B和Qwen-3.6-27B这类现成模型在解码阶段的总关注token数分别减少了52.0%和31.1%，而准确率损失仅为1.27个百分点和2.75个百分点——而且模型规模越大，这种损失还会进一步缩小。
这个看似简单的改动，其实打开了稀疏注意力的一条全新轴线。当模型自己决定“我看哪里就够了”，成本的大幅下降让更长上下文变得触手可及。也许未来的训练方法能把这个内省能力打磨得更好，让我们离真正高效的智能更进一步——毕竟，知道自己该看哪里，本身就是一种难得的智慧。
Abstract:This paper studies autonomous software development, in which LLM-based coding agents transform high-level requirements into complete, functional, and usable software systems without human intervention. We introduce Harness-of-Harness (HoH), a framework that enables coding agents to continually improve software during autonomous development. HoH operates on existing coding-agent harnesses, and organizes their executions into iterative planning-coding-testing loops. To sustain improvement across loops, HoH balances repair with capability growth, scopes development into small and verifiable increments, separates implementation-time testing from independent evaluation, and constrains verifiable outputs rather than prescribing agent workflows. It progressively exposes deliverables, role-specific tools, and skills, encourages reuse rather than recreation, and maintains versioned project histories. On GameCraft-Bench, FrontierSWE, and ProgramBench, three harness-model pairs (Codex with GPT-5.5, OpenCode with DeepSeek-V4-Pro, and Pi with MiniMax-M3), HoH consistently outperforms the corresponding standalone harnesses, achieving an average relative gain of 52.25 percent and a maximum gain of 82.86 percent after three iterations. In a multi-day deployment with more than 70 iterations, HoH autonomously develops a first-person-shooter game, featuring a coherent storyline, fully implemented core mechanics, human-playable experience, polished visuals and integrated audio. Github: this https URL Project Page: this https URL
Abstract:We introduce SolarWM, a fully open foundation for building interactive video world models from data preparation through long-horizon inference. Training across heterogeneous data sources and video backbones is challenging: datasets differ in temporal scale, camera geometry, visual quality, motion, and captioning styles, while video generators use distinct representations and architectures. Naive data mixing and model-specific implementations therefore produce inconsistent supervision and make results difficult to reproduce and compare. SolarWM addresses this coupling with a reconfigurable multi-source data engine and a backbone-native adaptation framework. The engine converts 1.43 million canonical clips from 10 datasets into a unified, frame-aligned contract covering visual observations, metric camera geometry, captions, quality metadata, selection decisions, and provenance, while decoupling source processing from mixture construction. Under shared camera-conditioning, training, and inference interfaces, we instantiate four 5B--33B models based on Wan2.2, LTX-2.5, and MiniMax-H3 while preserving their native representations and objectives. A unified three-stage recipe combines bidirectional adaptation, teacher-forced autoregressive initialization, and distribution matching distillation. The resulting causal models enable real-time interaction over rollouts ranging from minutes to hours after being trained on only 5s sequences. By releasing the resulting data, pipeline, recipes, weights, and framework, SolarWM provides a reproducible and extensible foundation for interactive world-model research.
个性化AI暗藏三大偏见原文
大语言模型正在变得越来越懂你。它会记住你喜欢的咖啡口味，记得你常提起的同事名字，甚至在你抱怨天气时主动附和一句“确实很讨厌”。这种基于用户画像和聊天记忆的个性化，本是为了让AI助手更贴心、更实用。但最新研究揭示出一个令人不安的侧面：当模型学会迎合你时，它可能正在悄悄失去客观与多元。
来自研究机构的一项系统评估发现，大语言模型在融入个性化信号后，虽然交互变得更“顺滑”，却也催生出三类系统性风险。第一类叫做“无关个性化”——模型会在完全不需要个人信息的场合，莫名其妙地翻出你的职业、爱好或历史对话，好像一个总爱把话题扯到自己身上的朋友。第二类是“偏好窄化”，模型会不断强化你已有的观点和兴趣，把你困在越来越窄的信息回音
编程求解中的迭代学习奥秘原文
想象一下，三千多名大学生在编程课上反复提交代码，每一次尝试都像是一次微型的科学实验。他们看着测试套件的反馈，调整思路，再次尝试——有时进步，有时原地踏步，甚至倒退。这种反复试错的过程，恰恰是人类和人工智能共同的学习方式。为了深入观察这一动态，研究者从两个学年的两门C++入门课程中，收集了3286名本科生的超过300万份作业提交记录，构建了一个名为CodeInsight的大规模数据集。每份提交都包含测试用例级别的结果、时间戳和源代码，为追踪错误如何持续、策略如何转变提供了前所未有的细节。
基于这个数据集，研究者设计了一个统一的校准与评分协议，来评估三类预测模型：参数模型、序列模型和生成模型。其中，一个经过改造的循环状态空间模型脱颖而出，它能通过离散的潜在变量追踪求解者的内在特征，在四门课程中的三门里预测准确率最高。而基于大语言模型的预测器虽然精度稍逊，却能在每次尝试时生成完整的代码提交，让人们能够直接审视失败模式。有趣的是，研究发现模型自身的编码能力越强，反而对求解者行为的预测越不准确。大语言模型在此场景中更像是一个被上下文条件化的生成式解题者，而非忠实的预测器。
这项研究揭示了迭代学习过程的复杂性，也提醒我们：预测一个人如何解题，远比解题本身更具挑战。理解失败、变化和反复，或许才是理解智能的关键。
一段隐藏的水印指令，能让大模型在回答问题时悄悄留下可检测的“暗号”——这就是上下文水印。它不必触碰模型内部结构，第三方只要像平时提问一样把指令写在开头，就能让模型在回复里嵌入统计可识别的信号。听起来巧妙，但它是否能被前沿大模型稳定执行，同时又不损害回答质量？此前没人认真测过。
为此，研究者搭建了ICWBench基准，包含三类可验证的上下文水印指令家族，从“可检测性”和“回答质量”两个维度打分。他们测试了14款前沿模型，既有专有的也有开源的，结果令人意外：没有一款模型能在全部三个指令家族上同时拿高分。想要让模型既肯“乖乖盖水印”又答得好，实在两难。
于是他们提出了一个自给自足的两阶段训练方法，不需要蒸馏更强的模型，不需要人工标注，也不需要模型早就具备水印指令能力。第一阶段叫“带logits扰动的自蒸馏”，让同一个基础模型既当老师又当学生——老师模型在解码时加一个等价的logits扰动来模拟遵循水印指令的正确行为，学生模型则努力学习老师的输出分布。到了第二阶段，再引入强化学习，以自动验证器作为奖励信号来微调。
这套方法应用到Qwen3-14B和GPT-OSS-20B上后，效果显著：在1%假阳性率下，三个水印指令上的平均真阳性率从0.100提升到0.974，另一个模型也从0.337涨到0.968，而回答质量在困惑度评估和LLM裁判打分下都保持良好。
当我们在意大模型生成的每一句话是否可信，水印技术就像给信息河流中放入了看不见的标记，让我们既能追溯源头，又不打扰水流的自然姿态。而这项研究提醒我们，一个可靠的水印系统，不只是技术上的精巧设计，更要让模型心甘情愿地“配合”而不失本色。真正的挑战不在于立规矩，而在于让规矩融入日常，悄无声息。
在人工智能领域，让一个较小的语言模型向更强的“老师模型”学习，是一种常见的“知识蒸馏”技术。人们通常认为，这种模仿学习能帮助小模型变得更强，但一项新研究却揭示了一个令人意外的现象：这种好处并不总是一路畅通，关键在于训练的“初中期”与“后期”之间，存在一道微妙的鸿沟。
研究者通过严格对照实验发现，在预训练阶段——也就是模型在海量文本上做自我监督学习的早期，使用标准的“前向KL散度蒸馏”能同时提升模型的推理能力和事实回忆能力。然而，当训练进入被称为“中期训练”的过渡环节时，情况骤然生变：推理能力仍然稳步提升，但事实记忆的获取速度反而变慢了。这个矛盾的结果令人困惑：为什么同一个蒸馏方法，换个阶段就“偏科”了？
为了解释这一现象，研究团队深挖了教师模型在不同数据上的“信心”差异。他们发现，教师模型在面对需要逻辑推理的程序性任务时信心十足，而面对知识密集型数据时则相对犹豫。与此同时，学生模型在训练初期就会优先掌握那些低熵的、确定性的知识，这导致它对知识类数据的蒸馏信号不再敏感。简单来说，学生已经“记住”的部分，教师的“耳提面命”反而成了干扰。
基于这一洞察，研究者提出了名为“Switch Distillation”的新目标函数。它的操作非常巧妙：只让模型在教师模型有信心的token上进行蒸馏，用教师预测熵作为轻量级的“路由器”来判定何时该蒸馏、何时该直接回到标准的交叉熵训练。这种简单的切换式策略，在多个教师模型规模下都稳定地优于现有蒸馏方法。
实验结果相当亮眼：相比标准的下一词预测训练，Switch Distillation在推理性能上达到了1.61到1.71倍的提升，在知识与常识性能上提升1.13到1.19倍，与此同时，事实回忆能力仍保留了96.7%到96.8%的原有水平。更关键的是，这些优势并未在后续的后训练阶段消失——经过完整的训练流程后，Switch Distillation不仅完全补齐了事实回忆上的微小差距，还让模型在推理上维持1.25至1.32倍、知识与常识上维持1.13至1.20倍的显著增益。
这个研究提醒我们，训练阶段的差异不是细枝末节，而是决定蒸馏成败的关键变量。教学的方式，必须随着学生的成长节奏而调整。“因材施教”这四个字，或许同样适用于人工智能——无论是模型还是人，学习如何学习，永远比盲目模仿更重要。
在人工智能的世界里，一个智能体的聪明程度，不仅取决于它大脑里的参数，还取决于它手中那套用来管理信息和流程的“操作手册”——也就是代码。长期以来，研究者们往往顾此失彼：要么只训练大脑，要么只优化手册，却忽略了两者其实是一对需要在配合中共同进化的伙伴。如果只看重一方，另一方便会拖住后腿，让整个系统难以腾飞。
为了打破这种僵局，一项新研究提出了一个巧妙的训练“双人舞”方案，名为WHALE。它让模型与执行代码轮流成为舞台上的主角：先固定当前的动作流程，专心用在线拒绝采样微调来强化模型本身；随后，当模型焕然一新，再运用专门设计的元搜索算法，为这个“新演员”编排一套更契合的“舞步”——即更好的代码逻辑。整个过程仿佛一场交替前进的探索，每一步都踩在对方最新的节拍上，避免了单方面优化的局限。
当然，舞步何时切换，是一门微妙的艺术。研究者设计了两种切换节奏：一种是按固定时长轮换，另一种则依靠一套“耐心规则”，根据训练信号的变化来决定何时该说“换”。这就像在前进中不断微调步伐，既要捕捉真实进步，又不必在一场尚在酝酿的变革中过早地过度反应。
实验在三个充满挑战的领域展开——网络搜索问答、数学推理和象棋残局。他们使用了Qwen3.5-2B和4B的智能体模型进行验证。结果显示，这种交替协作的方法，在最佳平均正确率（mean@8）上，比只优化一方或采用其他结合方式的方案高出4.15到24.38个百分点。更有趣的是，研究者发现瓶颈可能来自任何一方：在搜索问答任务中，仅仅优化代码就能用远少于模型训练的探索次数，摸到只训练模型所能达到的顶峰值；但在数学推理中，代码优化却要先等一次模型更新之后才能显出威力。这说明，什么时候该让谁先发力，本身就是一半的学问。此外，小步快跑的交替更新，也比先训完模型再重写代码的流水线式做法，在准确率和成本上都更为划算。
这项研究的意义，或许不在于告诉人们“模型”好还是“代码”好，而在于启发我们，面对复杂系统，进步并非百米冲刺的单线努力，而是一场需要不断倾听对方、随时调整位置的接力赛。部件之间默契的共演，往往藏着超越任何单独优化的意外之喜。当模型进化到驾驭不了原有工具时，新的工具便会应运而生；而新工具的出现，又反过来唤醒模型深处沉睡的潜能——循环往复，没有终点，只有下一段更精妙的融合。
在人工智能发展的漫长旅途中，一个关键的转折点悄然到来。Anthropic发布了一项令人瞩目的研究：让Claude智能体团队自主开展安全研究，结果令人震惊——它们成功消除了十种AI不良行为，平均表现比处理相同任务的人类专家优秀四倍以上。
研究覆盖了十种常见AI故障类型，从谄媚讨好到欺骗行为，再到越狱攻击。Claude像一位不知疲倦的科学家，循环进行文献搜索、训练和评分。修复效果从谄媚行为减少26%到奖励黑客行为改善96%不等，且没有降低AI整体能力。让人玩味的是，六位资深安全研究员在相同条件下，对欺骗行为的修复率仅为20%，而Claude经过150多次尝试，平均修复率达到85%。更令人侧目的是，一个较弱的Claude Sonnet 5模型，花费60小时对一个预发布的Opus 4.8构建进行安全训练，所使用的数据量比Anthropic自身流程少了一万五千倍。
这项研究的深层意义在于，AI发展路线图早已假设这一技术最终会接管AI研究本身，而Anthropic的这次实验可能是交接真正开始的最初信号之一。然而，考虑到OpenAI此前安全漏洞事件的余波仍在扩散，将安全工作的自动化，意味着我们正将巨大的信任交付给非人类系统。这是一种解放，还是一种冒险？当AI开始审视并修正自己时，人类在其中的角色将如何重新定义，这或许是我们接下来必须面对的问题。
心脏病的确诊，往往要经历漫长的等待。如果医生怀疑你患有心力衰竭或心脏瓣膜病，通常需要排队数月才能做上超声检查。但每年全球医院要执行超过十亿次心电图检查，这些常规数据里，或许就藏着医生肉眼难以发现的秘密。
帝国理工学院的研究人员带来了一位特殊的“读图助手”——一个能在两秒内读完心电图的AI模型。它不仅能捕捉到医生无法察觉的细微异常，还能同时筛查心力衰竭和心脏瓣膜病。这项成果并非纸上谈兵：模型在1060万份心电图上完成训练，并在6.5万名患者身上进行了检验。结果显示，它对心力衰竭的识别成功率达到81%，对瓣膜疾病的识别率则高达90%。
领导这项研究的冯雄恩教授展望，未来医院可以在每一次心电图检查后都运行这套AI，它甚至能捕捉到目前根本没有被筛查过的问题。团队已准备在六家医院启动一项涉及590名患者的试验，目标是在两年内让这套AI融入英国国家医疗服务体系的日常流程。
我们常听到AI终将攻克所有疾病的宏大叙事，但眼下更真实的变化，正发生在对既有数据的更好利用上。就像上周首例AI辅助脑外科手术那样，一位不知疲倦的“第二专家”，正在成为改善诊断和治疗的关键力量。这或许是医疗AI最务实，也最温暖的一步。
在人工智能日新月异的今天，一家名为Runway的公司悄悄打开了一扇奇妙的大门。他们发布了一款代号为Solaris的早期测试产品，一个被称为“界面世界模型”的神奇系统。它不再像传统网页那样由一行行代码驱动，而是将整个网站和应用变成了一部实时生成的电影。当用户点击、拖拽时，画面中的每一帧都在瞬间被绘制出来，仿佛屏幕背后有一个无形的画家，正以肉眼无法捕捉的速度回应着你的每一次操作。
Solaris的工作原理颇具科幻色彩：它将Runway自家强大的Gen-4.5视频生成模型与一个大型语言模型巧妙结合。当你点击或拖动时，语言模型会像一个善解人意的导演，瞬间“读懂”你的意图，并指挥视频模型生成接下来最合理的画面。在官方展示的演示中，你可以将一件虚拟衬衫从货架上直接拖到模特照片上，感受试穿效果；可以像大厨一样，把各种食材一件件丢进碗里，看着一盘沙拉逐渐成型；甚至还能亲手操控一场生动的燃烧实验。整个交互流畅得令人惊叹，而背后却没有任何传统意义上的程序在运行。
Runway进行的一项对比研究更为这场变革注入了注脚。他们让测试者将Solaris生成的交互界面与由Claude Opus 5编写的传统网页进行盲测。结果，在评估场景内行为是否合理时，71%的测试者更青睐Solaris；而在“是否遵循指令”这一项上，Solaris也以61%的支持率胜出。不过，这个新生的“世界模型”并非尽善尽美。Runway自己也承认，它依然面临着文字清晰度不足、长时间会话中容易产生“漂移”记忆，以及可能生成看似合理实则错误的画面的问题。也正因如此，Solaris选择了早期访问的方式，让真实的用户去检验和打磨它。
这不禁让人深思：这张由AI即时绘制的动态界面，究竟是未来互联网的雏形，还是一时兴起的炫目玩具？无论你持何种看法，都无法忽视它背后那股强大的驱动力——AI模型在速度、成本和质量上的同步飞跃。如果这条高速演进的曲线得以延续，那么曾经因昂贵或不切实际而被束之高阁的创意，或许都将迎来付诸现实的全新可能。未来的网页，或许不再是固定的“框架与砖石”，而是一片可以随心灵感挥洒的流动画布。我们正站在一扇新门的前方，门后是怎样的风光，取决于技术继续奔驰的轨迹，也取决于我们如何驾驭这股奔涌的浪潮。
苹果与OpenAI之间的法律战火越烧越旺。最新提交的法庭证据显示，苹果指控一名前iPhone工程师在跳槽至OpenAI后，将窃取的苹果机密电路设计用在了新东家的项目里，甚至试图销毁证据。而OpenAI则反唇相讥，称这场官司完全是苹果自己“一手造成”的乱局。
故事要从工程师Chang Liu说起。他曾在苹果参与电源转换器电路的设计，这是芯片中的关键部件。离职加入OpenAI后，苹果声称他通过云存储下载了这项保密设计，并用于OpenAI的工作中。这起诉讼在今年七月就已立案，当时Chang Liu曾发消息调侃自己在苹果留下的访问权限“太有趣了”。如今，苹果方面称，在交回的苹果笔记本上，发现了这些文件被实际使用的痕迹。
但取证过程并不顺利。苹果方面指出，Chang Liu的律师拖延了数周，才在本月交出这台公司配发的MacBook，还有一台Mac Mini仍在等待检查。更关键的是，苹果公布的今年六月短信记录显示，Liu与OpenAI同事Yu-Ting Ping曾密谋“恢复”并删除关键数据——而那时法律调查已经启动。
OpenAI对此则有完全不同的说法。他们把矛头指向苹果糟糕的离职流程：员工一直使用个人iCloud账户工作，离职时又被要求立即走人，根本没时间归还任何东西。言下之意，这锅该由苹果自己背。
这起案件的背景更为耐人寻味。苹果前设计总监Jony Ive正与OpenAI合作开发首款AI硬件设备，而Chang Liu所贡献的技术细节，恰好可能牵动这一布局。苹果若能在法律程序中争取到硬件层面的“推迟”，无疑将给对手带来实质打击。但时间是否站在苹果一边，仍是未知数。
从“离职后还能登录老东家系统太好笑了”的轻慢，到如今笔记本上遗留的文件成为呈堂证供，这场纠纷已经超越了简单的竞业纠纷。它提醒着每一家科技公司：在如今人人自带设备、云端穿梭的工作方式里，知识的边界从未如此模糊，而离职瞬间的疏忽，可能酿成一场漫长且昂贵的法律拉锯。
美国参议员伯尼·桑德斯在福克斯新闻发表了一篇非同寻常的评论文章，他没有谈医保，也没有谈贫富差距，而是把矛头对准了全世界的AI实验室。他呼吁这些实验室立即停止开发更强大的AI模型，理由很简单：连那些亲手缔造AI的CEO们都承认，这项技术正在“失控”。
桑德斯并不是第一次发出这样的警告。几个月前，他曾向Claude的语音模式直接表达过他的忧虑，而这一次，他选择了一个特殊的平台——福克斯新闻。这个平台的受众几乎在所有议题上都与他意见相左，却唯独对AI的威胁感到不安。这让他看到了跨越政治分歧的可能。
在文章中，桑德斯列出了他眼中的AI风险清单：惊人的电力消耗将推高民众的电费账单，训练大模型带来的环境代价不容忽视，而青少年群体的心理健康可能因AI滥用而进一步恶化。最令人心惊的预测是，未来十年AI可能导致“数千万”个工作岗位消失，这种规模的结构性失业足以动摇社会根基。
桑德斯还提到，仅仅在过去一个月里，AI领域就接连曝出多起安全事件。其中一例是OpenAI遭遇黑客入侵，超过一千个AI代理在网络上协同行动，竟然持续了数周未被察觉。这种悄无声息的渗透能力，让监管显得既紧迫又无力。
他因此提出一个大胆的设想：全球协作，共同暂停先进AI的开发。他特别寄望于本月底在华盛顿举行的会议，届时美中两国代表将坐到谈判桌前。他呼吁双方能够达成一项类似“冷战”时期军控协议那样的AI协定——在那段历史里，宿敌也能为了生存坐在一起。
不过，这篇评论文章回避了一个棘手的问题：这样一场影响深远的暂停，究竟如何在现实中真正落地？谁来监督，谁来执行，又靠什么确保每个国家都遵守承诺？这些难题，桑德斯没有给出答案。但或许，问题本身被清晰而大声地说出来，已经是这个时代最稀缺的一步。
沉寂许久的AI竞赛终于有了新动静。就在行业还在消化上一轮“安全优先”的余波时，Anthropic抢先一步，推出了Claude Fable 5.1——一款针对老用户抱怨而生的升级版模型。这家公司宣称，新模型在长代码任务、研究类工作等场景下表现突飞猛进，更关键的是，那个曾让无数用户抓狂的安全过滤器，终于不再动不动就“拒绝回答”了。
数据给出了更直观的证明：Fable 5.1在AA智能指数上拿下了破纪录的66分，比上一代Fable 5翻了一倍还多，尤其在科学研究类测试上进步惊人，知识型工作的表现也一路领先。对于普通办公场景，Anthropic估计这代模型能帮用户省下大约25%的力气，但有意思的是，在最高难度任务上，它的成本反而涨了20%——原因在于Fable 5.1写东西更“啰嗦”了，输出文本量大约是以前的1.7倍。算下来，效能和开销，本就是一场此消彼长的交易。
最让社区振奋的是安全政策的调整。上一代Fable 5因为过度敏感的安全限制遭到大量吐槽，如今在网络安全类任务上，模型出手干预的频率降低了60%，面对基础医学和生物学问题，更是减少了85%的“自我审查”。这意味着模型不再动辄拒绝，而是真正开始帮人干活了。
与此同时，Anthropic还悄悄放出了一个配套版本——Mythos 5.1。它本质上和Fable 5.1是同一个模型，只是卸掉了更多安全护栏，不对公众开放，只有经过严格筛选的美国网络安全和生物学研究人员才能接触到。两种版本，一松一紧，也透露出这家公司在“可用性”和“安全性”之间小心翼翼的平衡术。
从行业节奏看，最近两大AI巨头相对安静，大家都在消化安全审查带来的冲击。如今Anthropic率先出招，直击用户最在意的痛点，显然是想抢占先机。而对手那边也传来风声，OpenAI的Astra版本据说本周就要发布，一场新的交锋似乎已经近在眼前。
当模型学会更少地说“不行”，我们究竟是得到了更聪明的助手，还是打开了一扇需要更小心看守的门？每一次放开安全阀，都是一次对信任的重新校准，而这场竞赛，远没有抵达终点。
在机器人操作领域，一个根本性的难题长期存在：要实现对多样化任务的可靠泛化，机器人需要海量的真实物理经验，然而带有动作标签的机器人轨迹不仅采集成本高昂，其多样性也天然受限。相比之下，第一人称视频则是一片尚未被充分开掘的富矿——它们记录了人类在无数环境中的物体交互、接触动态、工具使用乃至长程行为，却唯独缺少机器人最渴求的“动作”信息。如何将这海量但无动作标签的经验，转化为有效的机器人控制能力，正是ZimaBlue要破解的核心命题。
ZimaBlue是一个可扩展的框架，专门用于从大规模视频中学习具有泛化能力的“世界动作模型”（WAMs）。它的训练遵循一个三阶段“课程”：首先，在人类与机器人的大规模第一人称视频上进行因果具身视频预训练，让模型理解视觉世界的动态规律；接着，通过一种统一的动作表示，在异构机器人轨迹上进行“视频-动作中间训练”，将前阶段学到的视觉动力学与真实的机器人动作锚定起来；最后，针对目标机器人进行专门微调，使其进入可部署状态。
更巧妙的设计在于，为了让生成式世界模型真正满足实时控制需求，ZimaBlue引入了一对异步的“慢-快”双系统架构：高容量的“慢”世界模型负责提供泛化性强的时空表征，而轻量级的“快”分支则能在NVIDIA RTX 4090显卡上实现30赫兹的动作预测——前者深思熟虑，后者反应敏捷，二者各司其职。
实验数据印证了这套思路的威力。在真实机器人的零样本评估中，仅使用目标机器人自身数据时，任务成功率只有36.1%；而当训练数据扩展到超过12万小时的具身视频后，成功率一路飙升到77.8%。提升幅度超过一倍，且模型在多个基准测试中都表现强劲，尤其是在从未见过的任务上，泛化增益格外显著。
这项研究揭示了一个朴素的道理：机器人的“聪明”未必只能靠手把手教出来的动作轨迹堆砌，那些人类日常生活中的寻常影像，本身便是蕴含着无穷操作智慧的教科书。当机器学会从他人眼中读取世界如何运转，离真正成为得力的助手，便又近了一步。
多模态之合：从共存到协同原文
生成与理解在同一个模型中并肩而行，但它们究竟是相互成就，还是彼此掣肘？一项研究在剥离预训练视觉先验的受控环境中，从表征、任务和系统三个层面审视了统一多模态模型中视觉理解与生成的关系。研究发现，在表征层面，两种目标互有裨益：生成能丰富用于理解的视觉特征，而理解则强化了生成所需的视觉—语言对齐。然而，当两者被迫挤在同一条计算路径上时，往往会产生一方压过另一方的失衡。若采用任务解耦的架构，让视觉计算各司其职，同时保留语义交互，便能避免这种不对称的退化。在任务层面，三项案例研究揭示了当理解与生成依赖共享知识基础时，双向的正向迁移就会发生。而在系统层面，针对同时要求图像理解和生成的复杂任务，端到端的统一模型明显优于“先规划后执行”的流水线设计。这些结果共同指向一个结论：统一多模态模型的价值不止于提供单一的交互界面，恰当的专业分工、共享的任务知识以及端到端优化，足以让“共存”真正升华为“协同”。
想象一滴水，在二维环面上流淌，它的运动轨迹可以被看作一个无穷维空间中的点。这个空间，就是哈密顿微分同胚群，理想流体状态所在的“舞台”。长期以来，物理学家和数学家们知道，要理解流体运动的稳定性与可预测性，或许需要测量这个舞台的“弯曲程度”，即黎曼曲率。但真正的挑战在于：该如何为无穷维空间定义一种有意义的曲率？
这项研究给出了一条新路径。作者没有直接面对令人望而生畏的无穷维，而是借助一个精巧的近似工具——Zeitlin模型，用有限维的特殊酉群SU(N)来逐步逼近那个广阔的空间。就像用越来越多顶点的多边形去逼近一个光滑的圆，随着N不断增大，SU(N)的几何结构应能反映真实流体空间的几何本质。正是在这个模型上，研究者推导出了里奇曲率张量的明确公式，并提供了强有力数值证据，表明当N趋于无穷时，曲率收敛到一个他们猜想出的有限值。这意味着，一种定义在理想流体状态空间上的里奇曲率，可能真的存在。
如果只是建立数学定义，故事或许就停留在纸面。作者更进一步，将曲率与流体力学中的经典难题相连。他们用这个新框架考察了最基础的重力波模态的稳定性——结果与李亚普诺夫稳定性分析呼应；也重新审视了阿诺德关于长期天气可预测性的“信风”估计——曲率或许能成为衡量混沌与可预测性边界的新的标尺。
这个框架的延展性同样令人期待。从矩形区域内的流体，到由H^1索伯列夫度量诱导的拉格朗日平均欧拉方程，再到计入科里奥利效应的准地转方程——不同流体状态空间，似乎都共享着同一种几何语言的雏形。
无穷维的流体动力学，竟能用有限维的矩阵群来窥探其弯曲的秘密。也许，理解混乱的湍流，正需要先理解那承载着无数可能性的“形状”。当我们在N个近似的舞台上，看到曲率趋于稳定，不免会想：自然界的流体，是否正默默遵循着这套尚未被完全读懂的几何法则？这项研究，为那个问题，推开了一扇窄门。
在大模型的世界里，增加深度通常意味着增加计算成本。科学家们一直在寻找一种“免费”的深度——让网络重复使用同一批层，就像把同一页书读两遍，以期理解得更透。这种被称为“循环Transformer”的思路并不新鲜，但此前的实验大多在固定模型规模下比较，这让循环带来的优势被额外计算量所混淆：多算了一倍，效果自然更好，架构本身是否真的优越却说不清。
为了揭开这层迷雾，研究者盯上了混合专家模型。他们设计了一套严苛的“预算匹配”规则：在每次token计算量、非嵌入参数总量和KV缓存三者都对齐的前提下，比较循环架构与常规非循环基线模型。通过一系列消融实验，他们摸索出一个配方，命名为SMELT——稀疏MoE Transformer，中间层循环两次。这个模型只将中间一半的层重复使用两次，却能在三个预算维度上与非循环基线严格保持一致。
他们把SMELT从四个不同规模一路扩展到540亿非嵌入参数，并为两种架构分别拟合了Chinchilla式的缩放定律。结果令人意外：在计算最优前沿上，SMELT的损失曲线下降得更快，最多能节省18%的训练计算量。更妙的是，这种优势并不只停留在验证集上——在代码生成等下游任务中，SMELT的表现比损失预测的还要好，而且随着样本长度增加和上下文示例变多，优势愈发明显。
到底是什么让循环起了作用？机制分析揭开了秘密：当模型第二次“阅读”这些层时，注意力机制中的“注意力汇”现象减弱了，模型把更多注意力权重转移到真正与内容相关的token上。这种归纳偏置，或许就是性能提升的根源所在。
这项研究告诉我们，在算力预算不变的前提下，循环并非简单的重复劳动，而是一种更聪明的深度利用方式。少即是多——当架构学会把已有的深度“读两遍”，它反而走得更远。
苹果与OpenAI之间的诉讼战火再度升级。这起案件的焦点，是一位名叫张昌的苹果前工程师。苹果指控他在离职后加入OpenAI，却将自己在苹果期间设计的机密电源转换器电路，通过云端下载并带到了新工作中。更让苹果愤怒的是，张昌的律师拖延数周后，才在近期交出其苹果配发的MacBook，而另一台Mac Mini至今仍在等待检查。
苹果方面称，在调查开始之后，张昌于六月与OpenAI同事之间的短信往来，暴露了试图“恢复”并清除关键数据的计划。苹果表示，笔记本电脑上的痕迹显示，那些本该留在苹果的机密设计，确实被用在了OpenAI的项目中。而OpenAI对此的回应则相当直接——他们把矛头指向苹果自身的离职流程：员工一直使用个人iCloud账户工作，离职时又被迅速“送出门”，根本来不及归还任何东西。
值得一提的是，这起诉讼早在七月就已提交，当时张昌曾乐滋滋地发短信，说他还留着苹果的访问权限“真有意思”。如今苹果声称找到实锤。问题的另一面是，OpenAI与苹果前设计灵魂人物乔纳森·伊夫合作的首款AI设备即将问世。苹果能否在关键时刻通过法律手段给对手的硬件计划制造麻烦，时间将揭晓答案。
这场官司不禁让人想到一个有趣的现象：硅谷的人才流动向来如流水，但苹果显然越来越难以容忍自己的心血随着员工一起“跳槽”。技术秘密的边界在哪里，企业流程的漏洞又该由谁负责？当创新的热情与商业的壁垒碰撞，事后的追责，恐怕永远比事前的防范更引人注目。而这一切提醒我们，在高度互联的数字时代，真正的机密或许从未真正属于某个公司——只属于那些能够守住它的人。
桑德斯喊话：全球AI暂停开发原文
美国参议员伯尼·桑德斯刚刚在福克斯新闻发表了一篇重磅评论文章，向全球AI实验室发出罕见的呼吁：停止开发更强大的AI模型。理由很直白——就连那些亲手打造这项技术的CEO们自己都承认，AI正在“脱离他们的控制”。
桑德斯不是第一次表达对AI的忧虑，几个月前他甚至对着克劳德的语音模式倾诉过恐惧。但这次不同，他选择的发声平台是福克斯新闻，一个在几乎所有议题上都与他立场相左、唯独在AI问题上可能找到共鸣的保守派观众群体。
他的担忧清单相当具体：不断飙升的电力账单、环境破坏、青少年心理健康问题，以及一个惊人预测——未来十年内，AI将抹去“数千万”个工作岗位。他还特别提到过去一个月里接连发生的安全事件，其中包括OpenAI遭遇的黑客攻击，那次攻击中有超过一千个智能代理在无人察觉的情况下在线协调了数周之久。
解决方案是什么？桑德斯呼吁国际社会采取“全球暂停”措施，并推动中美两国在本月晚些时候于华盛顿举行的会晤中，达成一项类似“冷战”时期核武器控制协议的AI协定。他似乎认为，既然人类曾能在核武器问题上达成默契，也理应在AI失控前找到共识。
这篇评论文章没有回答一个关键问题：如此全面而彻底的暂停，在实际操作层面究竟如何落地？谁能监督？谁先执行？失控的技术是否真的能被一纸协议勒住缰绳？但桑德斯选择把这些难题留给读者思考，他要传递的核心信号很明确：当创造者都在承认自己失去掌控时，停下脚步或许比狂奔向前更需要勇气。
就在两大AI巨头因安全问题陷入沉寂之际，Anthropic率先打破僵局，推出了Claude Fable 5.1——一个直击用户痛点的新版本。这家公司声称，新模型修复了Fable 5时代的大量抱怨，而独立测试也印证了这一点：在科学研究的测试中，5.1的表现比前代翻了一倍还多，知识工作领域的得分同样突飞猛进。
最引人注目的是，Fable 5.1在AA的智能指数中拿下了破纪录的66分，一举登顶榜首。Anthropic自豪地表示，在典型工作任务上，成本估计降低了约25%。但事情并非全然美好——当模型被推到极限时，由于5.1会生成大约1.7倍的文本量，单次任务的费用反而高出20%。这就像一位更勤奋的员工，平时效率更高，但一旦接到最棘手的项目，加班时间也相应拉长。
真正让用户松一口气的是安全机制的改变。Fable 5曾因过于敏感的审查而广受批评，如今在网络安全任务上，安全过滤器介入的次数减少了60%，而在基础医疗和生物学问题上更是骤降85%。这意味着研究人员和开发者不必再频繁地被“拦截”打断思路。
与此同时，Anthropic还发布了Mythos 5.1——同一模型但去除了更多护栏的版本。不过，这扇“后门”并未对所有人生效，只有通过审查的美国网络安全和生物学研究人员才有资格接触。
在安全议题主导舆论的风口浪尖，Anthropic选择率先出手，精准打击了用户对Fable 5的主要不满。而竞争对手显然也不会坐视太久，有消息称OAI的Astra版本将在本周问世。一场围绕“能力与安全平衡”的新竞赛，或许正刚刚拉开序幕。当模型变得越来越聪明，我们是否准备好迎接一个审查更少、但责任更重的未来？
在人工智能与自动驾驶的交汇处，一个全新的尝试正在悄然展开。Qwen-Drive-1.0，这个名字听起来像是科幻电影里的某个代号，但它实际上是一个面向自动驾驶的视觉语言基础模型——它的诞生，或许正预示着无人车“看懂”世界的方式将发生深刻改变。
想象一辆汽车行驶在复杂的城市街道上，它不仅要识别红绿灯、行人、其他车辆，还得理解“前方路口施工请绕行”这样的自然语言指令。传统的自动驾驶系统往往把感知、预测、规划拆分成独立模块，而Qwen-Drive-1.0却试图用一套统一的框架，把三维感知、视觉问答和运动规划全部装进同一个预训练的视觉语言模型（VLM）里。换句话说，这辆车不再只是“看”路，而是真正“理解”路。
这套系统的巧妙之处在于，它在保留原有VLM架构的基础上，引入了一个外部鸟瞰图（BEV）感知头。这个感知头像一只敏锐的鹰眼，从高空俯瞰全局，同时完成三维物体检测、语义占用率预测和BEV地图分割。它既是读取共享表征中三维信息的探测器，也为开发者提供了可以直观检查的界面——让人能看清模型到底“想”了什么。而在规划层面，一个专门的“规划专家”（Planning Expert）模块，会基于共享的VLM表征，生成未来车辆自身的行驶轨迹。
训练这样一个全能型选手并非易事。研究团队设计了一套分阶段的训练策略，将驾驶相关的监督信号与通用的视觉语言数据混合使用。这样做的目的很明确：既要让模型习得驾驶领域的专业技能，又不能让它忘记在广阔视觉世界里积累的常识和对指令的理解能力。就好比一位赛车手，既要精通赛道技巧，也不能丢失在普通公路上游刃有余的驾驶素养。
实验结果显示，Qwen-Drive-1.0在三维感知和驾驶场景理解上表现出色，同时基本保留了原有的通用视觉语言能力。从开放环路测试，到伪闭环测试，再到真正的闭环测试，全面评估都展示了极具竞争力的运动规划性能。这意味着，它不仅能“看清”路况，还能做出合理、安全的驾驶决策。
这场探索的意义或许不止于自动驾驶本身。当一个模型能够同时处理三维世界的几何结构、语义问答和未来轨迹规划时，我们看到的其实是通向通用具身智能的另一条路径。未来的车辆，或许不只是交通工具，而是一个能与你对话、理解路况、并在关键时刻做出正确判断的智能体。Qwen-Drive-1.0只是第一步，却足以让人期待，接下来它走过的路，会通向怎样的远方。
在人工智能的疆域里，一个令人兴奋的转变正在发生。过去，视频生成模型被视为“生成画面的工具”，但如今，一群研究者发现，当视频生成模型足够强大时，它本身就能成为一个可交互的“世界模型”——你不仅能让它生成画面，还能指挥画面中的人物如何行动、镜头如何移动。
这项名为H3-World的研究，建立在MiniMax-H3这个拥有330亿参数的视频生成器之上。研究者的核心发现是：语言正成为控制视频生成的自然接口。MiniMax-H3本身已经具备通过自然语言指令零样本控制角色行为和镜头运动的能力，这听起来已经相当神奇。但问题是，这种控制是粗糙的、不精确的，“让角色向右走”和“让角色在第五秒到第八秒向右走”之间的差距，就像用喊话指挥交通和用信号灯指挥交通之间的差别。
H3-World的贡献，就是把这套“喊话式”接口升级成“信号灯式”的精准时间控制。他们并不引入额外的动作模块，而是把每一个动作表示为“角色指令”和“镜头指令”的结构化组合，再将这些指令与视频对应的时空片段对齐。更关键的一步，是引入了“时间注意力路由”机制——它确保每一条指令只作用于自己对应的时间区间，避免指令之间的相互污染。想象一下，你正在导演一段视频，先让角色回头，再让镜头拉近，如果两条指令纠缠不清，结果就会一团糟。H3-World通过巧妙的路径设计，让每一个指令在正确的时间点精准生效。
最令人惊讶的不是效果，而是代价。这项研究的训练样本只有8000段游戏录像，优化步骤仅为10000步，可训练参数只占整体的0.199%。要知道，很多大模型的微调动辄需要百万级数据、数十万步训练。H3-World却如同找到了一把钥匙，直接重用了大规模视频预训练时学到的语义表示，只需轻轻一转，就能打开“精准控制”这扇门。实验表明，它不仅能有效控制角色和镜头，还能泛化到未见过的场景中。
这背后透露出一个更深层的信号：当视频生成模型的能力增长到一定程度，控制能力会像“涌现”一般自然出现，而研究者要做的，不是从头搭建复杂的控制器，而是去发现如何把这种涌现的能力引导出来。H3-World正是这样一个引导装置，它证明了大规模预训练模型中潜藏的控制潜力，可以被极其轻量地释放，就像在沉睡的意识中轻轻唤醒一个能自主行动的世界。
若视频生成器的“想象力”已经足够丰富，那么我们需要做的，也许只是递上一根精确的指挥棒。当训练成本降到如此之低，交互式世界模型的门槛正在消融，属于每个人的“可导演梦境”或许比我们想象的更近。
想象一下，当一个人面对复杂的数学题或逻辑谜题时，往往会在草稿纸上画个示意图，把抽象的文字变成直观的图形，再一步步推导。但今天的大语言模型在解决纯文本推理问题时，却被迫用文字去描述所有中间步骤——哪怕问题本质上是空间或视觉的。
这正是研究者们试图填平的鸿沟。虽然现有的多模态模型能“看”图片，但社区一直缺少一个大规模、多步骤、带自我修正的训练语料，来教会模型在解决纯文本推理问题时，如何构建并维护一个内部的“视觉工作台”。
为此，研究团队推出了CoVA-SFT——一个高度结构化的数据集，包含51.9K个样本，涵盖超过222K步多模态推理过程，横跨5种不同的布局家族和17个复杂任务。这些任务不只是简单的问答，而是要求模型将问题中的空间关系、几何结构或图形模式显式地转化为可视化表示。数据集中的每个样本都配备了清晰的推理步骤说明、代理渲染流程和验证循环，引导多模态语言模型学会在文字与视觉抽象之间灵活切换。
为了让评估可复现，团队还配套发布了CoVA-Bench基准，包含1,700个保留的测试样本，覆盖同样的任务范围。实验结果显示，在CoVA-Bench上，基于CoVA-SFT微调的模型在所有交错思维链基线中平均表现出超过2倍的性能提升。这个数字令人鼓舞，但也需冷静看待——这些模型依然逊色于纯文本思维链的强基线。这意味着，尽管视觉推理的潜力巨大，但如何让模型真正“画图”并从中获益，仍是摆在研究者面前的开放挑战。
当我们期待AI像人一样在纸上画个圈、连线、标注时，CoVA-SFT向这个方向迈出了坚实一步。未来的模型也许不再只是“想”得更久，而是“画”得更聪明。这不仅关乎性能数字，更关乎我们如何重新定义推理本身——它可以是文字的流动，也可以是图像的搭建，更可以是两者交织的思维剧场。
创意工作者极少为自己设计，他们总是要为那些喜好难以捉摸的受众而创作。然而现如今的文生图探索工具，其多样性完全来自设计师自身的输入——他们写的提示词、选定的画面比例、搜索的关键词——一切探索都局限在设计师已经知道要去寻找的范围之内。换句话说，工具只能带你去你已知的地方，却无法帮你发现未知的风景。
FocusGen系统应运而生，它像一场精心安排的“虚拟焦点小组”，将外部视角引入视觉设计探索的流程。与以往那种让多个人格代理聚在一起、对同一个不断演化的作品进行批评的模式不同，FocusGen让每个人格代理成为独立的“平行生成器”。每个代理都由人口统计数据、程序化生成的背景故事，以及通过访谈形式获取的审美偏好共同构建，它独自驱动一套迭代生成循环，最终产出属于自己的视觉概念。一份设计简报，由此被转化为一系列受不同受众偏好调校的方向，仿佛同一颗种子在不同土壤中生长出迥异的形态。
研究团队用真实的人类参与者验证了这套迭代优化循环的有效性——人们确实更喜欢经过多轮打磨的产出，而非一次性生成的初稿。而在大规模合成代理的测试中，人格条件化机制比通用助手基线产生了更高的视觉多样性，这一结论由CLIP距离指标量化，同时得到了人类感知判断的 corroboration。有趣的是，开放式偏好访谈比结构化访谈能催生更多样化的产出，这一点在人类和合成群体中均得到证实。但研究也揭示了一个值得警惕的事实：合成代理群体只能恢复出与之相当的人类群体多样性的一部分，仿真毕竟不是完全替代。
在一项覆盖16位创意从业者的定性研究中，FocusGen展现出了独特价值：它帮助设计师发现未曾预料的方向，打破思维定势，并深入探测受众所处的文化语境。与此同时，参与者们也对刻板印象风险表达了担忧——当代理基于人口统计学数据进行构建时，是否会在无意中强化某些固有偏见？这正是研究团队着重分析的隐患。
FocusGen被定位为早期构思阶段的“发散支架”，而非真实受众调研的替代品。它提示我们：在创意探索的工具链中，真正的稀缺资源或许从来不是生成能力，而是看见“他者”视角的能力。当算法学会了模拟千万种目光，设计师要警惕的或许不是工具太聪明，而是自己太容易满足于镜中的回响。
在学术写作中，一张清晰传达核心发现的图表往往比千言万语更有效。然而，让AI自动生成符合作者心意的科学图表，远比想象中复杂。研究者们发现，一次性生成的草图几乎总是需要修改——在一项针对14名用户的初步测试中，所有人看到初稿后都提出了进一步修改的要求，而其中86%的人认为经过反复打磨后的图表明显更令人满意。这个看似简单的反馈，却揭示了一个长期被忽视的领域：多轮图表生成。
为了系统性地研究这一过程，研究团队构建了一个名为MTPaperBananaBench的基准测试，包含292张论文图表和精心标注的3518条用户需求。这就像为AI提供了一个“挑剔编辑”的训练场，每一轮都能指出哪里不满意、哪里还需要调整。为了摆脱对昂贵人工测试的依赖，他们设计了一个用户模拟器：模拟器会逐轮识别尚未满足的需求，并把其中若干条转化为自然语言的修改建议，从而在大规模上检验多轮系统的表现。
评估结果令人警醒。在对照多个基线多轮系统时，研究者发现了两个高频出现的失败模式：其一是“质量漂移”——随着修改轮次增加，图表整体质量不升反降，仿佛越改越乱；其二是“遗忘”——早前已经实现的功能，在后续修改中竟神秘消失，如同AI得了短期失忆症。
针对这些顽疾，团队提出了新系统PaperBanana-Interact。它采用多智能体架构，内部通过“批评-修正”循环不断对图表进行精雕细琢。实验结果表明，这一系统在多轮迭代中能够持续提升图表质量，而不会像基线系统那样逐渐崩溃。与基线相比，PaperBanana-Interact在质量评分上提升了11.9至18.6个点，同时将“遗忘”问题减少了3.7至6.2个点。
或许，真正的智能不在于一次猜中所有心思，而在于愿意倾听、记住每一次反馈，并在反复打磨中始终保持作品的水准。对于科研工具而言，这种耐心与记忆，正是从“能用”迈向“好用”的关键一步。
Abstract:Physics-informed neural networks (PINNs) often face ill-conditioned objectives that limit high-accuracy training. Dense quasi-Newton methods improve local conditioning but require expensive optimizer state, while Kronecker-factored methods such as SOAP scale to larger networks but rely on periodic basis updates. We introduce \method, which augments SOAP-style preconditioning with a scalar secant-energy correction adapted to Kronecker geometry and an adaptive basis update followed by variance-state downscaling. We characterize the directional secant matching induced by the scalar correction and give a bound on variance-state mismatch across basis changes. Across eight PDE benchmarks, \method attains the lowest final residual on six, including Burgers and Boussinesq, while SOAP-family baselines perform better on Gray-Scott and Ginzburg-Landau. On Boussinesq, \method reaches a residual of $10^{-5}$ in 4.1 hours with 9.2 GB peak VRAM, while Adam does not reach this target within 14 hours. Three-seed $L^2$ and $H^1$ errors on four representative PDEs support the link between lower residuals and improved solution accuracy. These results position \method as a scalable option for stiff, high-accuracy physics-informed training, rather than a uniform replacement for existing optimizers.
在生成式人工智能的版图上，文本到图像的翻译早已不是新鲜事，但几乎所有现有方法都像一条单行道：从文本出发，沿着固定的生成路径驶向图像，却无法掉头从图像回到文本。更令人困扰的是，这些路径往往绕开了源模态本身，导致某些采样算法灵活性受限。如今，一项名为BIT（Bidirectional Image-Text Diffusion Bridges）的研究，试图在这条单行道旁架起一座可双向通行的桥梁。
故事要从一张最普通的文本描述开始。想象你写下“一只坐在草地上的橘猫”，传统方法会启动一个去噪扩散过程，从随机噪声中一步步“擦”出图像。而BIT不同——它直接从这段文本出发，通过一条由随机微分方程（SDE）刻画的桥，平滑地插值到图像空间。这意味着生成路径始终“知道”自己从哪里来，采样算法因此获得了更大的自由度，可以灵活选择中途停靠或跳跃，而不必被固定的噪声演化束缚。
更关键的突破在于，这座桥并非单程。由于生成过程被设计为端点条件化的，只要给定终点（一张图像），就可以反向遍历，最终回到文本空间。于是，图像到文本的翻译——也就是图像描述生成——自然地被纳入同一个框架。一个统一的、双向的生成模型就此诞生，无需为每个方向单独训练两套系统。
研究人员通过随机微积分推导出BIT的数学形式，得到了易于模拟的SDE表达，以及能够扩展到高维数据的可计算损失函数。在实验环节，BIT与当前主流的去噪扩散基线、确定性流基线展开了正面对决。结果显示，BIT在多个视觉-语言任务上不落下风，甚至在若干自然科学研究场景中表现更优。这些任务不仅包括常规的图像生成与描述，还涉及跨模态检索、视觉问答等更复杂的理解型挑战，意味着双向桥梁的价值不只是“能走回来”，而是真正增强了模型对两种模态之间语义关联的把握。
BIT的意义或许并不在于取代所有现有方法，而在于它提供了一种新的思考方式：模态之间的转换不必是单向的管道，而可以是一座数学上优雅的桥，让信息自由流动。当生成模型开始真正理解“往返”的含义，我们或许离那台既能描绘世界、又能读懂世界的机器，又近了一步。未来，这座桥的承载力与延展性，将取决于我们如何利用它连接更广阔的跨模态大陆。
今年六月，美国五角大楼罕见地给人工智能公司Anthropic贴上了一张标签——“供应链风险”。这个标签的分量非同小可，因为它通常只用于外国对手，而Anthropic成了第一家被如此对待的美国企业。一夜之间，所有政府机构被要求停用其前沿模型Mythos和Fable，近一个月里，双方在公开场合激烈交锋，Anthropic的产品几乎从联邦视野中消失。
许多人当时就感到蹊跷：一家以安全研究著称的AI实验室，怎么突然成了“安全威胁”？更耐人寻味的是，Anthropic此前一直在公开批评军方将AI用于自主武器系统，双方关系早已紧张。直到本周，联邦法官Rita Lin的一纸裁决揭开了谜底——五角大楼此举违反了宪法第一修正案和第五修正案。法官明确指出，国家安全不是一张“空白支票”，不能用来惩罚批评者。换句话说，封禁更像是一种报复，而非对真实风险的回应。
这一裁决的重要性不言而喻。它确认了许多业内人从六月就有的直觉：所谓“供应链风险”不过是表象，真正的导火索是Anthropic在军事AI问题上的立场。尽管眼下这个黑名单名义上仍然存在，另一桩相关案件还在上诉法院审理，五角大楼也声称将在9月30日前完成对Claude停用的“收尾”，但法律先例已经种下。
未来，任何试图用安全名义封禁AI公司的行为，都可能面临更严格的司法审查。技术伦理与国家安全之间的边界，从此不再是一方说了算。当一家公司与权力机构意见相左时，它是否还能保住自己说话的资格？这场官司给出了一个值得深思的回答。
十一月十二日，一个看似普通的日期，却成了OpenAI与编程平台Cursor分道扬镳的终点。OpenAI宣布，将在此日期前从Cursor平台上移除自家模型。这并非一次寻常的技术调整，背后是一场由收购引发的信任危机——Cursor上月被SpaceX收入麾下，而SpaceX的掌舵人，正是与OpenAI恩怨纠葛多年的埃隆·马斯克。
OpenAI给出的理由直指马斯克的“违约前科”。他们坦言，这一决定“异常艰难”，但法律赋予了他们在Cursor被出售后启动解约的权利，而他们只是将撤离时间尽可能延长到了合同允许的极限。为了佐证自己的判断，OpenAI翻出了旧账：马斯克在收购推特后，单方面终止了每年两百万美元的推文数据交易；此外，xAI被指使用OpenAI的输出进行模型训练，马斯克本人对此也承认“部分属实”。
事件迅速在科技圈掀起波澜。Anthropic联合创始人汤姆·布朗公开声援Cursor，并提醒人们注意Cursor的同行Windsurf也曾因潜在的OpenAI收购而遭遇过类似对待。面对质疑，马斯克只丢下一句“我毫不在乎”，而Cursor的CEO迈克尔·特鲁尔则忙着寻求解决方案。一个耐人寻味的细节是，OpenAI的模型在Cursor的AI流量中仅占约百分之五，这使得这次“切割”的象征意义远大于实际技术冲击。
Cursor本是一个中立的代码编辑器，为开发者提供各家前沿模型的选择。如今，它却被迫卷入了山姆·奥特曼与埃隆·马斯克之间的“午餐室争斗”。随着xAI的Grok模型强势崛起，以及Cursor内部模型的不断进步，这场风波的实质或许已超越个人恩怨，更像是AI竞争格局重塑的一个信号。当平台与模型提供方的利益边界因资本运作而变得模糊，开发者手中的选择权，或许才是决定未来走向的真正砝码。
一场关于AI自我进化的实验悄然完成，结果令人深思。Anthropic公布了一项新研究，让多组Claude智能体独立承担AI安全研究工作，它们成功消除了十种常见的人工智能不良行为，平均修复效果比处理同样任务的人类专家高出四倍以上。
实验覆盖了十类典型问题，包括谄媚、欺骗和越狱攻击。Claude们自主循环执行文献检索、训练调整和效果评分，最终交出的答卷从谄媚行为下降26%到奖励黑客问题改善96%不等，且没有牺牲模型整体能力。作为对照，六位资深安全研究员在相同条件下仅修复了20%的欺骗行为，而Claude在150多次尝试中平均完成了85%的修复。
更令人惊讶的是，一个性能较弱的Claude Sonnet 5模型，花费60小时对尚未发布的Opus 4.8版本进行安全训练，所用的数据量仅为Anthropic内部流程的十五万分之一。
这一进展的意义远超技术层面。如今大多数AI路线图都默认，人工智能终将接管AI研究本身，而这项实验是最早的切实信号之一，证明交接已经开始发生。但同时，考虑到OpenAI近期安全漏洞事件的余波仍在发酵，将安全防线交给非人类系统，意味着我们需要对机器投注前所未有的信任。
当AI开始修补自己的缺陷时，我们是否准备好面对一个不再完全依赖人类判断的未来？这场自我完善的长跑，或许才刚刚迈出第一步。
在伦敦帝国理工学院，一项新的AI技术正在改变心脏病的诊断方式。只需读取一份常规心电图，不到两秒，它就能捕捉到医生肉眼无法察觉的心力衰竭和心脏瓣膜病。过去，确认这些疾病往往要排队等待数月的超声检查，而全球每年有超过十亿份心电图被记录，大量潜在风险就静默地埋藏在这些数据里。
这个AI模型接受了超过一千零六十万份心电图的训练，并在六万五千名患者身上接受了检验。结果显示，它识别心力衰竭的成功率达到百分之八十一，识别心脏瓣膜病达到百分之九十。研究团队负责人冯松·吴教授表示，未来医院可以在每一份心电图上运行这套系统，发现原本根本没有被筛查到的问题。目前，团队已在六家医院启动了一项涵盖五百九十名患者的试验，目标是让这项技术在两年内融入英国国家医疗服务体系的常规流程。
我们常听到AI终将攻克一切疾病，但眼前的进步，其实更朴素地体现在对已有数据的更深挖掘上。就像之前AI辅助脑外科手术成为现实一样，一个永不疲倦的“第二双眼睛”，正在让诊断和治疗向前迈出坚实的一步。不论技术如何演进，真正的挑战或许不是让它看得更远，而是让每一份普通的心电图，都值得被这样认真对待。
想象一下，你打开一个网页，看到的不是由代码渲染出的静态界面，而是一段实时生成的视频画面。你点击、拖动、输入，画面随之流畅变化，每一帧都在瞬间被“画”出来——但底下没有任何一行代码在运行。这不是科幻电影，而是Runway刚刚推出的早期访问产品“Solaris”，一个被称为“界面世界模型”的新系统。
这个想法听起来有些颠覆。过去的网页和App，本质上是代码构建的逻辑结构：按钮、表单、布局，每一个交互都对应着预设的程序响应。而Solaris完全抛弃了这条路径，它把Gen-4.5视频模型与一个大型语言模型结合起来：语言模型读懂你的每一次点击或拖拽意图，然后“导演”视频模型生成下一帧画面。从某种意义上说，网页不再是被“编写”出来的，而是被“想象”出来的。
在Runway展示的演示中，你可以把一件虚拟T恤从货架上拖到照片上，衣服自然贴合人体；也可以像做沙拉一样，把各种食材逐一“丢”进碗里，它们会真实地堆叠在一起；还有一个燃烧实验的互动演示，火焰会随着你的操作实时变化。这些场景看起来像是游戏引擎的产物，但背后没有物理模拟，没有预制动画，全凭AI模型对“接下来应该发生什么”的即时判断。
Runway进行了一项对比研究，让测试者在Solaris和由Claude Opus 5编写的代码页面之间做选择。结果显示，在场景内行为是否符合预期方面，71%的测试者选择了Solaris；在指令跟随的准确性上，Solaris也以61%的比例胜出。不过，这并不意味着它已经成熟。Runway坦言，目前Solaris仍然存在文字清晰度不足、长时间会话中画面会逐渐“漂移”失真，以及生成出看似合理实则错误的屏幕内容等问题。正因如此，它仅以早期访问的形式开放，供用户测试和反馈。
这个产品之所以值得关注，或许并不在于它能否立刻取代传统网页开发，而在于它背后透露出的趋势。AI模型在速度、成本和质量三个维度上的同步提升，正让过去不切实际的想法变得可行。如果这种进步曲线持续下去，那么像Solaris这样“无代码”的实时生成界面，可能会催生出全新的交互方式和产品形态，甚至重新定义我们与数字世界的接触方式。
未来的网页会是什么样子？也许它不是一片由代码搭建的森林，而是一条由AI不断描绘的河流——每一次点击，都掷出一块石头，激起一圈圈意想不到的涟漪。是昙花一现的奇技淫巧，还是即将开启的新范式，时间会给出答案，但至少，我们已经看到了另一种可能性的轮廓。
当机器人被部署到真实世界，它总会遭遇训练时从未见过的物理条件——摩擦力、材质、光线、甚至一颗松动的螺丝。传统做法是提前用海量数据预训练，但现实总在预料之外。于是一个问题浮出水面：机器人能否在真实操作中，像人类一样“边做边学”，从自己的亲身经历里汲取教训，立即指导下一步行动？
这正是Zeva框架试图回答的。它不是让机器人“更聪明”地预训练，而是赋予它在部署现场“自我进化”的能力。Zeva的巧妙之处在于，它冻结了策略模型的参数——即不修改机器人的“大脑结构”——却让它在实际操作中通过上下文学习来适应新情境。当机器人执行一个动作并观察到随之而来的状态变化时，一个被称为“因果交互提取器”的模块会将这对“动作-结果”编码为因果交互信号，存入一个双时间尺度的因果记忆库。未来再遇到类似情境，机器人便检索相关记忆，将其作为上下文注入冻结的策略模型，从而调整下一次动作。
研究团队在仿真环境和真实世界操控任务中进行了测试。结果表明，Zeva在对比前沿视觉-语言-动作模型（VLA）和世界模型（WAM）的基线方法中，均取得了最好的表现。更令人惊喜的是，随着机器人在部署中不断积累交互经验，它的成功率持续提升，完全无需梯度更新。也就是说，机器人真的在“进化”——不是通过重新训练，而是通过“亲身经历”的沉淀。而且，这些获得的交互经验还能迁移到不同任务中，意味着一次试错，可能惠及多种操作。
想象一台机械臂，第一次拧瓶盖时可能力度不对，但它记住了这次失败带来的状态变化，第二次便调整策略，第三次已经熟练。这种从零开始、依靠自身物理体验的持续学习，或许正是具身智能走向真实世界的关键一环。Zeva证明了，机器人的成长未必需要庞大的算力和海量标注，它也可以像我们一样，在磕磕绊绊中学会生存。真正的智能，也许不在于一开始懂得多少，而在于如何从每一次笨拙的动作里，悄悄变成一个更老练的自己。
在语音识别领域，研究者们一直面临着一个两难选择：要速度还是要准确？WhisperX通过音频内批处理加速了转录过程，但这个方法将音频片段孤立处理，失去了连贯的上下文信息，导致标点和专有名词的转录效果不佳。而标准的Whisper虽然能顺序保留上下文，但推理速度慢，还容易陷入幻觉循环。
为了兼得两者之长，研究人员提出了一种名为“上下文感知交错批处理”的新算法。它利用VAD（语音活动检测）得出的片段边界，稳定了Whisper的文本条件，从而在批量处理音频片段时，依然能够安全地保持连续的上下文信息。在长音频基准测试中，这一方法显著降低了词错误率（WER），并提升了专有名词的转录准确度，同时保持了高吞吐量的推理速度。
这一创新意味着，我们不必再在速度与质量之间妥协。它让高速转录不再以牺牲语义连贯性为代价，也为长音频处理提供了一条更可靠的路径。语音识别技术的进步，往往藏在这样看似微小的优化之中——但正是这些细节，决定了机器能否真正“听懂”人类复杂而连贯的语言。