EZ.AI Listen Daily
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。
大语言模型在预测任务上表现精准，但往往校准不佳，它们的思维链推理也未必忠实反映背后的证据。最新研究深入模型内部，发现中间层的激活探针比表层推理更可靠。研究者训练了基于隐藏层表征的池化探针，在Eternis-Forecaster 8B上实现了显著更优的校准效果，这一结果在GLM-4.7-Flash和GLM-4.5-Air模型上也得到验证。更令人惊讶的是，当通过消融或注入关键证据来干扰模型时，模型预测会改变，而推理轨迹纹丝不动，仿佛在编造故事。这些探针成了真正的测谎仪：它们在84%的案例中能预测行为变化的方向，即使思维链完全掩盖了扰动的影响。最后，强迫回答实验揭示了一个冷酷事实：预测在推理开始前就基本确定了——仅凭推理前的一轮前向传播就能恢复承诺的答案和置信度，而根据预置答案的分布进行路由，可节省30-47%的生成token而不损失精度。这些发现表明，探测内部表征是校准、审计和分类语言模型预测器（以及更广泛的推理模型）的实用工具。思考的本质也许不在它讲述的故事里，而在它不曾说出的那些沉默中。
想象一下，你是一位机器人研究员，为了让一台机器人在客厅里学会拿起桌上的杯子，你可能需要花费数周时间手动设计场景、摆放家具、设置物理碰撞参数，再编写繁琐的交互逻辑。这种手工搭建的训练环境既耗时又难以复制，更不要说扩展到成百上千个不同房间了。这正是EmbodiedGen V2试图解决的痛点——它是一个生成式3D世界引擎，能够自动构建可直接用于具身智能训练的模拟环境。
这个引擎的巧妙之处在于，它用一套统一的“可模拟”表示法，将来自不同模拟器的资产、物体的交互可供性、任务驱动的场景、大规模多房间布局，甚至状态化的“Vibe Coding”都串联起来。这意味着，生成的场景不再只是一堆静态的3D模型，而是能够直接支持机器人进行抓取、导航、移动操作等任务的完整环境，并且可以在不同模拟器之间无缝迁移。
在评估中，这套方案展现出了惊人的实用性。资产管线的生成结果获得了96.5%的人类接受度，碰撞检测成功率达到98.6%——也就是说，机器人能自如地在这些场景中穿梭而不会“卡”在家具里。更关键的是，83.3%的任务驱动世界竟然无需任何手动调整，就能直接投入下游仿真使用。研究人员还进行了一个实验：让机器人在这些自动生成的环境中进行在线强化学习，模拟中的任务成功率从可怜的9.7%飙升至79.8%；把训练好的策略迁移到真实机器人上时，任务成功率也从21.7%提升到了75.0%。这组数字无疑证明了，一个好的训练环境可以极大地缩短从算法到现实的距离。
当然，任何技术都有其边界。目前EmbodiedGen V2仍主要集中在室内场景，对于复杂户外环境的生成能力尚未展示；此外，它的任务范围虽广，但能否覆盖极端罕见或高度特化的工业场景也还有待检验。然而，这项研究无疑为具身智能的规模化学习提供了一条清晰路径——当搭建训练环境这件事本身变得可生成、可编辑、可复用，真正意义上的大规模闭环训练才有了地基。或许，未来的机器人不再需要人类师傅手把手教授每一个动作，而是可以在千千万万个自动生成的虚拟世界中自我探索，然后带着经验走向现实。
传统视频生成模型在数字内容创作中表现出色，但当研究者试图将其应用于机器人控制时，却遭遇了物理世界的“水土不服”。针对这一困境，一支研究团队从零开始构建了专为本体环境设计的视频动作基础模型LingBot-VA 2.0，通过四项核心设计原则实现了质的飞跃。
第一，他们摒弃了传统的基于重建的变分自编码器，创新性地引入了语义视觉动作分词器。这一设计不仅将视觉表征与语义和动作精准对齐，还显著提升了后续策略学习中的指令跟随能力和动作精度。第二，在时间动态建模上，团队基于物理世界严格因果性的认知，采用了因果预训练范式，从零开始训练整个模型。这种方法成功规避了传统双向架构在适应新任务时常见的灾难性遗忘问题，让模型能够更稳健地学习随时间变化的动作规律。
第三，为了满足高频推理的实时需求，模型采用了稀疏混合专家主干网络。这一架构在扩展模型容量的同时，并未牺牲计算效率，确保了在复杂任务中依然能快速响应。第四，通过增强的异步推断方案，LingBot-VA 2.0实现了真正的实时闭环控制。该方案在动作执行的同时并行预测未来潜在状态，并利用学习到的前向动力学机制，将每一次滚动任务重新锚定在最新的观测数据上，确保控制的实时性和准确性。
在实际部署中，LingBot-VA 2.0展现出了强大的基础模型能力。在跨复杂操作任务的少样本泛化测试中，它仅需少量示例便能适应新场景，验证了其作为通用机器人控制骨干的鲁棒性。
这四项设计不仅填补了视频生成模型与物理环境之间的鸿沟，更暗示了一个方向：当模型真正理解并尊重物理世界的因果与时间约束时，机器人才可能从数字模拟的“戏法”走向现实操作的“可靠”——也许不久之后，你看到的每一个流畅的机器人动作，背后都藏着这样一段从零开始的因果之旅。
在实验室的恒温箱里，一颗刚刚摘下的猪眼被连接上一台精巧的流体泵送盒子。富氧液体通过眼球动脉循环，温度与压力被精确维持——十五分钟后，这颗原本已失去感光能力的眼球，重新对光线产生了反应。这不是科幻场景，而是巴塞罗那团队发表在最新研究中的真实成果。
死后的眼球本该迅速衰竭：即使冷藏，未经处理的猪眼在24小时内便出现严重退化。但经过这台设备灌注的眼球，“存活”状态显著更持久，部分实验眼感光功能维持超过十小时。关键在于，光敏感性在眼球离体瞬间消失，而灌注开始约十五分钟后，它竟奇迹般回归。
研究者不仅验证了猪眼，还获得了六名人类捐赠者的单眼进行对比实验。结果一致：经过灌注处理的视网膜，保存状况远优于未处理的对侧眼。这背后是精密的工程学设计——密闭舱内恒温恒压，一个窗口允许实时成像，氧气与营养液持续替代血液泵送。设备模拟了活体环境，让眼球在死亡后仍能维持活性。
这一突破直指医学难题的核心。2023年，纽约大学朗格尼医学中心完成了首例全眼球移植，术后眼球虽有血供且外观正常，但患者依然无法恢复视力。最大的障碍之一，便是供体眼球在死亡后以惊人的速度降解——视网膜神经元在缺氧数分钟内便开始不可逆损伤。若能延缓这层易碎的光感受组织死亡，或许就能为移植争取到宝贵的手术窗口。
这台灌注设备的意义，不仅是延长了几个小时的感光能力，更在于它首次演示了如何系统性地让离体眼球重新实现基础功能。尽管距离真正的人类全眼球移植恢复视力还有重重关卡——从视神经再生到免疫排斥——但至少，一个让器官在死后继续“活着”的盒子，已经稳步推开了那扇门。
死亡并非终点。那些曾被认定不可逆转的瞬间，正在实验室里被一次次改写。也许在不久的将来，失明者的曙光，就始于这颗在液体中重新跳动的光感。
Meta宣布在加拿大阿尔伯塔省斯特金县开工建设其首个加拿大数据中心。这是一座规模达1吉瓦、专为人工智能优化的设施，总投资超过130亿加元（约100亿美元）。据Meta数据中心开发副总裁加里·德马西透露，这是Meta全球第33个数据中心，也是美国以外最大的一个。
这座设施的电力需求相当于75万户家庭的用电量，将由Meta资助并接入阿尔伯塔省电网的新建天然气发电厂供应。项目高峰期将支持超过3000名建筑工人，并创造300多个永久性运营岗位。技术方面，该数据中心采用闭环液冷系统搭配干冷散热，运营过程中无需消耗水来降温。
阿尔伯塔省以廉价能源和宽松监管为卖点，吸引Meta将其视为下一代人工智能的前沿阵地。但这座数据中心依赖天然气发电的现实，暴露了一个深层矛盾：AI对电力的贪婪胃口，正不断与科技巨头们的气候承诺发生碰撞。这不仅是Meta的故事，更是整个行业在追求技术飞跃时，不得不面对的能源悖论。当算力成为新石油，如何平衡增长与可持续，或许才是未来最关键的考题。
亿万富翁杰夫·贝佐斯旗下的蓝色起源公司，正悄然开启一场史无前例的资本盛宴。据报道，这家火箭制造商正在进行其成立25年来的首轮外部融资，规模高达100亿美元。这笔交易使蓝色起源的估值飙升至1300亿美元，几乎紧贴竞争对手SpaceX近期轰动IPO之后的市场热度。
参与这场融资的各方来头不小：对冲基金Coatue Management拿出40亿美元，贝佐斯本人再注入20亿美元，剩余40亿美元则来自多家机构投资者。此前，蓝色起源几乎完全依靠贝佐斯个人资金维持运营，这笔钱大多是他抛售亚马逊股票所得。如今引入外部资本，标志着公司战略的重大转折。
然而，融资时机颇为微妙。就在不久前，蓝色起源的一枚火箭在发射台上爆炸，公司至今仍在重建受损发射台并调查事故根源。尽管如此，投资者仍给予其1300亿美元估值，甚至超越了洛克希德·马丁约1220亿美元的市值。蓝色起源由此跻身全球最有价值的纯太空公司行列。
这次融资的意义远超账面数字。SpaceX的崛起证明，单靠个人支票已不足以支撑这场太空竞赛——蓝色起源需要机构级的资本来追赶对手。但外部资金也意味着外部压力：在1300亿美元的估值下，蓝色起源必须向投资人们证明，自己能将NASA的大额合同转化为可靠的发射任务，而非一再的延期和发射台修复。承载着贝佐斯太空梦想的蓝色起源，正站在一个需要靠实力证明自己的全新起点上。当资本的赌注如此巨大，每一步发射都不再只是技术问题，而是未来棋局的关键落子。
曾经让Netflix一统江湖的“一次性放出全集”模式，如今正成为它的软肋。据彭博社报道，Netflix多部旗舰剧集的第二季收视率相较第一季暴跌30%至70%，这一数据引发了行业对“刷剧”模式生命力的质疑。
《降世神通：最后的气宗》第二季在首播四天内仅获得870万次观看，而第一季同期是2120万次，暴跌59%；《怒呛人生》下降了70%；《暗夜情报员》损失了50%。收视率断崖式下滑的时间点耐人寻味：《怒呛人生》和《海贼王》都花了三年时间才推出后续季，这在信息爆炸的时代，足以让观众彻底转移注意力。当短视频和手机竖屏剧每15秒就能带来新刺激时，三年的等待无异于永恒。
面对危机，Netflix正在尝试自救：它将于今年8月3日在美国推出新功能，在平台上内嵌来自BuzzFeed、康泰纳仕和赫斯特等出版商创作的短视频内容，试图用“短内容”留住用户。而竞争对手的步步紧逼更加致命：2025年，YouTube首次在每日观看时长上超越Netflix；竖屏短剧应用ReelShort的消费者支出飙升至约12亿美元，同比增长119%。刷一集《暗夜情报员》的时间，足够刷完一整部短剧。
“刷剧式掉粉”曾让Netflix称王，但如今这个模式在信息流滑动的世界里显得垂垂老矣。一位不愿透露姓名的分析师指出，Netflix内部已在研究这一趋势，这意味着连它自己也怀疑“一次性放出全集”这张王牌需要重新洗牌。当注意力成为最稀缺的资源，流媒体巨头或许不得不思考：让观众等三年才见面，是不是已经太过奢侈了？
Meta悄然发布了新一代AI模型Muse Spark 1.1，专为代理式任务、计算机使用和长会话场景打造。扎克伯格亲自站台，承诺定价将远低于竞争对手“非常极端”的利润率——每百万输入/输出令牌仅收费1.25美元和4.25美元，约为头部竞品的四分之一。这一价格战策略，瞬间引发了行业震动。
但低价并非全部。1.1在多个代理推理和工具使用基准测试中，直接超越了Opus 4.8和GPT-5.5。扎克伯格宣称它达到了“顶尖或接近顶尖”的水平。尤其在计算机使用任务上，1.1表现惊艳：它能将复杂任务拆解为多个并行子代理，跨应用程序协同操作，并依靠100万令牌的超大上下文窗口处理长时间作业。API现已进入公开预览，新用户可获20美元试用额度。
这场发布背后，暗藏着Meta与SpaceXAI的惊人相似：扎克伯格和马斯克都曾经历初期模型的乏善可陈，最终却凭借成本与效率的极致优化，推出了极具竞争力的新模型。Meta还在秘密训练代号“Watermelon”的更大模型，预计年底登场。下一波更大规模的发布，将揭示他们究竟能走多远。
有时候，颠覆不靠堆算力，而靠把每一块钱都用在刀刃上。当价格砍到对手四分之一，性能却反超时，真正的竞争才刚刚开始。
在AI竞赛日益白热化的当下，OpenAI悄然发布了GPT-5.6系列，一口气推出了Sol、Terra和Luna三款模型。这不是一次简单的模型升级——它更像是一盘蓄谋已久的大棋。故事的起点，是OpenAI用一个代号为“Sol”的旗舰模型，搭配一个名为“ChatGPT Work”的新平台，以及一个整合了Codex引擎的桌面应用，正式将“超级应用”的野心从口号变成了用户手中的工具。
这场发布的核心在于差异化。Sol的智商在AA的智能指数上略低于Anthropic的明星模型Fable，但在代理编程、计算机操控、设计能力和网络安全方面却成功反超。更关键的是，Sol的定价与上一代GPT-5.5持平，从每百万token 5美元（输入）到30美元（输出），而更便宜的Luna版本价格低至1/6美元。Sam Altman意味深长地指出：“现在每个企业都在思考预算。”同时，OpenAI还引入了“Ultra”模式来解锁顶级性能，并揭示了一个惊人的细节：Sol实际上在自主地后训练Luna——这暗示着模型间的自进化能力已悄然萌芽。
如果说模型本身不算颠覆，那新平台ChatGPT Work则让局面变得有趣。它直接对标Anthropic的Claude Cowork，把Codex的底层引擎藏在一个更亲民、面向日常任务的界面上。同时，原有Codex应用被合并进经过彻底重构的ChatGPT桌面客户端，内置浏览器和电脑控制功能，加上新出现的Work代理，这些组件被粘合成一个统一的工作流平台。那些期待一个“Fable粉碎机”模型的人可能略有失望，但Sol紧随其后，价格更低，且没有了Anthropic那种令人焦虑的使用限制。当Work和全新的桌面端落地，OpenAI的超级应用蓝图终于不再是PPT上的口号，而是真正走进了每个人的电脑屏幕。未来，智能的高低或许不再是唯一战场，把能力装进一个顺手且负担得起的壳子里，才是赢得用户的真正密码。
大型视觉语言模型处理高分辨率图像时，需生成数千个视觉令牌，但大部分令牌对于当前查询是冗余的。现有的剪枝方法要么侧重查询相关性，要么强调令牌多样性，两者在激进压缩下常常冲突：相关性导向的剪枝可能将预算过度集中于局部相关证据，而多样性导向的剪枝则可能抑制关键令牌，或保留虽独特但无意义的区域。这种矛盾让高效推理陷入两难。
AnchorPrune提供了一种无需训练的新思路。它先构建一个受保护的相关性锚点——根据查询自动筛选出最关键的视觉证据，并自适应地确定锚点大小，确保这个“守护圈”紧凑而精准。接着，它利用剩余预算，通过重要性加权的新颖性筛选，在锚点之外寻找具有信息量且不冗余的视觉上下文。这种“先锚定、后扩展”的次序化设计，既防止上下文扩展挤占关键线索，又改善了整体视觉覆盖率。
AnchorPrune轻量且对模型架构友好，无需重新训练或修改模型。在多个图像和视频视觉语言模型及基准测试中，它持续改善了准确率与效率的平衡，尤其在高压缩率下表现突出。例如，在LLaVA-NeXT-7B模型上，仅用160个视觉令牌（原2880个）就保留了97.6%的全令牌性能。这一结果证明，以相关性锚点为基石的上下文扩展，是实现高效多模态推理的有效原则。
代码已开源。当冗余与关键相互纠缠，锚定核心、适度外延，或许正是通往高效智能的那条捷径。
在强化学习领域，当模型已经能生成有用推理轨迹时，GRPO方法表现不错，但面对那些正确解题模式完全超出当前策略支持的难题，它就会陷入停滞。研究人员提出了一种名为TREK的分阶段训练策略，它不把蒸馏用于模仿，而是用来扩展模型的探索范围。TREK的独特优势在于通用性：它只需消费验证过的输出轨迹，因此无论是黑盒教师模型、白盒教师模型，还是同一模型在额外推理时间上下文下的输出，都能灵活接入；即使无法获取教师内部信息，它也能高效识别哪些难题样本最值得巩固。
TREK的工作流程分为四步：先找出无辅助下学生模型通过率极低的提示；再向提议源（如教师模型）请求并生成验证过的候选解决方案；接着根据当前学生模型的似然度，从这些候选中保留排名靠前的部分；然后通过一个短暂的前向KL散度阶段，将这些已验证的解题模式拉入学生模型的概率支持区；最后回归标准的同策略GRPO微调。实验结果显示，在数学推理任务中，使用DeepSeek-V4作为教师的TREK，在AIME 2024和AIME 2025上全面提升了不同规模Qwen3模型的成绩。以Qwen3-8B为例，AIME 2025成绩从36.9提升到40.3，AIME 2024从47.9提升到51.1（均采用avg@16评估）；无需外部教师时，自上下文变体也能分别达到38.5和49.6。在代理型任务上，TREK将ALFWorld成功率先从75.8提高到82.8，ScienceWorld从12.5跃升至26.7；尤其在最困难的任务类型上，TREK在训练早期就实现了高成功率，而未经辅助的GRPO需要大量额外优化步骤才能接近同等水平。
当模型困在熟悉的解题路径里，TREK巧妙借来教师的路灯，照见远方那些从未踏足的正确答案——不是让学生照搬，而是让它在探照范围内迈开自己的脚步。
在大型语言模型后训练中，强化学习正扮演越来越重要的角色。但过去针对LLM的强化学习流水线大多是同步且批交互的，这种模式在处理需要多步决策的智能体任务时效率低下。于是，异步强化学习成为更高效的替代方案——它允许模型在滚动数据逐步到达时即时更新，但现有系统往往只关注吞吐量，而对训练稳定性和任务有效性探究不足。一个典型困境是：GRPO框架中广泛使用的分组采样机制与异步智能体训练天然不兼容，导致离线策略偏差和稳定性问题。
在这篇论文中，作者提出了单次采样异步优化方法。相比分组采样，SAO在每个提示上仅使用一次滚动输出，从而大幅减少了离线策略效应，提升了模型泛化能力。研究者还为这种单次策略设计了实用的价值模型训练方案。为了增强优化稳定性，他们引入了一种严格的双侧令牌级裁剪策略。实验证明，SAO能够稳定训练一千步，并在SWE-Bench Verified、BeyondAIME、IMOAnswerBench等智能体编码和推理基准上持续超越GRPO及其变体。更值得注意的是，在模拟在线学习环境中，当模型必须不断适应变化场景时，单次采样强化学习展现出了特别优势。目前，SAO已成功部署在开放模型GLM-5.2（750B-A40B）的智能体强化学习训练流水线中。
当群体统计的平滑光环褪去，每个单次轨迹都成为对模型精准捕捉环境反馈的严苛考验。一个异步、稳定且高效的强化学习系统，或许正在将智能体从海量并行吞吐的竞争，引向更轻量、更实时的适应力进化——而后者，正是模型在真实动态世界中生存的不二法则。
就在视频模型纷纷争夺用户眼球的当下，字节跳动却悄然推出了一款让人眼前一亮的图像模型——Seedream 5.0 Pro。它不再满足于“生成图像”，而是大胆宣称自己能“理解设计”，从而带来前所未有的编辑控制力。这不仅是技术迭代，更是一次创作范式的革命。
这款模型的五大核心亮点如下：
首先，文本渲染与结构对齐能力大幅跃升。无论是复杂的图表制作还是专业的设计稿，Seedream 5.0 Pro都能精准呈现文字、图标，并确保各元素在空间中的对齐关系。这意味着它不再是“画出来大概”，而是把排版和逻辑也融入到生成过程中。
其次，它引入了业界领先的“精确编辑”功能。通过将图层分离，用户可以对已生成的图像进行精细修改：擦除某一部分、替换某个物体、或者把两张图无缝合成。这打破了传统图像生成“一次出图、无法修改”的僵局，让用户真正像用专业设计软件一样去创作。
第三，多语言支持覆盖超过10种语言，能够在原生层面处理不同文字与视觉元素的混合设计。对于跨国企业、全球化品牌而言，这无疑是一大福音。
第四，Seedream 5.0 Pro的推出，标志着字节跳动正逼近由OpenAI的Images 2.0所代表的行业前沿水平。虽然OpenAI尚未大规模发布其最新图像模型，但Seedream在连贯性、可控性上的突破，已经让竞争白热化。
最后，值得注意的是，这款图像模型恰好在字节跳动备受期待的Seedance 2.5视频模型之前问世。而Seedance 2.0目前仍稳居各大排行榜前列，这预示着字节跳动正将图像与视频两大AI创作工具串联成一个更强大的智能体系统。
真正让这款模型具有划时代意义的，是它对用户工作流的重塑。以往，生成图像之后需要人工反复调整、重绘、合成，而新一代模型正在“吃掉这些工具层”，变成主动式的创作伙伴。它理解设计意图，参与后期优化，甚至能预判用户的下一步需求。
在这场AI与设计的深度拥抱中，我们看到的不仅是技术的进步，更是一个重要信号：未来，创意不再是孤立的一次性产出，而是人与智能体之间持续协作、不断迭代的对话。谁更懂得“理解”，谁就能真正改变创作的方式。
当山姆·奥特曼反复提及电影《她》中的语音愿景时，没有人想到，这一天会以一种近乎无声的方式到来。OpenAI刚刚揭开了GPT-Live的神秘面纱——一个真正意义上的全双工语音模型，它不再像旧系统那样将多个模型笨拙地拼接在一起，而是采用了一种连续处理输入的全新架构。
想象一下，当你向AI提问时，它不仅能立刻“听到”你的话语，还能同时“思考”并“回应”。这种能力来源于Live的三大核心突破：第一，它采用了全双工架构，让语音输入和输出真正并行运转；第二，当遇到需要深度推理的问题时，它能自动委托给更强大的模型进行幕后计算，并在回答时同步推送视觉卡片；第三，这种同步处理彻底消除了此前语音交互中尴尬的停顿和等待，甚至实现了实时翻译——你说一句，它同步译成另一种语言输出。
用户用行动证明了这一变革的价值。在OpenAI的内部对比测试中，大约四分之三的参与者更偏爱GPT-Live，而非此前的先进语音模式。在专家科学类问题的得分上，GPT-Live的成绩几乎翻了一倍。这种跨越式的进步并非偶然——它来自对对话本质的重新思考：真正的交流，从来不需要“轮到谁说话”。
然而，这项技术真正令人震撼的，并非只是技术参数的堆砌。当越来越多的用户开始倾向于“说”而非“打”时，GPT-Live让语音交互终于拥有了它应有的未来感。它不再是一个冰冷的工具，而是像电影《她》中那个能与你同时倾听、思考、感受的存在。当然，这只是开始——当AI能够真正与你“同频共振”，你会发现自己再也不想回到那个只有文字的世界。
长期以来，在AI大模型的竞技场上，Grok系列一直像个边缘选手，常常被拿来对比却很少占据头条。但SpaceXAI以600亿美元收购Cursor后，双方联合打造的首个模型Grok 4.5一登场，就让整个行业不得不重新审视它。这次发布不仅带来了让人意外的基准表现，更在速度、效率和定价上直接挑战了现有前沿模型的地位。
Grok 4.5在编码、智能体任务和知识工作等领域的性能测试中，得分与Claude Opus 4.8和GPT 5.5处于同一量级。按照Elon Musk在X平台上的说法，这是一个“Opus级别的模型”，只是更快、更省token、成本更低。具体来看，它的推理速度达到了每秒80个token，这已经可以和许多现成的闪速模型平起平坐，同时官方声称其效率比Opus 4.8高出4倍。更让人侧目的是定价：每百万输入token仅2美元，输出token只需6美元，而Opus 4.8的对应价格分别是5美元和25美元——成本差距超过四分之一。更短期内在Cursor和Grok Build中，这个模型甚至免费使用。
Musk还透露，下个月将会有更大的模型发布，暗示Grok的野心不止于此。这次发布的背后，是收购Cursor带来的双向技术流动：Cursor的Composer模型在编程能力上持续进步，而Grok借助Cursor的工程能力重新定义了性价比。对于整个AI行业而言，Grok 4.5的出现意味着“廉价但强大”不再只是入门级模型的标签，前沿性能正被拉入一个新的价格盆地。这或许预示着，接下来的竞争将不再单纯围绕参数的堆砌，而是集中于如何用更少的资源跑出更聪明的回答。当速度和成本不再是瓶颈，真正决定胜负的，就是谁能把模型的能力用到最恰当的地方。
想象一个数字世界，它的边界不再由代码限制，而是由你的想象力决定。LingBot-World 2.0，这个名字听起来像科幻术语的产物，或许正是通往未来互动叙事的钥匙。当第一代版本还只能提供有限场景互动时，升级版已经能够支撑无限时长的交互循环，而且输出质量始终如一。秘密在于一个精心设计的因果预训练范式——模型学会了理解行为的先后规律，从而让故事可以一直延续下去，不会像旧式游戏那样在某个节点突然“卡住”或重复。
但这只是冰山一角。真正的突破在于，研究者从基础模型蒸馏出一个实时版本，使得系统能够以每秒60帧的速度驱动720p视频流。这意味着角色的一举一动、环境的一草一木，都能像真实电影一样流畅呈现。玩家不再等待加载画面，而是沉浸在即时反馈的流动世界中。
更让人惊叹的是这个世界的多样性。相比前代，新版本引入了极具多样性的互动要素：攻击、射箭、施法、射击——这些动作不再只是预设动画，而是通过文本驱动的实时事件逻辑生成。你可以写下一句“战士弯弓射向远处的巨龙”，系统便会动态合成弓箭离弦、巨龙喷火、场景突变的一连串画面。文本成了指挥棒，而世界是交响乐团。
而最引人注目的创新，是研究者首创的“智能体协作框架”——这在世界建模领域还是头一回。一个“飞行员代理”负责规划和执行角色行为，比如决定英雄何时躲避、何时反击；另一个“导演代理”则负责随着剧情发展合成新的环境元素：场景变换、物体出现、天气突变。两者协同工作，就像电影片场的导演和主演，你永远不知道下一个惊喜来自谁的指挥。
为了让这种体验不止于个人，团队还开发了一个多玩家接口，允许多名参与者同时沉浸在这个生动的世界模拟器中。你可以和朋友一起探索同一片森林，各自扮演不同角色，交织出独一无二的叙事线。
最后，技术团队提了一个贴心的彩蛋：除了主打14B参数的模型，还附带一个轻量级1.3B版本，你只需一块GPU就能轻松部署。这意味着，这个曾经只有高端实验室才能运行的世界，或许有一天会跑在你的家用电脑上。
真正的变革不在于技术堆砌，而在于它重新定义了“体验”本身——当无限循环、实时反馈、多样化互动和智能协作融为一炉，我们面对的不再是一个模拟器，而是一个有生命的数字宇宙。而这一次，观看者已经变成了导演和主演。
当前视频生成模型大多聚焦于内容创作，追求视觉创意与美观，但在机器人控制任务中却因领域错位而力不从心——它们优先考虑计算效率和物理真实性不足。为此，研究人员推出了LingBot-Video，一个基于DiT架构的视频预训练范式，专门为具身智能设计。这一模型从三个层面进行突破：一是采用混合专家（MoE）框架替代传统的密集网络，在建模能力与推理效率间取得更好平衡，并实现了从零开始的规模化扩展；二是构建了一套数据剖析引擎，除了常规互联网视频，还补充了大量机器人相关素材，涵盖操作、导航和自我中心视角，让基础模型天然具备对动作和世界动态的理解；三是开发了多维奖励系统，在美学、指令遵循和运动一致性等标准之外，还强制对齐物理合理性与任务完成度。综合评估表明，LingBot-Video在性能和效率上均表现出色，作为首个大规模、开源的MoE视频基础模型，它正努力弥合数字创造力与物理执行之间的鸿沟。当机器人开始通过视频理解世界的物理法则，我们离真正自主的智能体又近了一步。
想象一下，当你在一个虚拟世界中自由奔跑、释放法术甚至召唤怪物时，整个世界并非由开发者逐帧手绘，而是在你每一次操作时实时“生长”出来。这听起来像科幻，但最近一项名为AlayaWorld的开源框架，正试图将这种从静态建造到动态生成的范式转变变为现实。
传统游戏世界的打造依赖劳动密集型生产流程：每一个场景、每一段物理规则、每一次交互响应，都需要耗费大量人力精心编码。这使得开发成本高昂、定制困难，且一旦部署就难以修改。但视频世界模型的崛起提供了一个截然不同的路径——它们不再逐一创建虚拟环境的每个组件，而是基于当前世界状态和用户操作，通过自回归方式逐帧合成未来的观察结果。这种模型可以学习自游戏录像和真实世界视频，从而捕捉丰富多样的视觉外观和物理动态，为游戏乃至具身智能等互动应用打开全新可能。
正是在这一背景下，AlayaWorld应运而生。这是一个全栈、开源的交互式生成世界框架，它的核心能力在于支持开放式实时交互：你可以自由探索虚拟场景，进行战斗、施法、召唤怪兽等多样化操作。所有这一切都在你执行动作的瞬间在线生成，而非预先加载。为了支撑这样的能力，AlayaWorld将整个开发流程——从数据准备、模型架构设计、模型训练、推理加速到最终部署——统一在一个模块化、可扩展的架构中。这不仅降低了构建生成世界的门槛，也让研究者能够在同一平台上进行完整的实验迭代。
AlayaWorld不仅仅是一个框架的代码仓库。它同时发布了可复现的数据处理管道、参考实现、评估工具以及详细文档。这意味着，任何有兴趣的个人或团队都可以基于这一基础，将生成式世界模型从研究推向实时应用的实践。它提供了一个地基，上面可以生长出各种形态的未来交互世界。
当世界可以被即时生成，游戏的边界就不再是加载屏幕，而是想象力的极限。从封闭的手工雕琢到开放的动态涌现，AlayaWorld迈出了坚实的一步，而真正的变革，或许才刚刚开始。
在人工智能的推理世界里，速度与效率的平衡一直是核心挑战。传统投机解码通过分离草稿生成与目标验证来加速大模型，但最新方法遭遇了瓶颈：并行草稿器虽能一次生成多个token，却因缺乏内部依赖而让后续token的接受率急剧下降，如同多米诺骨牌般一片片倒下。更糟糕的是，系统不加区分地验证整块长序列，反而让高风险的token占用了宝贵的计算资源，在高并发场景下，吞吐量损失惨重。
DSpark的出现打破了这一僵局。它像一个精明的调度师，将高吞吐的并行生成与自适应负载感知验证合二为一。秘密在于“半自回归”架构：一个轻量级的顺序模块嵌入并行骨干中，为每个token块注入依赖关系，有效缓解了后缀衰减——原本长序列后端的低接受率问题。同时，DSpark引入“置信度调度验证”，它像一个实时导航仪，根据每个请求前缀的存活概率和引擎的吞吐特性，动态调整验证长度，避免算力浪费。
效果立竿见影。在涵盖多领域的离线基准测试中，DSpark相比顶尖的自回归和并行草稿器，大幅提升了接受长度。当部署到DeepSeek-V4的在线服务系统时，面对真实用户流量，DSpark成功遏制了验证浪费。与生产基线MTP-1相比，同等吞吐下每个用户的生成速度提升了60%到85%。更关键的是，在严格的交互延迟约束下，它阻止了吞吐性能的悬崖式下跌，实现了此前无法企及的效率水平，将整个服务系统的性能边界推向了新高度。
DSpark证明，细节处的精密调控往往能释放巨大的潜力——在算力与需求赛跑的时代，学会取舍比盲目推进更接近真正的速度。
想象一下，一个模型能同时完成目标检测、OCR、关键点估计、深度估计、表面法线预测、点地图和相机位姿估计，只需要用自然语言描述任务，甚至不需要为每个任务设计专门的架构。这听起来像是科幻小说，但SenseNova-Vision做到了。
研究团队将计算机视觉重新定义为统一的多模态生成问题。他们发现，不同视觉任务其实可以用同样的语言和图像生成空间来表达：对于符号输出（比如检测框的坐标），模型输出文本；对于密集的空间预测（比如分割掩码），模型直接输出图像；而对于组合任务（比如描述场景中的物体），则混合输出文本和图像。
这个看似简单的思路背后，是巨大的数据工程。团队收集并转换了大量计算机视觉标注数据，构建了一个名为SenseNova-Vision Corpus的大规模指令-响应数据集，其中包含文本、图像和混合目标。这些数据被用来训练一个现成的预训练多模态模型，无需添加任何任务特定的预测头或修改架构。
在实验中，这个单一模型在结构化视觉理解、密集几何预测、分割和多视角视觉几何等任务上，与当前最领先的任务专用系统表现相当。尤其令人印象深刻的是，它还能支持语言定义的变体任务，比如用颜色、区域和类别组合来指定检测要求。
这个研究的核心突破在于，它展示了一条从专用系统走向通用基础模型的可行路径：用统一的多模态生成框架，让一个模型学会所有视觉任务，而不再需要为每个任务单独设计和训练模型。模型和数据集都已公开，这为社区提供了宝贵的研究基础。
将分散的视觉能力整合进一个统一的框架，就像把一张张孤立的拼图碎片拼成一幅完整的图画。也许不久之后，我们不再需要为每个视觉问题设计专门的解题工具，因为它们都将内化为一个通用模型的不同表达方式。
当外卖巨头DoorDash开始认真钻研AI代码审查，结果出乎所有人意料。长期以来，技术团队一直苦恼于无法统计AI审查员到底放过了多少隐藏缺陷——日常反馈只能追踪被标记的问题，那些悄悄溜过去的bug就像幽灵。为了破解这个谜题，他们构建了一个名为DashBench的内部基准，将105次过往代码变更作为测试场，逐一检验不同AI组合的捉虫能力。
测试结果令人惊讶：单个模型孤军奋战时，仅能捕获20%-30%的漏洞。而DoorDash将两个Claude模型配对，也仅能揪出一半多一点。真正的黑马出现在组合Kimi K2.6与Claude Fable 5时——这对搭档抓住了约三分之二的问题，更在10个最关键漏洞中命中了8个，每次审查成本仅为3.81美元，远低于其他方案。联合创始人Andy Fang兴奋地表示，DashBench让他们有底气把开源模型引入流程，“更好的质量，更低的成本。”
这则故事折射出两个深层信号：一是每一家科技巨头都可能通过类似的内部AI研究优化自身流程；二是开源AI的竞争力正以惊人速度攀升，Kimi K2.6的表现证明，它已不再是廉价替代品，而是一个值得严肃对待的选项。开源生态每一次迭代，都让降本增效的窗口开得更大些。当“实验”不再是实验室里的游戏，而是融入日常代码流水线的利器，或许每个行业都该重新审视那些被忽略的“幽灵缺陷”——以及准备捕捉它们的工具。
中国拟限顶级AI模型出海原文
凌晨三点，杭州一家初创公司的程序员还在调试代码。他刚把智谱GLM-5.2接入云端，准备下个月推向东南亚市场。但如果北京的讨论落地，这套模型可能永远无法离开中国。据路透社报道，中国商务官员已与字节跳动、阿里巴巴、智谱AI会面，探讨对最强模型实施境外使用限制，包括已发布的Qwen、豆包、GLM-5.2及未来版本。讨论范围覆盖闭源和开源模型，甚至涉及初创公司融资限制和泄露专有AI的惩罚措施。
这场博弈并非无迹可寻。今年6月，美国就以“安全”为由，对Anthropic的Fable和Mythos模型实施了类似出口管制，OpenAI的GPT 5.6也面临更严格的审查。如今北京打出“UNO反转牌”，意味着全球AI供应链的风险从单向变成双向——西方用户可能像突然失去Anthropic模型一样，瞬间再也用不起那些物美价廉的Qwen和豆包。
背后逻辑很直接：中国模型靠低成本和高性能在全球收割用户后，涌入了大量开发者和应用场景。这些数据流向和对模型潜在安全性的担忧，促使两国都开始收紧闸门。但值得注意的是，中方讨论中同时涉及了开源模型——这与此前硅谷认定的“开源无法被封锁”的共识形成强烈对立。
一位不愿透露姓名的AI研究员表示：“过去大家觉得模型掌握了自己手里，现在才明白物理服务器在哪、代码由谁审核，才是终极杠杆。”这句话点出了技术地缘政治的核心悖论：当一个国家手握底层模型和硬件时，规则随时可能重写。
规则在变，游戏在变，而玩家们只能看着棋盘上的棋子突然改变颜色。
在AI图像生成领域，Meta刚刚甩出了一张王牌。亚历山德·王领导的超级智能实验室推出了首个图像模型Muse Image，迅速登上了Arena排行榜的第二名，仅次于OpenAI的GPT Image 2。更让人惊讶的是，这款模型免费集成在Meta AI中，正在Instagram和WhatsApp上逐步铺开，Facebook、Messenger和广告平台稍后也会跟进。
Muse Image并非孤军奋战。它与Meta的另一款模型Muse Spark联手，具备了网页搜索、工具调用等智能体能力，甚至能自我修正输出结果，让生成的图像更加精准。这种“自我编辑”机制，让用户不再需要反复调整提示词，模型自己就能优化细节。
Meta过去一直将创意AI外包给Midjourney和Black Forest Labs，但这一次，他们决定自己动手。内部团队仅用短短时间就交出了令人惊艳的答卷。对于一个拥有社交媒体、广告和聊天等海量创意需求的公司来说，拥有自研的强图像模型（以及即将到来的视频模型Muse Video）无疑是巨大的战略胜利。Muse Video的预览版已经在Arena排行榜上位列第三，仅次于Seedance 2.0和Gemini Omni Flash。
当一家公司把关键能力从外部依赖转向内部掌控，改变的不仅仅是技术路线。这就像在自家后院挖出了一口深井，既不用再担心别人的水价，也能随时调整灌溉方向。对于用户来说，免费的顶尖工具总是好消息——但别忘了，每一次点击生成，都在为那个看不见的庞大系统提供燃料。真正的大戏，或许还未开始。
想象一下，训练一个强大的语言模型就像训练一位顶尖棋手——强化学习与可验证奖励（RLVR）虽然能让它棋艺精进，但每次新棋手出现，都得重新花大钱对弈上万局。这种成本让后训练本身成了瓶颈。现在，一种名为Direct-OPD的新方法打破了困局：既然大棋手训练贵，不如先让一个便宜的小棋手通过RL积累棋谱，再把这些经验悄悄传给大棋手。但直接让小棋手教大棋手模仿最终招数行不通——小棋手的局限会污染教学。Direct-OPD的聪明之处在于，它不教具体招数，而是教会“选择倾向”：通过比较小棋手RL前后的行为差异，计算出每个动作被RL强化或削弱的“隐式奖励信号”。这相当于把小棋手RL过程中学到的“赢棋倾向”提炼成一张密码表，然后让大棋手在自己真实的棋局中读懂这张表，从而调整自己的决策。实验令人振奋：在AIME 2024数学竞赛测试中，Qwen3-1.7B模型原本得分48.3%，借助Direct-OPD在8块A100 GPU上仅训练4小时，成绩飙升至62.4%，超越了直接对强模型进行RL训练的结果。更妙的是，不同阶段的弱模型RL信号可以像积木一样顺序叠加，持续强化目标模型。这项研究揭示了一个反直觉的真理：强化学习的价值不在于最终模型本身，而在于它如何改变模型的决策倾向。这种倾向可以跨模型规模传递，如同一种无声的语言，让弱小的先行者成为强大后辈的隐形导师。
维基百科上那句“机器人能搬箱子，却不会自己开门”的调侃，正在被一项新研究改写。当大多数视觉-语言-动作（VLA）模型还在实验室里摆弄固定机械臂时，中国研究团队打造的LingBot-VLA 2.0已经学会用“全身”思考：它转动头部观察环境，扭动腰部够取物品，驱动轮式底座穿过走廊，最后用灵巧手拧开瓶盖——这一连串动作背后，是60,000小时训练数据与全新预测动力学模型的协同进化。
与上一代相比，LingBot-VLA 2.0在三个维度的升级让其真正迈入“实用主义”门槛。首先，数据规模与多样性实现质的飞跃：团队重构了数据处理管道，汇集了约60,000小时预训练数据，其中包括覆盖20种机器人配置的50,000小时真实机器人轨迹，以及10,000小时第一人称人类视频。这意味着模型不仅能模仿机械臂的“标准动作”，还能从人类做家务、组装零件的自然行为中学习意图与策略。
其次，动作空间从传统夹爪扩展到完整自由度系统。新架构支持头部俯仰、腰部旋转、移动底座导航以及灵巧手抓取，让机器人不再局限于桌面操作。在GM-100基准测试的通用设置中，这些改进被证实能显著提升复杂长程任务的完成率——例如“从厨房抽屉取出罐子，放入冰箱第二层”这类需要移动、调整姿势、精细操作的多环节任务。
最关键的突破在于时序推理能力的提升。研究团队引入了一种预测动力学建模方法，将“未来预测”作为代理任务。具体来说，模型会提前生成接下来几秒的视觉预期，通过视频表征模型提取语义先验知识，并借助深度估计模型捕捉几何线索。这种“先想好再行动”的机制，使机器人能够在执行过程中持续调整动作，避免因环境变化导致的失败。例如，当手接近物体时，如果预测到手指缝隙会卡住，模型会主动调整抓取角度。
目前搭载LingBot-VLA 2.0的两种实体机器人平台，均已展现出跨实体的长程移动操作能力。从轮式基地到双机械臂协同，系统像一位老练工匠，从头到尾、由远及近地完成整套作业流程。这或许预示着，机器人告别“瘫痪”状态的关键，不仅在于更聪明的算法，更在于学会像人一样，用全身去感知和行动。
当60,000小时的数据撞上预测未来10秒的直觉，当20种机器人的经历汇聚为一种通用认知，我们终于看见机器人摆脱僵硬机械舞步的曙光。未来已不再遥远，只是每一步都需先学会如何预见。
在大型语言模型（LLM）的进化之路上，缩放预训练、后训练和测试时计算一直是提升能力的三大支柱。然而，当这些传统路径逐渐触及天花板时，研究者们发现了一个全新的缩放轴——验证能力，即判断解决方案正确性的本领。为了解锁这一潜力，UC Berkeley等团队提出了LLM-as-a-Verifier，一种无需额外训练即可为智能体任务提供细粒度反馈的通用验证框架。它不像传统的LM评判器那样只输出离散分数，而是通过对评分token logits的分布计算期望，生成连续分数。这种概率化公式让验证可以沿着多个维度缩放：评分粒度、重复评估和标准分解。在实验中，提升评分粒度能够更好地区分正负解决方案，使得比较更加校准；而重复评估和标准分解则通过降低方差和复杂度，持续提升验证准确性。最终，这个框架在Terminal-Bench V2拿下86.5%，SWE-Bench Verified达到78.2%，RoboRewardBench获得87.4%，MedAgentBench也取得了73.3%的成绩，全部刷新了当时的最高纪录。更令人兴奋的是，它产生的细粒度信号还能作为任务进展的代理，比如为Claude Code开发扩展，让开发者实时监控和优化自己的智能体系统。甚至在强化学习中，它能为SAC和GRPO算法提供密集反馈，在机器人和数学推理基准上显著提升样本效率。这或许意味着，验证本身将成为LLM能力提升的第四根支柱——当模型不仅会思考，还会自我裁判时，智能的边界将被重新定义。
机器人操控的统一模型试图将预训练的视觉语言模型（VLM）所蕴含的语义先验，与通过未来预测学到的物理动力学整合到单一策略中。然而，现有设计往往在训练中侵蚀预训练主干的语义，让异构目标之间相互干扰，还得从零开始在像素空间学习未来预测，浪费了预训练视频生成器中的动力学先验。研究团队提出了InternVLA-A1.5，它在原生VLM骨干上持续进行视觉问答和子任务预测训练，并附加一个轻量化的统一专家模块用于生成连续动作。未来预测被重新构思为一个潜在查询问题：一组少量的可学习“前瞻标记”在冻结的预训练视频生成模型监督下，将任务相关的未来信息压缩成紧凑的潜在编码，从而让策略继承世界模型的动力学先验，而无需学习像素级生成。推理时视频分支被丢弃，保持了实时控制。该模型在1.2百万条机器人操作数据和多模态样本上预训练，在全部六个仿真基准中均取得了最佳综合成绩。在真实世界中，保留的语义在全新的指令绑定上展现出最强的组合泛化能力，两种设计共同支撑起了长时间跨度的任务执行。这份成果表明，巧妙复用已有视觉生成先验、保持VLM语义连贯性，或许正是机器人操控迈向通用化的关键一步。
过去，3D重建和生成就像两条互不相交的轨道：像素级的回归模型负责重建，而潜在扩散模型负责生成。研究者们尝试将它们合并到一个潜在空间里，却总是磕磕绊绊——扩散目标依赖于潜在特征而非真正的3D表示，两头都因潜在编码而丢失信息，还得依赖一个预训练的VAE或RAE。如今，一篇新论文提出了一个名为PixWorld的模型，用“像素空间扩散”这个单一框架同时驾驭这两项任务。它直接在渲染图像上做扩散，由此绕开了上述所有限制，让优化过程与3D场景的保真度直接对齐。更妙的是，PixWorld不止用了光度损失和感知损失——这两种损失基于2D图像层面，缺乏3D几何意识——还额外引入了一种几何感知损失。这项损失通过一个预训练的3D基础模型，在具有几何意识的特征空间里，将渲染的视图与真实视图对齐，从而提供真正的3D结构监督。实验表明，PixWorld不仅一贯优于之前的潜在空间生成方法，还达到了当前最先进的重建方法的水平。这证明了统一像素空间路线的强大优势：3D重建与生成不必在潜在空间中妥协，直接在像素上跳舞也许才是更自然的方向。当模型学会在渲染图像上扩散，它离真正的3D理解也就更近了一步。这或许在提醒我们：有时候，绕开复杂的中间层，直面像素本身，反而能走得更远。
当谷歌推出新一代开放权重模型Gemma 4时，研究社区的目光立刻被它“以小博大”的潜力所吸引。这个家族包含了从2.3亿到310亿参数的多种架构，既有密集模型也有混合专家模型，但最令人意外的是，它没有一味追求更大的尺寸，而是用精巧的设计实现了性能跃升。
关键设计体现在几个层面。首先，所有模型都配备了升级的视觉和音频编码器，但12B版本却大胆抛弃了传统的编码器架构，直接处理原始音频和图像块，简化了流程。其次，它引入了一种“思考模式”：在给出最终答案前，模型先生成推理轨迹，这使它在STEM、多模态和长上下文基准测试中大幅超越前代，甚至在人工评测中媲美更大的顶级开源模型。此外，团队在推理速度、内存与计算效率上做了针对性优化，并强化了长上下文能力。
这次迭代证明了小模型通过架构革新和计算效率提升，同样能向堡垒发起冲击——当“思考”被内化为一种能力，参数规模不再是唯一的胜负手。
当智能体需要完成一项长期任务时，它的“记忆”会遇到一个尴尬的瓶颈：上下文窗口长度有限。就像写一本越来越厚的书，写到一半就发现已经超过了定额页数，后面的内容无从下笔。这正是当前长程智能体LLM面临的真实困境——交互轨迹不断延伸，任务还未结束，上下文长度已经爆表。
一种自然的解法是“上下文压缩”：把之前的交互状态总结成一段精炼的摘要，然后基于压缩后的上下文继续执行任务。听起来简单，但把它融入到强化学习训练中，却少有人成功尝试。最近，一项名为CompactionRL的策略打破了这一僵局。
这项研究的核心是：让智能体在执行任务的同时，也学会如何生成高质量的摘要。它采用了两项关键技术——token级的损失归一化和跨轨迹的广义优势估计。前者确保每个token在训练中受到公平对待，后者则让智能体从经过压缩的完整轨迹中有效学习，而不是被碎片化的记忆误导。
实验数字令人印象深刻。基于GLM-4.5-Air模型（106B-A30B），CompactionRL在SWE-bench Verified上达到了66.8%的Pass@1，在Terminal-Bench 2.0上达到24.5%，分别提升了7.0和3.1个百分点。换一个更轻量的模型GLM-4.7-Flash（30B-A3B），提升依然显著：SWE-bench Verified提升5.5个百分点至56.0%，Terminal-Bench 2.0提升6.8个百分点至20.2%。目前，CompactionRL已被部署到GLM-5.2模型（750B-A40B）的强化学习训练流程中。
让机器在不断延展的对话中记住该记住的，忘掉该忘掉的，这或许是通往真正智能体能力的关键一步。毕竟，真正的智能不在于记住一切，而在于懂得何时遗忘、如何提炼。
在亚利桑那州凤凰城的烈日下，一座座庞大的数据中心拔地而起，它们是数字世界的基石，也是隐形的“吞水兽”。然而，微软、谷歌和亚马逊等科技巨头对外报告的用水量，仅仅是真实消耗的冰山一角。根据《华尔街日报》的调查，这些公司报告的数字只包含了数据中心内部用于冷却的现场用水，却刻意忽略了一个巨大的源头——为这些庞然大物供电的发电厂，那里蒸发消耗的水量才是真正的“大头”。
1. 真相隐藏在供应链中：超大规模云计算公司（如微软、谷歌、亚马逊）的可持续发展报告中，通常只报告数据中心内部的冷却用水。在这四大巨头中，唯独Meta（脸书母公司）在报告中计算了为其供电的发电厂所消耗的水量。
2. 被忽视的“间接水耗”惊人：根据美国劳伦斯伯克利国家实验室的历史数据，美国数据中心的间接用水量，长期以来约是直接用水量的12倍。这意味着，当一家公司宣称其某个数据中心一年只用了10亿升水时，真实的水资源消耗可能高达120亿升。
3. 干旱地区的城市之痛：在严重缺水的凤凰城，数据中心当前已消耗该市约3%的供水。而根据非营利组织Ceres的预测，到2031年，这个比例可能飙升至20%以上。当城市居民面临严格的用水限制时，这些由发电厂“悄然”蒸发的水，正成为加剧水资源紧张的隐形推手。
4. 法律与报告制度的漏洞：目前，没有任何一家美国公司被强制要求披露其供应链端的间接用水量。现行规则下，它们只需报告“直接从地底下抽了多少”，而对“为了发电，在远处蒸发了多少”闭口不谈。这种选择性披露让公众和监管者无法掌握真实的水资源压力。
5. 社区的反抗与巨额投资冻结：随着真相逐渐浮出水面，来自社区的阻力正急剧增加。据Carbon Direct统计，自2024年以来，因当地居民和环保组织的反对，总价值高达1700亿美元的数据中心项目被搁置、受阻或取消。当社区开始追问“谁在用我们的水”时，那些光鲜的“可持续报告”变得苍白无力。
故事从这里开始：一位凤凰城的居民每天浇灌花园仅限两次，她看着远处数据中心24小时不间断的雾气冷却塔，并不知道驱动这些服务器的电，正在几百英里外的燃煤或燃气电厂里，以蒸汽的形式把一条条河流送上天。科技公司拿出报告，上面写着“我们只用了很少的水”，但那只是杯子里的水——杯子外，整条河流正在无声干涸。
这是一个关于信息不对称的故事，也是关于数字繁荣与物理世界代价的碰撞。当科技巨头争夺AI算力的高地上，水资源正成为新的“战略性矿产”，而谁为这隐形的“水足迹”买单，成了摆在全社会面前的一道必答题。
从本质上说，这些公司并未说谎，它们只是选择了最有利于自己的计量方式。然而，当社区需要分享最稀缺的资源时，基于严重缩水数据做出的承诺，注定无法承载信任的重量。未来，或许唯有将“电厂的蒸汽”也纳入报表，我们才能真正看清那些藏在云端背后的、湿漉漉的真相。
一场关于“中国军方关联企业”的司法拉锯战，在美国加州悄然上演。今年6月，五角大楼将阿里巴巴列入所谓“1260H名单”，宣称这家电商巨头与中国军方有关联。这份名单看似没有直接惩罚，却因一条新规暗藏杀机——任何游说公司一旦代理名单上的企业，就不得与美国国防部签约。阿里巴巴在24小时内，竟有超过20家游说公司集体退出合作。
阿里巴巴随即在6月23日提起诉讼，坚称从未与中国军方合作，要求从名单中除名。案件由联邦法官李敏审理。令人意外的是，五角大楼主动同意暂停执行这项禁令，直至李敏法官就阿里巴巴的动议作出裁决，或听证会后60天。这一临时“停火”协议，让阿里巴巴得以暂时喘口气。
这并非孤例。同样被列入该名单的百度、比亚迪等企业，也在为自己的清白辩护。1260H名单正在经历首次宪法考验。任何企业若想争取国防部合同，其游说公司就必须舍弃名单上的客户。这种“二选一”的规则，是否会违反美国宪法？法官的最终判决，将影响数百家大公司的游说格局。
黑名单上的名字可能只是一行代码，现实却是一场关乎商业自由的博弈。当法律与政治交织，谁能笑到最后？也许，真相从来不在名单上，而在投票的法官手中。
深圳，一家成立仅三年的初创公司Even Realities，刚刚在Pre-Series B轮融资中斩获1.5亿美元，估值一举突破10亿美元。领投方是美团，而背后早已站满了腾讯、高瓴、红杉中国和光速创投这些顶级资本。这家公司的创始人曾是苹果工程师，他们押注的方向，在当下智能眼镜赛道上显得格外另类——他们的眼镜不装摄像头。
核心产品G2眼镜，配备了一套抬头显示系统，配合一枚可点击和滑动的戒指来操控。它没有摄像头，意味着它不会拍照、不会录像，更不会盯着你的脸。它最亮眼的功能是实时翻译：音频直接转写成文字呈现在眼前，数据经过加密，并且底层架构专门为欧洲隐私标准打造。这样的设计，让隐私本身成了产品最硬的卖点。
Even Realities已经实现了盈利，虽然价格不菲：镜框起步价599美元，平均每单约1000美元。美国市场正在成为增长最快的区域，消费者似乎愿意为“不被监视”的科技体验买单。
为什么这件事值得关注？当Meta和Snap正疯狂地给每个人的脸上装上摄像头和AI助手时，Even Realities想证明，一副只为你展示信息、却从不凝视你的眼镜，同样存在真实的商业空间。一家三岁的初创公司，能把“隐私”作为核心卖点做到盈利，意味着智能眼镜这场竞赛，或许不止一条路可走。
不让眼睛成为别人的数据入口，而是成为你最私密的显示屏幕。这个反叛者的故事刚刚开始，它提醒我们：有时候，技术最稀缺的力量不是看得更多，而是懂得克制。