EZ.AI Listen Daily
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。
想象一下，一台机器人走进一间堆满杂物的客厅，它需要分清沙发、茶几和地上的抱枕，还要知道每个物体该被摆回哪里、怎么操作。过去，这类可组合场景建模技术总是预设一个理想前提：镜头无遮挡、物体几何完整、生成的模型与观测严丝合缝。可现实中的一次普通视频扫描，往往伴随着家具相互遮挡、视角残缺、物体形状模糊。来自研究者的最新成果Lucida，改变了这种“前置条件苛刻”的玩法。
Lucida依然遵循“感知—生成—摆放”的三步走，却把每一步的要求重新分配，让它们只依赖真实拍摄中确实能拿到的信息，将精度需求推迟到流程末端。第一步，它从视频中构建一张场景图，每个节点汇集该物体跨多个视角的“证据”；第二步，它根据这些证据，为该物体生成一个完整的三维资产；第三步，它引入一个名为GizmoAct的视觉语言模型策略，把摆放物体变成多轮图形界面交互——模型像人一样拖拽物体周围的变换控件，在闭环反馈中微调位姿，直到自己判断对齐完成，而非依赖预设的几何阈值。
实验结果让数字说话：在场景级3D物体检测任务上，Lucida相较Boxer在R2S-Scene数据集的mAP提升了69%；在物体姿态估计中，它在CA-1M上的ADD-SB@0.05正确率从57.8%跃升至83.4%；在场景重建的F-Score上，Lucida达到0.924，远超SAM3D的0.794。这意味着，Lucida不但在杂乱现实中更“认得清”物体，还能更准确地恢复它们的位置与姿态，让整间屋子在虚拟世界中几乎可以乱真。
这项研究的精髓，或许正在于“退一步”的智慧：与其强迫每一步都尽善尽美，不如让误差在流水线中自然消解，最后用视觉语言模型自己“看见”何时大功告成。当机器不再需要完美输入才敢于行动，它才真正开始适应人类居住的杂乱世界。
脱发治疗正悄悄变成一场激烈的生物技术竞赛。几十年来，这个领域几乎被米诺地尔、非那雄胺和植发手术垄断，创新寥寥。但现在，艾伯维、礼来支持的Absci、Veradermics和Cosmo等公司正从不同方向发起冲击——从靶向免疫通路的药片，到AI设计的抗体，试图改写脱发治疗的格局。
最引人注目的进展来自艾伯维。其口服药Rinvoq已在欧盟获批用于治疗重度斑秃，三期临床数据显示，在24周内，高达55%的患者实现了至少80%的头发覆盖。这意味着，对许多因免疫系统攻击毛囊而脱发的人来说，重新长出一头秀发不再是幻想。
另一条战线则聚焦于激素信号。Cosmo公司的外用药物clascoterone接近终点线，一项涉及1465名患者的三期临床试验显示，持续使用12个月，头发仍在继续生长。它的思路是局部阻断雄激素对毛囊的刺激，避免全身性副作用。
Veradermics则选择了一条更熟悉的路径——把老药米诺地尔改造成缓释口服剂型VDPHL01，目前也进入三期临床。它试图解决传统米诺地尔片剂需每日多次服用、副作用明显的问题。
最前卫的尝试来自Absci。这家公司用人工智能设计了一种靶向催乳素受体的抗体ABS-201，理论上，患者可能只需每隔六个月注射几次，就能维持头发密度。这一方向瞄准的是头发周期中一个此前未被充分开发的生物学靶点。
为什么这些研究值得关注？华尔街已经开始将脱发领域的动向与曾经引爆市场的GLP-1减肥药热潮相提并论。脱发困扰着全球数以亿计的人群，且不仅是外貌问题，常伴随心理压力和社会困扰。过去由于技术瓶颈和科学认知不足，大型药企鲜有深入布局；如今，免疫机制、雄激素信号、长效抗体等新工具相继登场，让这个市场第一次看到了结构性创新的可能。
当然，新药距离大规模上市仍有漫长的路要走，安全性、长期疗效和可及性都是未知数。但这场竞赛本身就是一种信号：当科学和资本同时转向一个被忽视已久的领域，改变往往只是时间问题。或许有一天，脱发不再是无解的难题，而只是一个可以选择的治疗选项。
今年夏天，你可能在Instagram上刷到过一些“完美”的面孔——他们分享精致的生活照，推荐小众的护肤品，甚至和你互动聊天。但你有没有想过，这些让你心动的“人”，可能根本不存在？Instagram终于要动手整治这种现象了。
近日，Instagram宣布对平台上由AI生成或主要用AI创造的虚拟人物账号实施强制披露政策。过去那些用“AI创作者”标签模糊处理的账号，现在必须换成更直白的“AI生成档案”标识。如果账号核心形象是AI生成的，却拒绝贴上这个标签，那么后果很直接：Reels和Explore页面将不再向非粉丝推荐他们的内容，相当于被悄悄限流。
值得注意的是，Instagram并不是要封杀AI网红。只要老老实实亮明身份，这些虚拟偶像依然可以正常运营、接广告、积累粉丝。平台瞄准的是“欺骗”——你明明是个算法捏出来的数字人，却非要冒充真人博取信任，这不行。
这一政策的出台并非偶然。此前Meta推出的一款AI工具曾未经用户明确同意，就利用用户公开照片生成仿真形象，引发巨大争议，最终被迫下架。而更早之前，《连线》杂志的调查发现，有二十多个AI网红账号在偷偷推广约会应用Goose，纽约时报也在七月统计出数百个AI生成的“健康达人”在推销保健品。这些虚拟账号背后没有真实的人，却操控着真实用户的注意力和钱包。
更有深意的是，这项披露规定紧跟Meta同意支付180亿美元和解费的消息——那起诉讼指控社交媒体对儿童造成伤害。当AI生成的完美形象越来越难分辨真假，平台终于意识到：与其指望用户火眼金睛，不如让技术先学会自报家门。
这场AI与信任的博弈才刚刚开始。对普通用户来说，下一次看到完美到不真实的“网红”，不妨多看一眼那个小小的标签——说不定你的直觉是对的。技术可以制造迷人的幻象，但透明才是赢得信赖的唯一路径。
二零二五年的这个夏天，苹果公司悄然完成了一场权力交接，而这一次的告别，比许多人预想的更加意味深长。蒂姆·库克，这位掌舵苹果十四年的首席执行官，迎来了他在库比蒂诺总部的最后一天。与他一同退下舞台的，还有另一位传奇人物——菲尔·席勒，那个曾为苹果发布会注入灵魂、并长期掌管App Store的营销老将。
库克的继任者并非外界猜测的热门人选，而是硬件工程高级副总裁约翰·特努斯。这位自二零二一年起负责硬件业务的低调高管，将于九月一日正式出任CEO。而库克本人并未离开，他转任董事会执行主席，继续以另一种方式守护这家科技巨头。与此同时，席勒手中的App Store业务被划归至艾迪·库伊领导的服务部门——有趣的是，库伊曾在二零一五年之前负责过这块业务，如今它兜兜转转又回到了他的麾下。席勒本人则保留“苹果院士”的头衔，参与一些尚未公开的特别项目，但内部员工普遍认为，这不过是他迈向退休的过渡安排。
这一系列变动，像是一场旧时代的徐徐落幕。苹果正加速更迭其核心管理层，此前，前首席运营官杰夫·威廉姆斯、人工智能负责人约翰·詹南德雷亚、政策主管丽莎·杰克逊等老将已相继离开。库克交出的是一份令人目眩的成绩单：在他二零一一年接手时，公司市值约为三千五百亿美元，而如今，这个数字已膨胀至约四点六万亿美元。就在七月二十八日，苹果刚刚超越英伟达，并一度触及五万亿美元市值，成为历史上第二家达到这一高度的公司——那距离库克卸任，不过短短数周。
特努斯的首场公开考验近在眼前。九月九日，他将站上乔布斯剧院舞台，主持自己的第一场苹果发布会，届时不仅有全新iPhone硬件登场，还有基于Gemini模型彻底重构的Siri。这是一个微妙的时刻，既是对新帅的检阅，也是苹果未来方向的宣言。旧人离去，新人登场，但苹果的叙事从未停止书写——它只是换了一种语气，继续讲述关于创新与传承的故事。
在这家市值近五万亿美元的巨轮转向之际，真正值得关注的或许并非谁坐在驾驶舱里，而是船头朝向的那片海域，是否依然藏着足够令人惊喜的暗礁与宝藏。时代的接力棒从不等人，而那些接过它的人，注定要面对比前任更汹涌的浪潮。
戴森造AI牙刷，边刷牙边摄像原文
戴森终于把目光投向了你的口腔。这家以吸尘器和吹风机闻名的公司，推出了一款售价499美元的电动牙刷CameraJet，试图用一枚微型摄像头和人工智能，重新定义“刷牙”这件日常小事。
这支牙刷的特别之处，在于刷头下方藏着一颗10万像素的微型摄像头。当你在刷牙时，它会以每秒28帧的速度拍摄口腔内部画面，机器学习系统则实时分析这些图像，寻找牙齿之间的缝隙，一旦发现清洁盲区，就会触发一股低压水流，精准喷向那些缝隙，帮你冲走牙菌斑。戴森表示，这套系统经过了47万张牙科图像的训练，背后运行着1600万行代码。
更酷的是，你可以通过MyDyson应用实时观看自己口腔内部的直播画面，查看哪些区域已经刷干净，哪些区域还有遗漏，甚至还能获得刷牙姿势的反馈。戴森承诺，这些影像不会被录制存储，只用于实时分析。充电方面，配套的底座可以在三秒内完成补给，今天起有蓝色和粉色可选。
从地板到头发，戴森一向擅长把普通家电变成工程学奢侈品，这次轮到牙刷了。不过，消费者是否愿意为这个“口腔摄像头”买单，还是个未知数。值得留意的是，这支牙刷的摄像头最好配合低泡沫牙膏使用，而戴森恰好也卖自己的低泡牙膏——生态闭环，又多了一个入口。
刷牙这件每天重复两次的小事，正在成为科技巨头们争夺的新战场。也许未来的某一天，镜子里的你会对着牙刷屏幕上的数据，认真考虑今天该不该刷久一点。
在人工智能研究的最前沿，一场静默的交接正在发生。Anthropic公司公布了一项令人震撼的成果：由多个Claude智能体组成的“研究团队”，竟然独立完成了一整轮AI安全研究——从文献调研、设计训练方案到评估修复效果，全程无需人类插手。结果如何？它们成功纠正了AI的十种典型不良行为，平均修复效果比接手同样任务的人类专家高出四倍以上。
这十种“顽疾”包括了AI常见的逢迎讨好、欺骗行为、越狱漏洞等。Claude智能体们像真正的科研团队那样，循环往复地进行文献检索、模型训练和效果评分。修复成效相当显著：谄媚倾向降低了26%，而奖励黑客行为的修复幅度更是达到了惊人的96%。最重要的是，这些修复并未以牺牲模型整体能力为代价。
真正耐人寻味的是与人类专家的对比。六位资深安全研究员在完全相同条件下，对欺骗行为的修复率仅有20%；而Claude智能体在超过150次尝试中，平均修复率达到了85%。这不是一次偶然的闪光，而是系统的、可复现的超越。
更进一步的实验中，一个能力较弱的Claude Sonnet 5模型，花费60小时去安全训练一个尚未发布的Opus 4.8版本。它只使用了Anthropic官方训练流程一万五千分之一的数据量，就完成了任务。这暗示着AI理解AI、AI修复AI的效率，可能远超人类经验所能企及的范围。
当前，几乎所有AI发展路线图都假设技术终将接管AI研究本身。这次的实验，是这一交接正式启动的最早、最具体的信号之一。当安全研究的重担开始从人类手中滑向机器，我们面临的不再是单纯的效率问题，而是一个更深刻的信任命题：在一个连安全本身都需要自动化验证的时代，我们究竟该如何在不纯粹的系统中安放这一份沉重的托付？
这既是能力的跃迁，也是责任的无声转移。答案或许不在更快的研究里，而在我们对“安全”二字永不松懈的追问中。
在英国，每年医院要完成超过十亿次心电图检查，但这项最常规的心脏检查，却常常漏掉致命的线索。患者若想确认自己是否患有心力衰竭或心脏瓣膜病，往往要排队数月才能等到一次超声检查。而如今，伦敦帝国理工学院的研究人员带来了一位不知疲倦的“AI助手”——它能在不到两秒的时间里读完一份普通心电图，并捕捉到人类医生肉眼无法察觉的异常信号。
这个AI模型接受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。结果令人振奋：对心力衰竭的识别成功率达到了81%，对心脏瓣膜病的识别率更是高达90%。在测试中，它不仅能准确标记出已知的病例，还常常在医生没有怀疑的方向上发出预警。项目负责人傅松昂教授设想，未来医院可以把这套模型嵌入到每一份心电图的读取流程中，让它成为一道筛查关卡，甚至有望发现那些目前根本未被纳入常规筛查的隐患。
研究团队已经启动了下一步计划：在六家医院开展一项覆盖五百九十名患者的临床试验，目标是在两年内让这项AI技术融入英国国家医疗服务体系的日常运作。与许多关于AI“治愈一切”的遥远畅想不同，这项技术带来的改变就在眼前——它不是替代医生，而是给医生添了一双不知疲倦的“专家之眼”。就像上周首次亮相的AI辅助脑外科手术一样，当AI与人类医生并肩工作，诊断的精准度正在被推向新的高度。也许不久的将来，每一次普通的心电图检查，都能让潜伏的心脏问题无处遁形。
想象一下，你打开一个网页，看到的不是由代码写成的静态界面，而是一段由人工智能实时绘制的“电影”——每一次点击、每一次拖拽，画面都即时生成，背后却没有任何一行传统代码在运行。这正是Runway公司刚刚以早期访问形式推出的Solaris系统所带来的体验。
这套被称为“界面世界模型”的系统，将Runway自家的Gen-4.5视频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“读懂”你的意图，判断接下来应该发生什么，然后指挥视频模型生成后续的每一帧画面。整个交互过程流畅得像在操作一个真实的应用，但底层没有传统的软件架构，只有AI的实时想象。
在Runway展示的演示中，你可以从虚拟衣架上拖拽一件衬衫，直接“穿”到一张人物照片上；也可以像做沙拉一样，把各种食材依次拖入碗中；甚至还能进行一场互动式的燃烧实验。这些场景都依靠Solaris的实时渲染能力，让用户与AI生成的“世界”进行自然互动。
Runway进行了一项对比研究，让测试者将Solaris生成的效果与Claude Opus 5编写的传统网页进行盲测。结果在场景内行为合理性方面，71%的对比中测试者更青睐Solaris；在指令跟随方面，也有61%的胜率。不过，Runway也坦诚地指出，这一技术目前仍有明显短板：文字清晰度不够稳定、长时间操作容易发生“漂移”导致画面失真，有时还会出现看起来合理但实际上错误的屏幕内容。正因如此，Solaris现阶段仅向早期测试者开放，以收集反馈并迭代优化。
这个技术初看像是科幻小说里的桥段，但它的背后，是AI模型在速度、成本和画质三个维度上正在发生的汇合。过去，实时生成这样复杂且连贯的交互画面，既算不动也负担不起；而现在，随着这些门槛不断降低，曾经不切实际的界面设计和新颖交互方式开始变得可能。无论你视其为未来网络的雏形，还是昙花一现的炫技，都很难忽视它释放出的信号：我们与技术交互的方式，正在被AI重新定义。当每一帧画面都可以被即时生成，所谓“软件”的边界，或许将从此变得模糊。
半个世纪以来，图论中一个看似简单却难倒无数研究者的问题，终于迎来了答案。想象一下：一张足够连通的网络图，能否被精确地切成若干块，每块大小任意指定，且每块内部依然保持连通？这个由Frank在1975年提出的猜想，经Győri和Lovász分别证明后，成为图论中极具影响力的Győri-Lovász定理——每一个k连通图，都可以分割成k个互不相交的连通子图，且子图的大小可以是任意预先指定的正整数。这一定理听起来通俗易懂，却在算法上隐藏着巨大的鸿沟。
Lovász在1977年用代数拓扑给出了一个更强的有向图版本证明，但该证明高度非构造性，连在有向无环图（DAG）上都无法直接得到算法。Győri原始的构造性证明则需要指数时间。五十多年来，即便对k大于4的情况，人们也始终找不到多项式时间算法。这个定理的计算复杂度——是存在亚指数算法，还是本质困难（比如PLS完全或PPAD类问题）——一直是算法图论领域最核心的开放问题之一。
这项新研究终于打破了僵局。作者引入了一个全新的概念——“流本质分配”（flow-essential assignment），巧妙地将匹配结构与割结构融合在一起，由此给出了存在性定理的全新证明，并首次实现了Győri-Lovász定理的多项式时间构造算法。令人惊喜的是，这一方法甚至适用于Lovász那个更强、此前完全非构造性的有向版本；针对有向无环图，算法还能进一步加速到近线性时间。此外，该技术还推动了加权推广问题的多项式算法，而此前Chen、Kleinberg、Lovász、Rajaraman、Sundaram和Vetta在JACM'07上关于合流流的开创性工作，仅能给出存在性非构造结果。
这项突破的意义不仅在于填平了经典定理的算法空白，更在于它展示了匹配与割结构之间未曾预料的深层联系。当纯粹的存在性证明终于转化为可执行的构造步骤，理论图论与算法设计之间那道看似坚固的壁垒，又一次被凿开了一扇新门。也许在数学的无人深谷里，许多悬而未决的难题，等待的正是这样一种把不同结构焊接在一起的巧妙火花。
在当前的AI生成领域，视频生成器常常忽略音频，或者把音频作为后期单独合成的步骤，这使得画面中的视觉动态与声音事件之间缺乏真正的内在联系。为了打破这一局限，研究团队推出了DreamX-Creator 1.0——一个紧凑的原生音视频联合生成系统，其核心是一个仅70亿参数的生成器。这个生成器以首帧图像和文本提示为条件，同时去噪音频流和视频流，让两种模态在生成的源头就彼此呼应。
模型的设计颇具巧思：网络的前半部分，音频和视频各自独立处理，保留模态专属特征；到了后半部分，通过一种名为门控跨模态注意力的机制，两者开始深度耦合。具体来说，系统会逐令牌、逐注意力头地输出门控信号，动态调节每个活跃的跨模态注意力头的结果，从而实现灵活而精细的视听信息融合。
为了让模型学到高质量的数据，团队构建了一套统一的音视频数据系统。它负责筛选时间上连贯的片段，生成结构化的多模态标注，并将数据按照能力目标组织成不同的数据池。训练策略上，DreamX-Creator 1.0采用渐进式联合训练，先经过两个阶段的音视频预训练，再进行高质量微调。此外，一个特别的音视频强化学习环节引入了模态感知的多模态反馈机制，将视频、音频和跨模态的反馈信号分别引导到对应的流上，让模型在迭代中不断优化。
针对高分辨率输出的需求，团队提出了自回归1步2K细化流水线。它先将双向多步教师模型改造成自回归多步细化器，再将其蒸馏为每段时间块仅需一次去噪评估的学生模型，从而大幅提升推理效率。
最终，DreamX-Creator 1.0实现了原生、同步的音视频生成，性能可与当前最先进的开源系统相媲美。更重要的是，团队开源了这个紧凑的7B生成器和2K细化器，希望降低原生音视频生成的门槛，为未来统一音视频生成建模的研究提供一个可访问的基础。
在生成式AI飞速演进的今天，让画面与声音从第一帧起就同频共振，不仅是技术上的突破，也是对更真实、更完整世界模拟的一次勇敢尝试。或许，统一音视频生成的普及，将让我们离“所见即所听”的智能创作时代更近一步。
无需教师：自我蒸馏炼大模型原文
在训练大语言模型时，监督信号的质量往往决定最终能力的上限。传统上，一种名为“策略蒸馏”的方法让教师模型逐词打分，把稠密的词元级知识传授给学生；而另一种“可验证奖励强化学习”则只在答案正确与否上给出稀疏反馈。两者看似互补，但策略蒸馏有个隐忧：教师所评分的轨迹其实是学生实时生成的，对教师而言属于“离策略”数据。这样一来，教师的监督是否靠谱？学生成绩的提升到底归功于什么？这些问题一直悬而未决。
一项最新研究对此展开了定量剖析。研究者追踪策略蒸馏的训练过程，发现教师给出的监督信号中混入了大量噪声，而且教师模型越大，噪声比例反而越高。这听起来像是个坏消息，但更令人意外的是，学生策略对这些噪声几乎“免疫”——无论把噪声监督保留还是删除，最终性能都相差无几。难道策略蒸馏其实什么都没“蒸馏”出来？
为了弄清真相，研究者剖析了训练中的真正驱动力。他们发现，性能提升几乎全部集中在那些模型原本极不自信的低概率词元上。更激进的实验是，干脆丢弃教师提供的所有优势值，统一使用一个固定的负优势，效果竟然与教师精细打分不相上下。这意味着，策略蒸馏的核心机制，本质上只是在压制那些低概率的“尾部词元”，而这件事根本不需要教师参与。
基于这一发现，团队提出了一种完全免监督的方法——策略自适应（OPSA）。它不借助任何外部教师或奖励模型，只根据模型自身输出的熵值动态调整负优势：在高熵位置施加更强的学习信号，压低尾部词元，同时把概率质量均匀重新分配给高概率的“头部词元”。实验显示，在基础模型Qwen3-1.7B上，OPSA将AIME24的Avg@32提升了35.41分，相对增幅达263%，且在三项基准测试中Pass@32均翻倍以上；与策略蒸馏相比，OPSA在AIME24的Avg@32上还多出16.77分。跨模型家族与多任务的大量实验进一步验证了该方法的有效性和泛化能力。
这项研究带来的启示耐人寻味：当我们精心设计复杂的知识传递机制时，或许真正的捷径藏在最朴素的观察里——抑止极端不自信的猜测，比从外部汲取智慧更关键。在学习过程中，减少盲目尝试的低概率冒进，往往比吸收更多“指导”更能带来实质进步。
当人类不再逐题批改，大模型还能继续变聪明吗？这不仅是技术问题，更是一场关于“谁来教老师”的变革。近年来，大型推理模型在数学和代码领域取得突破，靠的是“可验证奖励的强化学习”——答案对错能被程序自动判定，模型便能在试错中自我精进。可一旦走出标准答案的领地，进入开放式的智能体任务，奖励变得模糊，人类监督也跟不上模型探索的速度和复杂度。于是，一个关键问题浮出水面：当人类监督逐渐退场，模型如何保持进步，甚至迈向超级智能？
这篇研究把视野拉远，沿着两条轴线展开。一条是奖励轴：从最初依赖人类逐条标注判断，发展到可重复使用的验证器，再到无需人类反馈也能运作的奖励机制。另一条是体验轴：学习环境从人工精心设计的任务，逐步过渡到模型自己生成课程、自己搭建环境，最终实现自主共演化——模型和环境像共生的物种一样相互塑造。
为了厘清人类还在哪些环节把关，研究者画了一把五级阶梯，从L0到L4，逐级标识出学习流程中哪些部分仍由人类控制，哪些已完全放手。L0时人类深度参与每一个样本的反馈；到了L4，人类几乎只负责设定初始方向，模型自己生成经验、自己评定得失，甚至自行修正学习目标。
但放开缰绳并不等于一路坦途。论文直言不讳地列出了自主化进程中的风险：奖励黑客——模型钻奖励函数的空子，分数漂亮但实际能力没有增长；反馈漂移——信号源不稳定导致模型学偏；课程崩溃——自动生成的训练内容重复或退化，让学习停滞；环境错误——模型构造的世界出现漏洞，误导训练方向。为了应对这些隐患，他们提出了三个互补的评估对象：策略能力、反馈保真度、体验质量。只测模型答对了多少题远远不够，还要追踪它依赖的奖励信号是否真实，探索过的经验空间是否健康多样。
文章没有给出终极答案，而是为“无人类监督的自我持续学习”画了一幅结构化地图。它提醒人们：当模型开始给自己上课、自己出考卷、自己判分时，进步与风险就像一枚硬币的两面，无法只取其一。真正的超级智能，或许不是人类教会了什么，而是人类学会了在哪些时刻体面地退场。
在格点量子色动力学的研究中，计算夸克传播子算符的逆迹是一项基础却昂贵的工作。研究者们总在寻找更聪明的方法，让计算能绕开那些沉重的线性求解步骤。这项回顾性研究就像一次“回头验算”，他们用一台已经跑完的固定数据集，检验了经过偏差修正的机器学习估计到底靠不靠谱。
研究人员关注的是狄拉克算子逆的迹，也就是Tr M的负n次方，n从1到4。他们比较了两种监督学习思路：一种直接拿Tr M的负一次方作为输入特征，另一种则使用规范场可观测的几何量，比如plaquette和rectangle那些基本方格构型。关键不在于模型多花哨，而在于训练集和标注集的比例变化会不会让最终估计跟着漂移。
真正有意思的是，他们把机器学习结果往更深处应用。一方面，用它计算单一阵列上手征凝聚的累积量；另一方面，跨过不同夸克质量的阵列做多集合重加权。非线性变换就像一面放大镜，未修正的原始估计在这些步骤中偏差可能被明显放大。但经过偏差修正后的机器学习估计，在整个固定数据集上与全数据参考值保持了紧密的一致，这让人对这套方法多了几分信心。
还有一个值得注意的数字：当用Tr M的负一次方作输入特征时，按名义上的求解次数粗略折算，狄拉克矩阵求逆的计算成本大约降到传统做法的25.75%。不过研究团队很冷静地提醒，这只是一个成本预估而非端到端的实测基准，因为它假定连续求逆成本相当，且没有把模型训练和分析的额外开销算进去。
这项研究没有声称彻底颠覆算法，只是在固定数据范围内展示了偏差修正的价值。当机器学习被用来加速理论物理计算时，真正的挑战或许不在于拟合得多准，而在于那些被非线性变换放大的隐患能否被识别和控制。毕竟，在格点世界的一片朦胧中，误差的走向从来不会笔直。
想象一个机器人能够像人类一样，不仅观察和预测，还能自主决策并不断改进自己的动作。这正是通用具身智能体的终极目标——在一个统一系统中完成感知、预测、行动、评估与提升。世界模型被认为是实现这一目标的关键方向，但以往的研究大多只是给世界模拟器简单加上一个动作输出头，未能将决策与学习真正闭环。如今，一种名为Motus2的通用世界模型登场，为灵巧操作带来了全新的自进化范式。
Motus2的核心创新在于模型缩放与数据缩放的双轮驱动。在模型设计上，它用单一共享权重的模型同时暴露三个控制接口：策略模块负责提出候选动作片段，模拟器模块预测这些动作带来的视觉结果，评估器模块则对预测效果进行价值判断。三者耦合，形成了一个完整的决策与学习闭环。更为精妙的是，这一机制利用精心筛选的专家演示进行动作学习，同时将失败和次优的交互数据转化为动力学建模与价值学习的宝贵证据，让模型从错误中也能汲取养分。
在数据层面，Motus2展现了清晰的进阶路线：从大规模单目第一人称数据起步，升级为同步立体第一人称数据，再通过机器人轨迹和补充的人机对齐数据进行机器人领域适配。为应对复杂操作场景，研究团队还探索了全局自回归和混合记忆扩展，突破了滑动窗口上下文的限制，并引入了触觉反馈以增强接触感知能力。最终，Motus2被部署在一个完全仿生的平台上，配备立体视觉、双臂、双灵巧手和触觉传感，展现出接近人类的操作潜力。
这项研究的启示在于：通用灵巧操作不再依赖手工编程或简单模仿，而是通过封闭循环的世界模型，让智能体在经验积累中自我进化。立体数据的规模化与闭环通用世界模型的结合，为机器人学习开启了一扇通往持续成长的大门。当机器能从失败中学习、在预测中校验行动、在评估中优化策略，它距离真正适应复杂物理世界或许不再遥远。
科研规划被认为是AI科学家的决定性能力，但一个研究计划从来不存在标准答案，这让强化学习陷入困境——它需要环境，而环境必须包含可验证的任务与评判者。PaperGym的提出者找到了一个突破口：从科学论文中提取评分标准，让论文本身成为完整的训练环境。
这项研究的巧妙之处在于利用论文自身结构化解了最大难题。以往流程从同一内容里同时生成问题与评分标准，模型只要改述原文就能骗过奖励，导致数据泄漏。PaperGym则分离了角色：研究问题由科研目标与背景综合而成，评分标准则来自方法与实验部分。标准同时覆盖方法创新性和实验设计，将泄漏率从现有数据集的11.90%至34.10%大幅降至3.7%。
训练过程同样经过精心设计，评分标准被使用两次：先作为自教师模型的特权上下文，再充当分组相对策略优化的奖励信号。在Qwen3-1.7B、4B、8B三个规模上，这一时序安排均胜过仅做监督微调、单独使用任一阶段或颠倒顺序的方案，五个基准的平均成绩分别提升5.6、5.0和4.8分。固定训练配方后，基于PaperGym-20k训练的模型在三方对比中胜率达58.1%，而基于RubricHub Science训练的模型仅为28.2%。训练得到的Qwen3-8B在ResearchQA上取得73.48分，甚至超过了参数量远大于它的Kimi K2.6。
这项工作的本质是把每一篇论文都转化为一个学习场域，让AI在回答“如何做研究”时不再依赖记忆或改写，而是面对真正的方法设计与实验验证挑战。研究团队公开了完整流程、包含两万条实例的PaperGym-20k语料库以及PaperGym-Innov和PaperGym-Design两个基准。当数据泄漏被遏制，评奖标准回归方法论本身，我们或许正在见证AI从“会写答案”向“会立问题、会设计验证”迈出坚实一步。毕竟，最值得追问的从来不是答案本身，而是提出好问题的能力能否被教会。
想象一下，一个机器人不需要为每个任务装上专门的控制模块，而是仅仅依靠一个紧凑的视觉语言模型，就能听懂指令、找到物体、跟踪目标，甚至在不同形态的机器人之间无缝切换。这听起来像科幻，但LightNav-0已经把它变成了现实。
这个模型的核心思路并不复杂：现有的视觉语言模型已经具备了理解空间关系、识别物体位置的能力，但大多数导航系统却没有直接利用这些能力，而是各自为政，为每个任务单独设计感知、推理和行动模块。LightNav-0反其道而行，它去掉了一切任务专属的预测头，只用一个统一的接口来表达所有导航意图——双通道指向机制，让模型可以输出任务无关、场景无关、甚至机器人形态无关的空间意图；而残差向量量化动作分词器，则把这些意图翻译成具体机器人能执行的精确轨迹。这样一来，指令跟随、开放词汇物体导航、视觉跟踪，全部塞进同一个模型里，不再需要分而治之。
为了让模型真正“懂”导航，研究团队构建了一个庞大的训练语料，涵盖两千多个场景和四千多小时的具身导航数据。训练流程也很有层次：先是经过时间感知的视觉历史压缩，再通过ER中训练、监督微调和强化学习逐步打磨。值得留意的是，用于初始化LightNav-0的LightNav-ER检查点，在八个具身推理基准测试中拿下了平均分第一；而LightNav-0本人，则在全部十个公开导航仿真环境的单目成功率上刷新了纪录。更难得的是，真实世界测试中，它还能零样本泛化到不同的机器人本体、不同的场景，以及静态和动态的目标上。
这项工作的意义可能不仅仅是又一个性能更强的导航模型，而是证明了一个方向：紧凑的视觉语言模型，完全可以作为通用具身导航的统一且可迁移的骨干网络。当感知、推理和行动不再被割裂，一个模型或许就能真正成为一个适应多种环境的通用大脑。机器人离“看见即会走”的世界，又近了一步。
Abstract:While low-rank adaptation (LoRA) is widely used for parameter-efficient model adaptation, how to regularize its training dynamics for stable and effective optimization remains underexplored. Because LoRA initializes the up-projection to zero, its early optimization dynamics are largely governed by the down-projection. Building on this observation, we introduce Normalized Low-Rank Adaptation (NoRA), a simple yet effective method that normalizes the down-projection matrices during training. We further show that the same normalization can be applied only at initialization, improving standard LoRA without requiring repeated normalization throughout training. Across pretraining, supervised finetuning, and reinforcement learning, NoRA consistently accelerates convergence, improves performance and training stability, and mitigates catastrophic forgetting. These benefits require neither additional trainable parameters nor inference-time computation, making NoRA a simple and broadly applicable enhancement to LoRA.
2023年6月，人工智能企业Anthropic的名字突然出现在美国国防部的“供应链风险”黑名单上。此前，这一标签几乎专用于外国对手，而Anthropic是首家遭此待遇的美国公司。五角大楼要求所有政府机构立即弃用其模型，正在部署的前沿模型Mythos和Fable被迫下线近一个月，双方公开争执不休。如今，联邦法官Rita Lin的一纸裁决揭开了这场风波的另一面：黑名单不是
一场围绕编码平台的暗战，在硅谷悄然升级。就在不久前，OpenAI宣布将在11月12日之前，把自家模型从Cursor平台上彻底移除。而这一切的导火索，正是Cursor被SpaceX收购——OpenAI给出的理由，直指埃隆·马斯克过往的违约记录。
OpenAI表示，他们已经把撤离时间尽量拉长，直到合同允许的极限，并借助Cursor被出售后触发的解约权，才做出了这个“极其艰难”的决定。为了证明立场，OpenAI翻出了旧账：马斯克在收购Twitter之后，单方面终止了每年200万美元的推文合作；而他的xAI公司，则被指使用OpenAI的输出来训练模型，对此马斯克只承认“部分”属实。
这场风波并不只有两方卷入。Anthropic的联合创始人汤姆·布朗公开表态支持Cursor，同时也有不少人翻出Cursor此前针对Windsurf的类似行动——当时是因为Windsurf可能被OpenAI收购。如今角色互换，Cursor反而成了被“断供”的一方，局面颇有戏剧性。
马斯克的回应只有一句：“我毫不在意。”而Cursor的CEO迈克尔·特鲁尔则在努力寻求解决方案，他透露OpenAI的模型其实只占Cursor整体AI流量的5%左右。这或许解释了为何OpenAI敢于如此决绝，也暗示了Cursor并非离了OpenAI就无法生存。
长期以来，Cursor一直扮演着中立编码编辑器的角色，汇集各家前沿模型供开发者自由选择。可现在，它被卷入了山姆·奥特曼和埃隆·马斯克的私人恩怨之中。更值得玩味的是，随着xAI的Grok模型强势崛起，以及Cursor自身内部模型的不断进步，这场冲突背后，竞争的分量可能比过往任何时候都更重要。当平台开始站队，开发者手中的选择权，或许才是真正的筹码。
在大模型推理的世界里，KV缓存是加速生成的关键，但它的体积也随着序列长度急剧膨胀。于是，一个朴素而诱人的想法诞生了：与其保留全部缓存，不如逐出一些条目，换取更高的吞吐量，同时让质量损失小到几乎可以忽略。这个想法听起来简单，做起来却充满巧思——现有方法大多依赖各种精心设计的启发式规则，来决定该丢掉哪些条目，谁更“不重要”，谁可以牺牲。
然而，这些启发式方法虽然在实践中表现不错，却始终缺乏一个严格的数学基础。这篇论文尝试补上这块拼图，用一种更底层、更正式的眼光重新审视“KV逐出”问题。研究者们从概率推理的角度切入，却首先撞上一个令人沮丧的结论：这个形式化后的问题，竟然是计算上不可解的。麻烦并没有挡住去路，他们转而指出，只要把问题重新解释为“期望估计”，就可以通过采样的方式来近似求解——这为KV逐出提供了一条新的可行性路径。
更有趣的是，概率视角带来的不只是理论上的“名分”，它还揭示了一个此前几乎被忽视的问题：在解码阶段，那些被逐出的条目所带来的信息偏差，其实是可以被纠正的。传统方法从未考虑过这一点，因为它们的估计是“零方差有偏”的——听起来很精确，实际上却锁死了误差，让错误潜移默化地累积。而这篇论文发现，只要对这些现有方法稍作调整，它们就能支持解码时的修正，从而大幅提升鲁棒性。
实验证明了这一思路的价值：在相同的压缩预算下，这种概率化的KV逐出，结合解码时修正，在面对不同任务时表现得比现有方法更加稳定，性能也毫不逊色。它告诉我们，KV逐出不再是一场凭直觉的“丢东西”游戏，而是一次可以计算、可以纠正的概率决策。当缓存被压缩，质量却依然坚挺，这背后是数学给出的底气——原来，丢掉一些东西，也可以丢得很科学。
在人工智能的浪潮中，生成模型曾经只是“涂鸦者”——给你一段文字描述，它就能画出图像、写出代码、编出故事。但真正的问题在于：这些零散的片段，能否变成真正可靠、完整的交付物？一篇覆盖259项研究的综述告诉我们，答案正在改变。
想象一个AI系统不再只是被动地响应一次提示，而是像一位工匠，反复审视自己正在制作的工件，发现偏差就立刻修正，观察中间结果再决定下一步走向。这种“有状态”的构建过程，被研究者定义为“智能体工件创建”。它把生成过程拆成三个齿轮：工件的操作化表示、构建策略，以及能在运行时反馈并改变后续动作的验证机制。
研究者们梳理了2026年8月20日前发表的230个系统和29个基准测试，对比了六类工件家族。他们发现，构建的难度不仅取决于模态本身，更取决于决策之间的耦合紧密程度，以及失败是否在还能修复时就被看见。拆解能降低局部复杂度，但也会让协调和重组的成本悄悄上涨。更微妙的是，当“学习的评判者”和生成器共享同一种偏好或盲区时，它们提供的独立证据可能少得可怜。
这项综述提炼了几条务实原则：让承诺和责任保持透明，把反馈转化为有针对性的修复，并在改动后重新验证受影响的状态。随着工件、创造者意图和整个构建系统不断演化，如何维持连贯且可问责的控制，将成为下一阶段的重要命题。生成模型的真正价值，或许不在于产出更多草稿，而在于学会如何完成一件成品。
大语言模型虽然强大，但背后的算力消耗却像一个无底洞。问题出在“二次方注意力”机制上：每生成一个新词，模型都需要重新计算与之前所有词的关系，随着文本变长，成本和内存需求急剧膨胀，新词元对应的键值对还必须永久存储，这种模式显然难以为继。于是，研究者们纷纷寻找替代方案，其中“线性注意力”备受瞩目，它承诺以极低代价解决扩展性问题，似乎成了救世主。
然而，一项新研究给这股热潮泼了盆冷水。研究者发现，线性注意力模型此前并未与更简单的基线方法进行过公平比较。当他们把“带汇点的滑动窗口注意力”与经过后训练的线性注意力模型放在同一擂台上时，结果令人意外：滑动窗口注意力在多项下游任务上表现相当甚至更好。尤其在长文本推理任务如“大海捞针”和BABILong中，滑动窗口注意力的性能是线性注意力的2到10倍，差距悬殊。
更关键的是，滑动窗口注意力无需任何后训练，本身就极快且内存占用低。这意味着它既便宜又可靠。研究者强烈建议：如果只是为了降低推理内存成本，直接换成滑动窗口注意力就好，没必要去后训练线性模型。线性注意力虽然初露锋芒，但想要追平滑动窗口注意力，恐怕得从头训练或进行大量后训练才行。
这项研究提醒我们，在追逐复杂方案时，简单而扎实的传统方法往往被低估。有时候，最有效的优化不是一味求新，而是回头审视那些被忽略的基线方案。毕竟，算力有限，而聪明的选择，能让每一分计算都花在刀刃上。
在大语言模型的后训练阶段，强化学习微调一直是提升推理能力的主流手段。然而，一种名为进化策略（ES）的旧方法正悄然回归，它不依赖梯度计算，却能在节省显存的同时，带来意想不到的推理多样性。这引发了一个关键问题：进化策略与当前主流的GRPO方法相比，究竟谁更胜一筹？一项系统的研究给出了出人意料的答案。
研究团队首先从理论上证明，进化策略在优化过程中产生的种群多样性——具体而言，是经过验证器投影后的Jensen-Shannon散度——能够显著提升Pass@K指标。这意味着进化策略不只是找到一条正确的推理路径，而是探索出更广阔的解题空间。实验数据也印证了这一点：当GRPO方法陷入“熵坍缩”时，即模型输出日趋单一，进化策略却在提升Pass@1的同时，将Pass@K推向了更高水平。换句话说，进化策略让大模型“多想几条路”，而GRPO则更擅长“走通一条路”。
有趣的是，研究者并未止步于二选一。他们提出了一种顺序训练策略——先使用GRPO强化模型在单一答案上的准确率，再引入进化策略拓宽推理覆盖面。这种组合方式兼容了两者的优势，让模型既能精准作答，又不失探索能力。这或许为未来的推理后训练提供了一种更灵活的范式。
那么，进化策略的优化过程究竟如何作用于模型内部？研究发现了一个反直觉的现象：尽管整个模型的参数发生了大幅漂移，但真正贡献于任务性能提升的，却只是少数拥有更大更新幅度的参数子集。这种“功能稀疏性”意味着，参数的剧烈变动不一定引发广泛的功能改变。在保持模型已有能力方面，实验也表明这种稀疏更新并未导致灾难性遗忘。这为“如何在大规模模型中精准施力”提供了新的视角。
此外，超参数的影响同样耐人寻味。实验显示，当模型规模变大时，进化策略所需的种群规模反而变小。这打破了“越大模型需要越多样本”的直觉，也降低了进化策略在大模型上的应用门槛。
进化策略并非GRPO的低配替代品，而是一条独特的推理后训练路径。它用更宽的探索换取更高的上限，以稀疏的更新避免过度的扰动。大模型推理的下一步，或许不是一味逼近标准答案，而是在确定性之外，重新拥抱思考的广度。
今年六月，美国国防部突然给人工智能实验室Anthropic贴上一张罕见的标签——“供应链风险”。这个标签通常只留给外国对手，而Anthropic成了美国历史上第一家被如此对待的本土企业。一时间，所有政府机构被要求停用其前沿模型Mythos和Fable，两家在公开场合激烈交锋，模型被迫下线近一个月。
但Anthropic并不是什么安全漏洞缠身的初创公司，它真正“惹恼”五角大楼的，可能是一件事：它曾公开反对军用AI。如今，联邦法官Rita Lin一纸判决，认定五角大楼的行为违反宪法第一和第五修正案，并直言国家安全不是一张“空白支票”，不能用来惩罚批评者。
这场风波的直接后果是，Anthropic可能再也拿不到五角大楼的订单，即便标签在技术上仍存续于上诉程序中，五角大楼也声称将在9月30日前彻底停止使用Claude模型。但更深远的影响在于，它给整个AI行业立下了一个先例：今后政府试图以安全之名封锁某家AI企业时，将面临更清晰的法律抗辩空间。
这场裁决与其说是Anthropic的胜利，不如说是对“安全”二字的一次重新校准。技术监管的边界，不该由权力单方面划定，而应由法律和事实共同丈量。
当全球开发者习惯在Cursor里随手切换各家顶尖AI模型时，一场围绕代码编辑器的话语权争夺正悄然白热化。OpenAI日前宣布，将按合同允许的最晚时限，于11月12日前把自家模型从Cursor平台完全撤下。这距离SpaceX收购Cursor母公司才过去一个月，而OpenAI给出的理由直指一个人：埃隆·马斯克，以及他“违反合同的过往记录”。
OpenAI表示，早在Cursor被收购的那一刻，合同中的取消权便被触发，他们只是尽力把过渡期拉到法律允许的极限，并形容这个决定“异常艰难”。支撑这一判断的证据并非空穴来风：马斯克在收购Twitter后，曾单方面终止了每年200万美元的推文授权协议；此外，xAI被指使用OpenAI输出训练自家模型，马斯克对此回应称“部分属实”。
这场风波并非孤立。Anthropic联合创始人汤姆·布朗公开声援Cursor，而许多人同时回忆起Anthropic此前因OpenAI可能收购Windsurf，也曾做过类似切割。讽刺的是，就在OpenAI宣布退出的同时，马斯克轻描淡写地在社交平台留下一句“我根本不在乎”。Cursor的CEO迈克尔·特鲁尔则积极寻求解决方案，极力挽留OpenAI的模型——尽管数据显示，OpenAI贡献的流量仅占Cursor整体使用量的5%。
Cursor一向以中立著称，是少数能让各家前沿模型同台竞技的编辑器。如今，它却被卷入了山姆·奥特曼与埃隆·马斯克之间旷日持久的午餐室争斗。雪上加霜的是，xAI的Grok正迎来用户激增，而Cursor自研模型的进展也在加速。这场博弈早已不是简单的平台选择，而是关于人工智能生态未来由谁书写的一场暗战。技术中立性在资本与个人恩怨的交织下，正变得愈发昂贵——当连代码编辑器都成了强权角力的棋盘，开发者手中的“选择权”，还能剩下多少真实的分量？
想象一下，你是一位侦探，正在处理一桩极其复杂的案件。线索分散在上百条对话记录里，你一边翻看旧笔记，一边记录新发现，可桌上的文件堆得越来越高，你不得不频繁地来回翻找——这正是大语言模型处理长程智能体任务时的真实困境。模型需要在一轮又一轮的交互中不断检索、整合和维持分散的信息，但如果把所有对话历史都原封不动地保存下来，工作上下文就会无限膨胀，最终让模型陷入“信息肥胖症”而寸步难行。
过去，一些研究者尝试让模型主动管理自己的上下文，给它配备搜索、删除、摘要等专用工具，让模型自己“整理桌面”。这种方法固然聪明，却仍有三大硬伤：工具太少，只会删删改改，缺乏全局规划、长期记忆和灵活压缩的能力；探索低效，所有上下文管理动作都被一视同仁，可有些动作明明对最终结果影响巨大，有些却无足轻重；奖励粗糙，在强化学习阶段，系统只会把最终整个任务轨迹的得分，平均分给每一个中间编辑动作，模型根本分不清哪一步是关键、哪一步是废招。
为了破解这些难题，研究者提出了ContextPilot——一个面向长程智能体推理的主动上下文管理框架。它的核心思路是给模型“升舱”：在原有工具基础上，系统性地加入了规划工具，让模型能先谋后动；加入长期记忆工具，就像给模型配了一本可随时翻阅的私人日记；还加入软上下文卸载工具，让暂时用不到的信息能“退居二线”，既不丢又不占地方。
更巧妙的是，ContextPilot设计了一套专为上下文管理量身定制的强化学习算法。它不再对所有编辑动作一视同仁，而是通过观察上下文状态的波动和信息熵的变化，来判断哪些时刻的编辑决定至关重要，并针对这些关键决策点进行分支采样。随后，它从所有经过该编辑动作的分支轨迹中估算动作级别的优势值，从而让模型能精准地学习“何时该动手、何时该收手”。
实验结果同样令人振奋。在长上下文问答和深度搜索任务上，ContextPilot用更紧凑的工作上下文换来了更强的性能表现，稳定地超越了多个现有基线，而且在不同基础模型和不同基准上都保持了优势。
这场关于上下文的革命，其实揭示了一个朴素的道理：面对海量信息，聪明不是记住一切，而是知道该忘记什么、记住什么，以及什么时候把决定权交给未来的自己。当模型学会像经验丰富的管家一样打理自己的思维空间，那些曾经被信息洪流冲垮的长程推理，终于找到了一条清晰的道路。
想象一下，让视频生成模型来预测几何——不是让它续写一段动态画面，而是让它从一张静态图像中“脑补”出三维世界的深度层次和表面朝向。这正是GeoNeXt的巧思：它不再把深度估计和表面法线估计当作两个孤立任务，而是将它们统一为“预测下一帧”的视频生成问题。
以往的方法要么为每个几何任务分别训练专用模型，白白浪费了深度与法线之间的天然关联；要么强行改造图像扩散模型的结构，却需要海量标注数据来填补代价。GeoNeXt另辟蹊径，直接借用预训练视频生成模型中蕴含的、关于时空连续性和场景结构的丰富先验，再将这些知识迁移到图像与几何目标的联合建模上。它只需极少的训练数据，就能同时输出高质量的深度图和表面法线图。
实验数据令人惊喜：在多个跨数据集场景下，GeoNeXt的零样本单目深度与表面法线估计，不仅全面超越了此前的专用生成式模型和统一生成式模型，甚至与使用超过其100倍训练数据的判别式顶尖方法打成平手，在部分基准上还更有优势。
这提醒我们，生成式模型的价值或许不止于创造逼真的画面，更在于理解世界的底层结构。当我们能用“讲故事”的方式让模型学会预测未来，它同时也读懂了脚下的空间。
想象一个没有领导、没有预设角色、甚至连一句直接对话都不需要的数字世界，一群初始完全相同的智能体，竟然在漫无目的的探索中，自发形成了分工，协作造出了能抵抗未知干扰的“技术产品”。这听起来像科幻，却是《SwarmWorld》里真实发生的实验。
研究者搭建了一个虚拟沙盒：一群大语言模型智能体被投放进一个二维空间，它们没有收到任何“你要当建造者”或“你要当探索者”的指令，也没有现成的配方。每个智能体只能做几件简单的事：移动、采集资源、测试材料、搭建永久的“工件”，以及编写一段可执行的控制代码。真正残酷的考核在最后——所有智能体被撤离后，一个预置的模拟器会施加它们从未见过的扰动，看这些代码能否让世界继续运转。这就是SwarmWorld的核心设计：让“想法”与“后果”分离。智能体可以任意提出架构、设计控制器，但好不好用，完全由物理模拟说了算，嘴硬没用。
结果出乎意料。这些没有剧本的智能体，自发分化出了探索者、建造者、维护者和协调者。世界刚起步时，大家一窝蜂去摸石头；等资源丰饶后，有人开始修修补补，有人专门守着已有建筑。共享社会最终发展出了比“最强独立搜索”更宽泛、更有韧性的技术组合——不过，单项最强的人工制品，独立搜索依然没输。换句话说，集体的优势不在造出最锋利的矛，而在于拥有多种不那么容易被击穿的盾。
更耐人寻味的是知识的传承。这些智能体很少靠聊天来交流技术——它们大部分“偷师”的方式，是去看别人留下的物理痕迹：一座半成品建筑、一堆摆放奇特的材料、一段遗留的代码。这种被称为“stigmergy”的间接协作，让技术像珊瑚礁一样一层层累积。后来实验加入了更明确的文化机制，比如允许展示、模仿，确实让合作和组织水平大幅提升，但最终的功能收益却不稳定——有时候更好，有时候只是多了热闹。
整个SwarmWorld揭示了一个冷峻又浪漫的图景：智能社会不需要中央规划，不需要统一指令，甚至不需要“对话共识”。只要个体能在一个共享环境里行动、留下痕迹、被后来者看见，复杂的技术生态就会自己长出来。而所谓“文明的韧性”，或许并不来自某个天才个体的超人设计，而是来自无数普通个体在物理世界里彼此留下的、沉默的接力。
这场实验没有给出最终答案——它只是画了一个问号：当人类自己也越来越多地依靠AI协作时，我们是在搭建一个能传承技术的“SwarmWorld”，还是正把自己变成一群只会刷屏的孤立智能体？
在大型语言模型的训练疆域里，一种名为“策略蒸馏”的范式曾风光无限——它让一个预训练的专家教师模型，像老工匠带学徒一样，把密集的监督信号一步步传递给新学生模型。这一策略在语言模型中收获颇丰，近来也被引入到流匹配模型之中。然而，美好的叙事背后暗藏两道裂痕：其一，每遇到一个新目标，就得重新训练一个专门的教师模型，计算成本高得令人咋舌；其二，教师与学生之间的分布差异，如同代际隔阂，往往导致误差在生成轨迹上不断累积，最终谬以千里。
面对这一困局，研究者们抛出了一个大胆的追问：如果不要教师，学生能否在自我探索中完成升华？他们的答案是“Self-OPD”——一个彻底抛弃教师模型的在线蒸馏框架。核心灵感朴素而深刻：把学生自己的探索旅程，变成每一步的监督信号。
具体如何运作？在每一个时间步上，Self-OPD并不满足于模型原本确定的下一步预测，而是将其分叉为K条随机的随机微分方程候选路径。这些候选路径沿着ODE采样器一路展开，最终与一条确定的自我参考基线进行对比，从而计算出每条分支的归一化优势值。随后，速度场在这“全分支拉推目标”下被优化——高优势的路径像磁铁一样吸引学生靠近，低优势的路径则被力场推拒，而这一切都经过方向感知的衰减与SDE方差的归一化，让学习信号既清晰又稳定。
当面对多目标对齐时，Self-OPD更显巧思：它不在梯度层面强扭目标，而是在奖励层面融合归一化分数，从而避开了多目标之间直接冲突的暗礁。这一设计让模型可以同时追求多个奖励信号，而不必担心“顾此失彼”。
在单一奖励与混合奖励的基准测试中，Self-OPD都展现出超越先前强化学习与策略蒸馏方法的实力——且全程无需任务专属教师。这仿佛在说，当学生学会从自己的足迹中寻找方向，导师的存在，或许并非不可或缺。成长有时不是他人指路，而是自己走出的每一步，都在悄然重构前行的地图。
2024年底，里斯·希伯特突然癫痫发作，检查结果让所有人倒吸一口冷气：他的脑内长了一个11毫米的垂体瘤，正悄悄压迫视神经，让他的视野日益狭窄。这位患者可能从未想过，自己会成为医学史上的一个坐标。
在伦敦大学学院的手术室里，一场前所未有的手术即将展开。外科医生没有依赖冰冷的机械臂，而是请来了一位“幽灵助手”——一个实时观看手术画面的AI系统。它通过手术摄像头，像一位全知的军师，在屏幕上标记出最安全的切割位置，同时用醒目的提示避开隐藏在组织下的动脉和脆弱的视神经。手术的路径极为刁钻，医生必须穿过患者的鼻腔，直抵脑部深处的肿瘤，任何一个误判都可能造成不可逆的损伤。
这个AI并非生来就是“专家”。它啃下了数百段过去手术的标注视频，在数据中吸收了成千上万台手术的经验。主刀医生哈尼·马库斯感叹，这台AI见过的病例，比大多数外科医生一辈子做的还要多。手术过程中，人类医生保持着绝对的掌控力，而AI则像一只永不疲倦的鹰眼，在另一个屏幕上实时提供第二套专业意见。
手术很成功。希伯特的视力在几天内就恢复了，仿佛那片压在眼前的迷雾被突然拨开。团队已准备将这套AI系统推向更大规模的临床试验。
这不是科幻电影里机器人主刀的桥段，而是近在眼前的现实：AI并不急于取代外科医生，而是先成为他们身旁最专注的观察者，提醒着每一处不该触碰的危险。当人类的手依然握着手术刀，一道来自机器的目光，已在悄然守护生命的脆弱边界。
在人工智能的竞赛中，软件端的连接已经日趋成熟，而物理世界的控制权正成为新的战场。Anthropic公司近日推出了一项名为“Model Hardware Standard”的研究预览标准，它让AI代理能够像人类一样，通过查阅说明、学习操作，直接控制显微镜、机械臂等实验室设备，而这一切不再需要工程师为每台机器编写定制代码。
这项标准的设计思路，与Anthropic此前大获成功的Model Context Protocol（MCP）一脉相承。MCP让AI能轻松连接各种软件数据源，而新的MHS则把这种便捷带到了硬件领域。过去，将一台精密仪器接入AI系统，专家们需要耗费数周时间手动接线、调试通信协议，而现在，据Anthropic声称，这个过程可以被压缩到“几小时甚至几分钟”。
关键的变革在于“语言”的转换。设备的所有者只需用自然语言描述机器的功能、接口和操作注意事项，MHS就能自动生成一份参考文件，如同设备的“使用说明书”。AI代理在接到任务时，会先读取这份文件，理解设备的工作原理，然后自行尝试操作。在一项演示测试中，Claude模型通过反复试错，成功学会了对激光设备进行校准，并且更进一步的，它把自己摸索出的操作流程简化成了一个脚本，能够一键完成整个自动化任务。
这项标准的开放性也是一个重要信号。Anthropic计划在未来开源MHS，并已吸引了多家重量级合作伙伴。生命科学仪器领域的Tecan、QIAGEN，云服务巨头AWS，以及硬件社区中极具影响力的Hugging Face和Raspberry Pi，都宣布将在各自的产品线中支持这一标准。这意味着，从昂贵的专业实验室设备到亲民的开发板，AI控制硬件的门槛正在被全面拉低。
Anthropic的这一步棋，让那些在“物理AI”领域奋战的竞争者感受到了压力。当连接前沿模型与实体机器的成本变得如此低廉，AI从数字世界走向物理世界的步伐或许将大大加快。想象一下，未来一个科研人员只需对AI说“帮我测定这批样本的吸光度”，AI便能自行找到设备、学会操作、完成实验并记录数据。这不仅仅是效率的提升，更是人机协作方式的根本性转变。当机器开始主动理解并驾驭物理世界的工具，人类得以从繁琐的操作中解放出来，专注于更具创造力的思考。这场变革的涟漪，才刚刚开始扩散。
大语言模型的预训练，长期以来几乎就是“烧钱”的代名词。过去的经验让人望而却步：想要训练一个3B规模的模型，动辄需要上百万美元。比如，训练Llama-3.2-3B的成本超过150万美元，即便是开源社区引以为傲的SmolLM3-3B，也需要超过70万美元。这堵高墙把大部分学术机构和独立开发者挡在了门外。
但一项新的工作试图把这堵墙凿开一道口子。研究团队发布了一套完整的开源预训练配方，并以此训练了Puro-2B系列模型。他们用消费级的RTX 5090显卡，以FP8低精度方式，从头训练了高达1.4万亿个token。这是一个什么概念？整个系列里性能最好的那个模型，训练成本竟然不到6900美元——和前面那些百万、七十万的数字比起来，简直像是另一个世界的价格。
更令人惊讶的是，这个“廉价”模型并没有做得很差。在团队的评测协议下，它的表现已经接近Qwen2.5-1.5B。也就是说，用不到七千美元的算力，就可以追赶一个在社区里广受好评的1.5B模型。这背后靠的可不是单一技巧，而是一套组合拳：精心选择的硬件、低精度训练方案、hyperball优化、课程式模型平均，以及一套讲究的数据配方。
这项研究还给出了两个更有意思的副产品。第一个是一条“Puro成本缩放定律”——它把训练花费与模型平均表现联系起来，拟合结果显示，大约只需要4400美元，就足以达到Qwen2-1.5B的水平。如果这个定律在更大规模上成立，那么预训练“富者愈富”的格局可能要被重新审视。
第二个副产品是一项端到端的案例研究：团队利用完整的预训练流程，仔细考察了数据课程如何影响后续微调任务的表现。这种研究在过去很难做，因为很多开源项目只开放权重，不开放完整的训练管线。而这项工作把数据、代码、模型权重全部以Apache 2.0协议开源，意味着任何人都能复现、验证，甚至在此基础上继续探索。
一个更开放的预训练时代，也许比我们想象的更近。当成本不再是横亘在知识与探索之间的天堑，真正值得思考的问题就变成了：我们该如何更聪明地使用这些来之不易的算力，而不是仅仅追求更大。
在人工智能的探索中，让智能体从自身经验中学习并不断进化，一直是研究者追求的目标。然而，一个关键问题长期存在：智能体在优化过程中获得的宝贵洞察，往往散落在历史记录里，难以被系统性地复用。就像一位从不写笔记的工匠，每次都要重新摸索技艺。
现在，一项名为WikiSkill的研究带来了新的思路。这个框架巧妙地将智能体的运行经验、累积知识和可执行技能三者分离，并让它们形成一个持续进化的循环。核心创新在于引入了一个持久化的知识库——“wiki”，它像一个不断增厚的笔记本，持续将每次执行的经验固化下来，供后续的技能更新参考。这不再是简单的“从经验中学习”，而是“从不断积累的知识中进化”。
实验结果令人振奋。在多个基准测试和不同模型上的表现显示，WikiSkill不仅稳定优于最先进的技能进化方法，而且在大多数模型与基准的组合中，都超越了没有技能增强的基线模型。研究还揭示了一些耐人寻味的规律：技能进化与模型规模之间似乎存在互补关系——更大的模型通常从进化技能中获益更多，但有趣的是，较小的模型一旦配备了进化技能，甚至可以超越那些明显更大但缺乏技能的模型。更令人惊讶的是，这些进化出的技能展现出强大的跨模型迁移能力，不仅能在不同模型之间转移，甚至由其他模型进化的技能，效果可能比模型自己进化出的技能还要好。
通过消融实验，研究者确认了持续知识积累的关键作用：如果没有wiki这个“笔记本”，技能进化的效果会大打折扣。这项研究的意义在于，它系统地证明了将智能体的经验进行有组织的积累和提炼，对于开发可复用、可迁移的技能至关重要。这或许意味着，未来智能体的成长之道，不在于每次都从头开始，而在于懂得如何站在自己过往知识的肩膀上，不断向上攀登。
一只多指机械手能否像人手一样灵活？在机器人研究领域，这个问题的答案长期被一个残酷的瓶颈卡住——数据。大规模预训练让机器人策略微调变得越来越高效，但这份红利几乎被结构简单的平行夹爪垄断。真正灵巧的多指机械手，因为真实遥操作成本高昂、难以规模化，始终处于数据贫瘠的状态。至于人类手部视频，虽数量庞大，却因为"跨本体"问题，需要经过有损的姿态估计与重定向才能使用，效果大打折扣。
为了打破这个僵局，研究者提出了一套名为SPD的预训练框架。它的独特之处在于：所有训练数据完全来自仿真环境，无需真实机器人参与。操作员戴上VR头显，走进虚拟世界，用双手直接操纵虚拟物体。这样既采集到了与真实本体完全匹配的轨迹，
设想一台家务机器人已经学会了整理书架，现在你教它把同一本书放进收纳箱。它很快学会了新指令，但当你再次让它整理书架时，它却一脸茫然——它忘了旧技能。这种“灾难性遗忘”是机器人走向真实世界的一道坎。常见的解决办法是把过去学过的数据存进一个“重放缓冲区”，时不时拿出来温习。但科学家发现，并不是所有旧经验都同等重要。真正起关键作用的，是一小撮被称为“Memory Anchors”（记忆锚点）的数据。
这些锚点藏在哪里？它们出现在新旧任务特征高度重叠的区域——比如同一个物体，旧任务要求“推”，新任务却要求“拉”。此时机器人的内部表征发生冲突，旧知识与新知识在此“短路”。在冲突区域重放旧数据，反而能有效阻止新知识“粗暴覆盖”旧知识。
为了验证锚点的作用，研究团队在著名的LIBERO机器人操作基准套件上做了对比实验。结果令人震惊：仅仅在采样前剔除10%的记忆锚点，灾难性遗忘程度就飙升了4.5倍以上。反过来，如果在重放缓冲区中刻意加入更多记忆锚点，高冲突任务中的遗忘率能降低63%。更难得的是，在真实机器人上，靠着这种思路，机器人成功连续学会了两组任务序列，而没有被遗忘问题绊住。
这个发现挑战了“重放数据随便抽”的传统做法，提醒我们：学习的质量，往往取决于那些看似微小却关键的“锚”点。也许对机器人如此，对人类亦然——真正让我们不忘旧的，不是复习一切，而是守住那些与旧记忆产生纠缠的时刻。
想象一下这样的场景：一个机器人正在执行精细的操作任务，它的“大脑”——一个庞大的视觉-语言-动作模型——需要时间来规划下一步动作。在这段推理延迟期间，机器人要么停滞不前，要么动作变得生硬而突兀。这正是当前机器人强化学习研究面临的一大困境。
长期以来，强化学习被视为让通用机器人策略在部署中持续改进的有效途径。然而，现代通用策略模型（如VLA，即视觉-语言-动作模型）的庞大体量，却为强化学习的有效应用设置了根本性障碍。它们的严重推理延迟会导致机器人动作停顿或抖动，这不仅影响操作流畅度，更可能改变环境动态的感知——当延迟未被正确考量时，强化学习所依赖的马尔可夫假设就会被打破，导致标准的强化学习算法完全失效。
为了解决这一难题，研究者提出了ARLI框架——一个具有延迟感知能力的异步强化学习框架。这一名字本身就揭示了它的核心思路：通过异步推理策略，将动作生成与执行交错进行，从而巧妙地隐藏延迟。但仅仅做到异步还不够，ARLI还通过两个关键贡献来最大化推理窗口内的反应性：一是状态增强机制，通过纳入已执行的动作来恢复近似马尔可夫结构；二是引入推理中期的观测信息，让策略能够对环境的实时变化做出更及时的响应。
研究团队在仿真环境和真实世界的操作任务中对该框架进行了系统评估。结果令人振奋：在推理延迟存在的条件下，标准强化学习已经彻底失灵，而ARLI却能实现有效的微调优化，甚至在理想的零延迟设置中也能达到甚至超越标准强化学习的水平。
这项研究的价值不仅在于提出了一个可行的技术方案，更在于它重新审视了“智能体-环境交互”的基本假设。当机器人的“思考速度”跟不上环境的节奏时，我们需要的不是等它想清楚，而是让它学会与延迟共处。ARLI告诉我们，真正的智能不在于无所不能的即时反应，而在于即便存在认知延迟，依然能够稳健地学习和改进。这或许也是智能系统发展的一个永恒命题：如何在自身的局限中，找到与这个世界和谐共舞的方式。
想象一下，一台机器人正在执行精细的抓取任务，它的每一个动作都依赖于视觉、语言和动作模型的协同推理。这类被称为视觉-语言-动作（VLA）的模型，正逐步成为机器人操作领域的热门方案，然而真正的现实部署却卡在了两道难关上：推理延迟太高，异步执行又不够稳定。尤其是基于流匹配的VLA模型，每生成一个动作都需要在视觉语言模型的指导下进行多步迭代解码，计算负担格外沉重。
现有的提速手段要么只专注于提升控制频率，要么只试图减少异步执行中的空闲等待，却很难同时做到“又快又准”——既保持低延迟推理，又保证动作在时间上连贯一致。面对这一矛盾，研究者提出了一个名为FlashVLA的统一解决方案，它本质上是种流式动作解码框架。
FlashVLA的巧妙之处在于，它不再按部就班地等待完整动作序列生成完毕，而是维护一个流式动作缓冲区，里面存放着处于不同噪声级别的多个动作块。通过分块因果注意力机制，这些动作块被逐一解码，每个推理步骤都能直接产出一个可执行的动作块。这种设计让控制频率大幅提升，更关键的是，分块自回归的形式天然保留了动作之间的连续性，无需额外预测未来状态，就能实现平滑的异步执行。
研究团队在大量仿真和真实世界实验中验证了FlashVLA的表现。结果显示，它能够显著加快推理速度，同时维持强劲的任务完成度——在单个GPU上即可达到至少30Hz的控制频率，并在实际部署中保持异步推理的流畅性。这意味着，机器人不再像“卡顿的视频”一样一帧一帧地挪动，而是能以近乎实时的节奏响应环境变化。
FlashVLA的出现，为高动态机器人操作提供了一条兼顾速度与稳定性的路径。当动作解码不再是瓶颈，机器人离真正走进车间、厨房甚至我们的日常生活，或许又近了一步。技术的进步往往就藏在这些“流式”的细节里——让每一帧动作都恰到好处，让每一次响应都行云流水。
全球面临的粮食安全、灾害风险、疾病暴发等挑战，都离不开高保真的地理空间建模。然而，构建预测行星尺度的模型长期受困于数据生态的碎片化——研究人员需要手动抓取数据、整理多模态信息、反复挑选模型。如今，一个名为行星预测引擎（PPE）的自主AI系统打破了这一瓶颈。它只需接收自然语言查询，就能端到端地完成整个流程：实时整合来自Data Commons和Google Earth Engine等开放数据源及地球观测平台的多模态数据集，并与PDFM、AlphaEarth等地理空间基础模型的嵌入向量融合；同时，它还能自动搜索适配任务需求的模型架构，并内置过拟合防护机制。
在跨任务、跨地域、跨学科的多项测试中，PPE的表现持续超越现有最优方法或人工调参的专家基线。在美国空间回归任务中，PPE将21个CDC健康指标的平均R²从60.0%提升至76.8%，FEMA国家风险指数从60.0%提升至64.9%，社会脆弱性指数从58.6%提升至66.2%。在数据稀缺地区的空间降尺度任务中，PPE通过整合本地代理变量，使尼日利亚粮食安全指标的R²从31.5%翻倍至66.1%。面对2026年刚果（金）本迪布焦埃博拉疫情的流行病学临近预测，PPE的Recall@10达到83.3%，在五周预报中成功识别出18个新入侵卫生区中的15个，较公开最优模型的约73%提升了10.3个百分点。
这套系统之所以强大，在于它把自主的多模态行星数据发现与针对性的模型优化结合起来，极大降低了行星级数据分析的技术门槛。过去需要数月的数据工程与模型调优，如今只需一句自然语言指令。PPE所揭示的方向令人深思：当AI能自主驾驭海量地球数据并定制专属模型时，科学发现的速度将不再受限于人工操作，而专业知识的普惠化，或许才是应对全球性挑战的真正突破口。