EZ.AI Daily

当AI智能体开始以远超人类维护者审查速度的频率报告漏洞时，一个棘手的问题浮出水面：这些报告往往依赖特定应用的安全属性，处理起来需要大量人力。面对这一困境，研究者提出了一种全新的评估框架——用“探针”来验证漏洞报告。所谓探针，就是可执行的安全属性检查。当一个被报告的漏洞利用被重新在应用中执行时，探针会同步运行：一旦探针被触发，就说明漏洞利用成功，同时也精确指出了被违反的安全属性。由于探针编码的是安全属性而非某个已知漏洞，它甚至能发现探针编写时尚未被发现的漏洞。

基于这一框架，研究者构建了MobileCybench，一个专门评估AI智能体在13款Android应用中挖掘漏洞能力的基准测试，包含495个由作者编写并审核的探针。他们测试了5个编码智能体——OpenCode搭配GPT-5.5、GPT-5.6-Sol和GLM-5.2，以及Claude Code搭配Opus 4.8和Opus 5——在4种设定下的表现：智能体要么作为受害者设备上的恶意应用，要么作为拥有低权限账户的远程攻击者；每种身份下，又分别只获得混淆后的APK或可以访问应用源代码。

结果颇具启发性。在仅提供混淆APK的恶意应用设定中，表现最好的智能体OpenCode搭配GPT-5.6-Sol，在53.8%的应用中触发了探针；而在远程攻击者设定中，这一比例降至16.7%。当智能体获得源代码访问权限后，所有智能体在两种攻击设定下的综合触发率从28.8%提升至32.8%。更值得关注的是，在构建和运行这个基准测试的过程中，研究者发现了23个此前未被报告的漏洞，其中大多数已得到维护者的确认。

这项研究的意义不仅在于数字本身。它揭示了一个现实：AI智能体已经具备在真实应用中自主发现安全漏洞的能力，且源代码的获取会显著提升其表现。但同时也表明，远程攻击场景下的漏洞挖掘仍然困难，恶意应用场景才是当前AI更擅长的领域。当AI能够以探针为标尺，系统性地验证漏洞而非仅仅生成报告时，安全维护者或许终于能找到一条从海量报告中筛选真实威胁的路径。而23个被确认的新漏洞，只是这场变革的开始。

当机器人需要完成叠杯子、开门、整理桌面这类任务时，通常依赖两套系统协同工作：一套是高频输出动作的“执行脑”，另一套是负责高层规划的“思考脑”。但一个大胆的问题被提了出来——大语言模型能不能直接充当机器人的操控策略，而不需要针对具体任务做任何微调？研究者把这种设想称为“LLM即策略”，并在一个名为RoboDojo的测试平台上展开了验证。

他们选取了42项机器人操控任务，让三款大语言模型上场比拼，同时与40个公开策略的成绩进行对比。其中，Astra和GPT-5.5按照官方标准，每项任务执行50轮测试；DeepSeek-Flash则每项任务执行10轮。最终，GPT-6 Astra在总计2100次试验中，取得了22.48%的平均成功率和28.97的得分，排名超过了所有公开参赛方案。而同样经过后处理，GPT-5.5和DeepSeek-Flash的平均成功率分别只有0.88%和1.92%，差距相当悬殊。

进一步分析发现，Astra的能力呈现出鲜明的两极分化。它在需要语义理解的任务上表现良好，能够较好地泛化；但一旦任务涉及高精度控制、动态操作或复杂的双手协调，它的表现就明显吃力。换句话说，它能“看懂”该做什么，却未必能“做好”那些对手艺要求极高的动作。

研究还测试了上下文学习的效果。结果显示，单次演示并没有带来整体上的收益提升。不过，在一些交互记录中，研究者观察到了模型在单次任务过程中针对扰动做出的即时修正行为，说明它并非完全僵化地执行指令。

总体来看，不同大语言模型在机器人操控上的表现差异巨大。Astra的突出成绩为“通用操控模型”的潜力提供了初步证据，但精度与动态控制方面的短板依然存在，距离真正可靠的应用还有一段路要走。

机器人智能的边界，或许不在于它能否理解世界，而在于它能否在理解之后，稳稳地伸出手去。

在人工智能快速发展的今天，让AI像人一样操作电脑已成为热门研究方向。然而，如何准确评估这些“电脑使用代理”（Computer-Use Agents，简称CUAs）的能力，一直是困扰研究者的难题。传统评估方法只看最终结果——比如AI是否完成了任务，却无法告诉我们它在过程中哪里出了问题、为什么失败。这就像只看考试分数，却不分析错题原因，难以针对性提升。

为了解决这一痛点，研究团队推出了OSWorld-Pro，一套全新的评估体系。它包含超过300个任务和2800多个子目标，背后依托超过67000条人工标注数据。与以往只关注最终交付物的评估方式不同，OSWorld-Pro引入了“过程性评估”理念，通过稳健的、与人类判断对齐的LLM-Judges来逐一检验每个子目标的完成情况，从而清晰揭示模型在连续依赖的子任务中取得了哪些进展、又在何处卡壳。

研究结果令人警醒：即便是最先进的模型，在OSWorld-Pro上也面临巨大挑战。表现最好的Claude Opus 5仅达到75.7%的完成率，而它在传统OSWorld基准上的成绩是83.4%。这一差距说明，仅看最终结果会高估AI的实际操作能力。更重要的是，OSWorld-Pro揭示了多种过程性失败模式，例如执行与子目标无关的动作、基于点击的输入错误等。这些发现为改进CUAs的性能和效率提供了具体方向——比如，键盘输入出错的代理需要与点击不精准的代理采取不同的优化策略。

OSWorld-Pro的出现，标志着AI评估从“只看结果”迈向“洞察过程”的重要一步。它不仅让我们看清AI在电脑操作中的真实短板，也为未来研究指明了精准改进的路径。当我们不再满足于“是否完成”，而是追问“如何完成”时，AI才能真正学会像人一样灵活、可靠地使用电脑。

AI智能体正变得越来越强大，但它们的“记忆”却常常拖后腿。现有的智能体记忆系统大多依赖自回归大语言模型来控制记忆的组织、检索和使用，这意味着每一次记忆操作都要调用昂贵的生成过程，成为整个系统的效率瓶颈。来自研究团队的新工作Jev-Mem提出了一种全新的记忆架构，灵感来源于认知科学中的“系统一/系统二”理论——系统一负责快速、轻量的决策，系统二负责缓慢、深思熟虑的推理。Jev-Mem将这种分工引入智能体记忆，构建了三个核心层面：一个专用的系统一控制平面、一个结构化的多关系记忆平面，以及一个系统二推理平面。在记忆构建阶段，系统一控制器负责管理记忆的类型划分和关系组织；在检索阶段，它动态执行查询路由、检索预算分配、图遍历、候选评分和自适应停止。只有当遇到复杂推理和答案合成任务时，系统二才会被调用。这种设计同时提升了记忆效果和系统效率。在LoCoMo基准测试中，Jev-Mem取得了0.777的LLM-as-a-Judge综合评分，相比最强基线提升了11.0%；记忆构建时间仅需158秒，比最快的竞争系统快了6.6倍；平均查询延迟降至0.93秒，减少了36.7%。当AI智能体需要记住更多、更久的信息时，如何让记忆既聪明又轻快，Jev-Mem给出了一种值得关注的答案。

视频生成模型近年来进步飞快，能生成高保真、时序连贯的视频，但遇到需要专业知识、特定身份、物理一致性或有序事件的提示词时，往往力不从心。比如你让它生成“一个特定人物完成一套复杂的实验操作”，模型很可能在身份保持或步骤顺序上出错。为了解决这个问题，研究者提出了VideoGen-Agent——一个通过多任务智能体强化学习训练的多模态智能体，它不直接生成视频，而是学会调用外部工具来完成视频生成。

这个智能体的工作方式很像一个导演：它通过多轮交互，协调增强、生成和验证三类工具，根据提示词和中间观察结果来决定下一步调用哪个工具。研究团队在一个覆盖六类任务的类别均衡数据集上训练了一个共享策略。首先用教师模型生成的轨迹进行监督微调，让智能体学会基本的工具使用行为，然后再通过强化学习进一步优化。奖励函数是类别感知的混合奖励，从三个维度评估：工具调用是否有效、工具使用是否与任务匹配、生成的视频质量如何。

为了系统评估智能体的能力，研究团队还推出了VABench，这是一个包含600条提示词的留出基准，覆盖程序性知识、单实体和多实体身份保持、物理一致性、场景构图以及多镜头时序结构。在VABench上，VideoGen-Agent相比其基础文本到视频生成器提升了19.1分，从56.5分提高到75.6分。更令人惊喜的是，当升级生成工具后，无需对智能体进行额外训练，得分进一步攀升到86.1分。在人类评估中，84.3%的对比中人类评分者更偏好升级后的配置，而非最强的独立基线模型。

这些结果说明，让智能体学会跨视频生成任务使用工具是可行的，而且训练好的智能体能够从后续生成工具的进步中持续受益。换句话说，智能体不是一次训练就固定不变，它像一个懂得使用新设备的熟练工，工具越强，它发挥出的水平就越高。这项研究为视频生成开辟了一条新路径：与其让一个模型包揽所有事情，不如教会它如何聪明地借助外力。当工具生态不断进化，智能体的能力天花板也随之抬升，这或许比单纯追求更大的生成模型更值得期待。

信息如何在噪声中保持完整？这个看似简单的问题，却困扰了信息论领域十余年。想象一下，你有一个由-1和1组成的信号序列，每个信号都独立地通过一个会随机翻转的通道——这就是著名的二进制对称信道。现在，你想用一个布尔函数从这个嘈杂的输出中提取信息，最多能提取多少？Courtade和Kumar曾大胆猜测：在给定噪声水平下，任何布尔函数能提取的信息量都有一个上限，而这个上限恰好由最简单的“独裁函数”达到——也就是只看第一个坐标的那种函数。

这个猜想看似直观，却极难证明。如今，研究者借助计算机辅助，终于给出了完整证明。他们采用了一种源自网络信息论的“微分方程方法”，将熵的产生过程沿着布尔噪声半群进行分解，把复杂的熵增问题转化为对边成本的加权平均。核心估计归结为一个带两个均值约束和两个熵约束的无限制Bellman不等式，允许边变量任意耦合。整个证明从局部不等式出发，最终推导出与维度无关的熵产生上界。论文及其补充材料提供了全部证明细节和计算机验证记录，为了做到完全自洽，作者从第一性原理出发重新推导了所有引用的结果，因此篇幅较长。

这项工作的意义不仅在于解决了一个具体猜想，更在于它展示了计算机辅助证明在信息论中的强大潜力。当数学的直觉遇上机器的严谨，那些曾经遥不可及的不等式，或许正一步步变成坚实的定理。

现代电子游戏正在成为衡量AI模型能力的理想试验场。它不仅考验视觉理解，还涉及指令拆解、目标规划以及跨越多个时间尺度的精准操作。然而，现有数据集和评测基准要么覆盖游戏种类有限，要么缺少语言指令，要么依赖高方差的在线试玩，难以形成统一、可复现的评估标准。为应对这些挑战，研究者推出了GameHorizon——一套统一的数据与评测套件，旨在从不同时间跨度衡量多种模型家族的游戏能力。

GameHorizon套件由三部分构成。第一部分是GameHorizon-Annotator，一个可扩展的自动化标注流水线，专门为多时间跨度指令设计。第二部分是GameHorizon-Data，借助上述流水线构建而成，是首个大规模AAA游戏数据集，包含时间对齐的视频、玩家操作和多时间跨度指令。该数据集汇集了21款游戏、总计5000小时的录制内容，由100名人类专家玩家采集完成。第三部分是GameHorizon-Bench，提供可复现的离线测试和逐步在线测试。离线赛道使用数千道标准化问题，组织为三大主要任务及一系列诊断变体，确保评测可重复；在线赛道则检验离线得分是否真实反映实际游戏能力，并将失败定位到长时程游戏中的具体步骤。

基于这一套件，研究团队对47个模型进行了超过一百万次调用评测，揭示出任务难度的清晰层级以及模型能力之间的显著差异。这项工作为跨时间跨度和跨模型家族的游戏能力评估提供了标准化标尺，相关数据集、标注工具和基准将对外发布，以推动后续研究。

当游戏成为AI的考场，真正的挑战或许不在于谁能通关，而在于我们能否看清每一步失败发生在哪里。

当前视觉生成模型能产出以假乱真的画面，却常常无法维持一个连贯的三维场景——镜头一转，墙壁错位、物体变形。研究团队认为，这不只是建模能力的问题，更是“表示方式”的问题：生成模型习惯在以外观为中心的潜空间里演化画面，而感知模型则在语义丰富的空间中恢复几何结构，两者各说各话。

他们的思路不是把几何当作又一个输出分支硬加进去，而是直接改造生成所用的潜空间本身。具体做法是提出“几何原生自编码器”（GAE），把一个几何基础模型的特征重新参数化为紧凑的潜空间。这个潜空间可以被联合解码为外观、深度、相机参数和点图，等于让生成模型从一开始就“长在几何上”。

有了这样的潜空间，一个标准的条件流模型就能支撑多种生成任务，无需为几何一致性专门设计复杂结构。在控制变量、固定生成器和训练协议的对比实验中，仅把潜空间换成GAE，视觉质量和独立测量的3D一致性就同时提升：在RealEstate10K和DL3DV上，FVD分别下降12.7%和23.1%；在RealEstate10K上，相机轨迹误差直接减半。

这些结果指向一个清晰的结论：潜空间的设计才是几何一致生成的核心，而它也有潜力成为感知与生成之间共享的接口。当生成模型不再只关心“看起来像”，而是从表示层面就理解三维结构，AI生成的世界才真正开始拥有可以走进去的空间。

机器人做精细操作时，真正决定成败的往往不是“看到了什么”，而是“摸到了什么”。但长期以来，无论是视觉预测模型还是近年兴起的“世界-动作模型”，都主要依赖摄像头信息，对指尖与物体之间那些细微、快速变化的接触力几乎视而不见。问题在于，接触动力学恰恰是灵巧操作的核心——抓取是否稳固、滑动是否即将发生、力度是否需要调整，这些信息很难仅凭画面判断。

针对这一缺口，研究团队提出了DexTacWAM，一个把视觉与触觉联合起来的世界-动作模型。它的做法是：对每根指尖单独编码触觉信号，再通过一个兼顾手指身份与姿态的触觉压缩器把多指信息聚合起来，最后将触觉潜变量注入视频扩散世界模型，让模型在预测未来画面时，也同步预测接触状态如何演变。换句话说，触觉不再只是给动作“加个条件”，而是成为被预测的世界状态的一部分。

在22自由度双臂平台上，团队测试了六项接触密集的灵巧操作任务。DexTacWAM在每一项任务上都拿到最高分，平均得分70.6，而最强基线仅为38.0。消融实验进一步揭示了关键原因：在保留相同触觉特征和动作模块的前提下，一旦去掉触觉世界建模，四项任务的平均分从74.7骤降到26.6。这说明性能提升并非来自“多了一路触觉输入”，而是来自把接触演化纳入世界预测本身。

更值得关注的是它的数据与算力效率。团队冻结预训练视觉VAE，仅用四小时适配触觉编码器，就在每个任务约100条演示数据的条件下，把预训练视频模型扩展到触觉模态，且无需触觉中间训练，视觉预测质量与纯视觉版本相差不超过0.5 dB。触觉压缩器则保留了89.4%的融合前接触召回率，同时让训练提速2.26倍、推理提速1.29倍。

这些结果指向一个清晰的结论：预训练视频模型所携带的先验知识，可以被高效地迁移到分布式多指接触动力学上。当机器人开始“预测自己将摸到什么”，而不只是“看见什么”，灵巧操作的天花板或许才真正被打开。

当前的具身智能系统大多依赖预训练能力，部署之后便固定不变，无法从与物理世界的互动中继续学习。针对这一瓶颈，研究者提出了ME-Brain（MachEmbodied-Brain），一个围绕“行动执行—经验获取—经验进化—执行改进”闭环组织的自进化具身系统。

ME-Brain由三个核心模块构成。可进化记忆（Evolvable Memory）将多模态轨迹整合为分层、可复用的经验；认知核心（Cognitive Core）把物理经验转化为可迁移的技能；行动模型（Action Model）则结合事件驱动关键帧、EventCell局部世界预测和动作条件记忆调制，将计算聚焦于决策关键时刻、关键区域和关键历史证据。三者协同，使具身智能从“训练即冻结”转向“部署即进化”，且无需重新训练模型。

在性能表现上，认知核心在具身与智能体基准测试中分别超出最强对比模型8.2分和9.6分。行动模型在RoboMME上取得47.88%的平均成功率，比最强基线提升3.26个百分点；在RoboDojo上达到21.51的平均分和16.03%的成功率，分别超过π₀.₅达10.10分和9.12个百分点。在六任务ME-RealBench上，ME-Brain取得69.5的平均分和66.7%的成功率，分别领先DM0.5达12.8分和11.7个百分点。

这些数字背后，是一个值得关注的转向：机器人不再只是执行预设程序的工具，而是能够在真实互动中积累经验、提炼技能、持续进化的智能体。当记忆、认知与行动被编织进同一个闭环，具身智能的边界或许才刚刚开始被重新定义。

在人工智能领域，智能体框架（Agent Harness）是连接模型与外部环境的桥梁，能够显著提升智能体的任务表现。然而，这种提升始终受限于部署时所用的具体框架。不同领域、不同任务、不同模型往往需要不同的最优框架，这就让通用智能体陷入两难：要么接受一个次优的共享框架，要么在日益庞杂的专用框架集合中疲于切换。

为了解决这一困境，研究者提出了“智能体框架蒸馏”这一新思路：将针对特定领域或任务优化过的框架作为训练时的指导，把该框架所诱导出的行为迁移到模型权重中，使得这些增益在部署时仅使用单一固定框架的情况下依然得以保留。但挑战在于，优化框架与目标框架在动作空间和可用信息上存在差异，前者的指导无法直接作为后者的监督信号。

为此，研究团队提出了Harness-Zero方法，通过“智能体即框架”的方式实现框架蒸馏。具体来说，在优化框架的引导下，一个“框架智能体”会在目标框架的动作空间中对学生的回答进行执行前的修正，从而将框架指导转化为训练示范。在这些轨迹上进行微调后，模型便内化了框架所诱导的行为，部署时即可移除专用框架。

实验覆盖了知识工作、工具使用和科学三个领域，结果令人瞩目。第一，对于使用同一进化框架的前沿大语言模型，智能体即框架的方法优于代码即框架。第二，在部署时移除专用框架的情况下，Harness-Zero将基础模型的宏平均任务成功率从23.3%提升至44.3%，甚至超过了保留该框架时41.7%的成功率。第三，Harness-Zero成功恢复了基础模型中缺失的框架诱导行为，在三个领域的28种行为模式中平均恢复率达到82.3%。

这项研究揭示了一个重要方向：智能体的能力不必永远依附于外部框架，通过蒸馏，模型可以将框架的智慧内化为自身的一部分。当模型学会了自己“携带”框架，部署的灵活性与性能的边界便被同时拓宽。

大语言模型本身是“冻结”的，但它的能力很大程度上取决于外围的“马具”——也就是提示词、控制流程、工具调用、记忆和上下文管理。近年来，研究者开始让AI自动迭代修改这套马具，逐步实现智能体系统层面的递归自我改进。然而问题随之而来：这种递归进化容易“死记硬背”训练任务，在训练分布内表现亮眼，一旦换到新任务上，优势就大幅缩水甚至消失。

针对这一困境，研究者提出了“正则化递归自我改进”（RRSI），把正则化思想引入马具的自我进化过程，从候选方案的提出和筛选两端同时施加约束。在提出端，系统采用随时间退火的预算机制，限制单个候选方案能捆绑多少项修改，同时根据进化历史鼓励探索未走过的路径。在筛选端，则配备了一个“评论家”和一个“修剪器”：评论家负责甄别那些只针对特定基准测试的提案，修剪器则剔除改动太小、代价太高或已不再有用的变更。这些约束共同引导系统偏向可复用的智能体机制，而非只对某个基准有效的方案甚至噪声。

在涵盖编程、智能体工作空间和工程设计任务的八个基准测试中，RRSI在其进化的数据划分上最高提升14.1分，在五个分布外基准上最高提升4.7分，同时生成的马具比未正则化的进化方案少用30%的策略token。这意味着它不仅更聪明，还更省资源。

当AI开始学会“自我进化”，真正的挑战或许不是让它变强，而是让它强得均衡、强得可持续。RRSI给出的答案是：给进化加上约束，反而能走得更远。

在AI视频生成领域，一个长期困扰研究者的难题是：如何让模型在长时间、多视角的探索中，始终“记住”之前看到过的场景？当我们用AI生成一段可交互的动态视频世界时，镜头一旦转开再转回来，画面往往已经面目全非。针对这一问题，研究者提出了WorldCrafter——一种具备隐式三维感知记忆的视频世界模型。

WorldCrafter的核心思路颇具巧思：让用户请求的视角来决定如何将多视角的历史信息压缩进视频生成器有限的token预算中。换句话说，模型不是死板地存储所有历史画面，而是根据当前需要呈现的视角，动态地从记忆中提取最相关的信息。为此，研究团队设计了一个记忆编码器和一个姿态条件读取模块，它们与视频生成器联合训练，在去噪之前将历史观测整合为一组固定的、与目标视角相关的token，整个过程无需显式的基于深度的对应关系。

这一设计带来了几个关键优势。首先，WorldCrafter能够从单张输入图像或一段文本提示出发，实现流式的场景探索，用户可以像在3D世界中漫游一样与生成视频互动。其次，通过将这种隐式3D感知记忆与近期时间上下文以及少步蒸馏技术相结合，模型在保持视觉质量的同时，显著提升了长时间跨度下的一致性。实验表明，无论是在静态场景还是动态场景中，WorldCrafter在长时一致性和相机控制精度方面都取得了大幅提升，即便进行分钟级别的探索，画面质量依然稳定。

从技术路线来看，WorldCrafter的独特之处在于它放弃了传统方法中对显式深度估计和三维重建的依赖，转而让视角本身来引导记忆的读取与压缩。这种“按需取用”的策略，既节省了计算资源，又让模型在面对复杂多变的视角时更加灵活。

当AI开始真正“记住”它所创造的世界，视频生成便不再只是逐帧的幻觉，而是一场有迹可循的探索之旅。WorldCrafter让我们看到，让机器拥有空间记忆并非遥不可及——或许在不远的将来，每个人都能用一句话或一张图，打开一扇通往无限虚拟世界的大门，而那个世界，会记得你曾经来过。

在软件工程领域，仓库级别的任务并非铁板一块，而是由多种异质类别交织而成。当研究者尝试用统一的强化学习方法来训练智能体时，一个令人头疼的现象出现了：某些类别的任务表现提升，另一些类别却悄然退步，而总体解决率的平均值掩盖了这种此消彼长的“跷跷板效应”。正是这一发现，催生了一套全新的分类感知专家训练与策略整合框架。

研究团队首先搭建了可执行任务构建流程和名为SWE Labeler的多轴标注系统，后者基于证据对任务进行精细化分类，为后续训练提供了组织有序的数据池。初步的分类强化学习虽然提升了平均训练成功率，但实例层面的进展依然参差不齐。这促使研究者转向更明确的策略：巩固成功行为，并让任务选择随策略自适应调整。

具体而言，同一来源的类别专家交替进行长周期Agentic-miniRL与“刷新-修复-扩展”循环。每次策略更新后，系统会刷新实例掌握情况，复用自身已验证的成功轨迹进行修复式微调，并重新筛选任务投入下一轮强化学习。这一过程完全不需要外部模型提供解题轨迹或动作目标。

随后，标签路由的多教师在线策略蒸馏技术将多个专家整合为一个可部署的学生模型。其核心是ReLU门控奖励外推机制，只保留每位教师相对于参考模型的改进方向。研究团队通过聚合与分类解决率、相对联合强化学习基线的最小类别提升、以及专家增益恢复等指标，对池化RL、平衡RL、专家开发和单模型整合进行了系统评估。

最终，经过多教师蒸馏的策略在Pro-618上达到58.04%的平均解决率，在SWE-bench Multilingual上达到59.00%，分别比基础模型提升了5.39和2.78个百分点。这意味着，与其追求一个笼统的“全能选手”，不如先培养各有所长的分类专家，再将其智慧融于一炉——这条路径或许比想象中更接近软件工程智能体的未来。

世界动作模型（WAMs）正成为通用机器人控制领域一颗冉冉升起的新星。然而，当越来越多的WAM系统涌现时，一个棘手的问题也随之浮现：这些系统往往将架构、训练策略等多种设计选择捆绑在一起，像是一个密不透风的黑箱，让研究者难以分辨究竟是哪一项设计在真正发挥作用，更无法系统地比较不同方案的优劣。

为了拨开这层迷雾，一项名为“What Matters in Designing World Action Models”的研究展开了迄今为止最为系统的受控实验。研究团队没有急于提出又一个“全能型”新系统，而是选择了一条更艰难但更有价值的道路——拆解。他们将WAM设计中的关键选择逐一分离，不仅观察它们的实证效果，更深入追问：这些设计为何有效？它们如何塑造模型的行为？

研究聚焦于构建WAMs时三个根本性问题。第一，世界建模与动作生成之间应该遵循怎样的因果结构？这好比在问：机器人是应该先理解世界再行动，还是边行动边理解，抑或两者以更复杂的方式交织？第二，世界建模应该在哪个潜在空间中进行？是在像素层面、特征层面，还是某种更抽象的表示空间？第三，不同的世界-动作建模目标如何影响模型的行为与性能？是预测未来帧、重建观测，还是学习动作条件化的动态？

为了回答这些问题，研究团队在三个具有代表性的基准上展开了结构严密的受控实验：RoboCasa-GR1、LIBERO和LIBERO-Plus。他们系统性地比较了六种因果结构、八种潜在表示和四种训练目标，几乎覆盖了现有WAM系统中所有流行的设计选择。更值得一提的是，他们还在DROID数据集的真实机器人数据上验证了关键发现，确保结论不仅适用于仿真环境，也能经受现实世界的考验。

这项研究的意义不在于提出某个刷新纪录的新模型，而在于为整个领域提供了一张“设计地图”。它告诉后来者：哪些选择至关重要，哪些可能被高估，哪些组合能产生协同效应。当WAMs从实验室走向真实应用时，这种系统性的理解将成为构建更可靠、更高效机器人控制系统的基石。

在追求通用机器人控制的征途上，或许真正的突破不在于堆叠更多模块，而在于理解每一个设计选择背后的逻辑。

在药物研发领域，一个长期困扰科学家的问题是：许多小分子药物在治疗疾病的同时，会与体内的非目标蛋白发生“意外结合”，从而引发副作用。然而，现有的基于结构的分子设计方法，大多致力于从零开始生成选择性化合物，而非改善那些已被充分表征的现有药物的选择性。针对这一空白，研究团队提出了一项名为SpecOpt的全新分子设计任务——特异性优化。其核心目标是：对现有化合物进行受约束的结构修饰，在保持其结构特征和类药性质的前提下，增强它对目标蛋白的结合偏好，同时降低与已知脱靶蛋白的结合。

为了让这项任务能够被系统评估，研究团队从ChEMBL数据库中构建了一个基准数据集，数据来源于化合物-靶标相互作用信息。他们通过 curated 的药物机制注释来确定每个化合物的预期靶标，并通过实测活性数据来识别脱靶蛋白。在此基础上，团队开发了一个智能体框架：该框架将每个化合物分别与它的预期靶标和脱靶蛋白进行分子对接，然后通过一种“残基感知”的原子-蛋白接触分析来比较对接结果，最后将这些差异化的相互作用信息提供给一个大型语言模型，由后者提出有针对性的结构修改建议。候选分子只有在同时满足分子相似性、ADMET性质以及靶标-脱靶对接选择性标准时，才会被保留。

在915个化合物上的测试结果显示，该智能体为84.8%的化合物改善了靶标-脱靶结合差距，将平均结合差距从-0.72 kcal/mol提升至+0.47 kcal/mol，同时与起始化合物的平均Tanimoto相似度保持在0.72。消融实验进一步揭示，残基特异性的接触信息是关键的优化信号：当把残基身份替换为二元的接触指示符后，全部29个消融化合物上的改进效果完全消失。这些结果确立了SpecOpt作为一个独特分子设计问题的地位，并证明残基感知的差异化相互作用是提升现有化合物特异性的有效信号。

从“从零开始”到“锦上添花”，这项研究为药物优化开辟了一条新路径。当AI学会读懂分子间那些微妙的“接触语言”，老药新用的可能性或许远比我们想象的更加广阔。

在科学逆问题的求解中，生成式模型正扮演着越来越重要的角色。然而，现有的评估方式大多只关注一个方法能否给出一个看似合理的重建结果，这对于本身就不适定的逆问题来说远远不够——当观测数据稀疏或含噪时，可能存在多个解都与观测一致，仅凭单点估计无法判断方法是否真正学到了完整的解分布。

针对这一缺口，研究者提出了PosteriorBench，一个专门评估生成式逆求解器分布精度的基准。它覆盖四类基于物理的逆问题：达西流反演、泊松源恢复、碳捕集与封存，以及光传输材料推断。对每个任务，研究团队利用拒绝采样和马尔可夫链蒙特卡洛等高成本但成熟的方法，构建了高保真度的参考后验分布，从而可以直接检验求解器是否恢复了完整的解集，而不仅仅是找到了单个最优样本。

在评估指标上，PosteriorBench设计了一套五维后验评估体系：后验均值误差、后验标准差误差、最大均值差异、切片Wasserstein距离，以及径向平均功率谱误差。这些指标分别从点估计精度、边缘不确定性、分布对齐程度和全局频率保真度等角度进行衡量。基准测试涵盖了稀疏感知、低分辨率观测、非线性前向模型、不同噪声水平以及多峰先验等多种设定，并提供了统一的分布匹配与不确定性量化流程。

实验结果显示，当前各类求解器在分布匹配上普遍存在明显差距。与此同时，神经算子展现出更强的分辨率鲁棒性，而引导权重和生成噪声则被证明是校准后验方差的关键因素。

这项工作的意义在于，它把评估的焦点从“能否给出一个像样的答案”推进到了“能否还原答案的全貌”。当逆问题的解本身就不唯一时，真正可靠的方法不仅要找到解，更要理解解的不确定性从何而来、又该如何被准确刻画。

随着Legacy Survey of Space and Time（LSST）的启动，强引力透镜科学迎来了新时代，预计可探测到的强透镜数量将激增至十万量级。然而，数量激增的同时也带来了新的挑战：根据当前强透镜分类器的性能，约十万个可探测的强透镜可能伴随着数量相当甚至更多的假阳性（非透镜）样本。如何在样本不纯的情况下依然准确推断宇宙学参数，成为亟待解决的问题。

在这项研究中，科研人员利用神经网络，基于逼真的LSST模拟透镜系统，评估了透镜参数的测量精度。结果显示，爱因斯坦半径的平均测量精度可达3.7%，且校准后的不确定度能够准确反映相应的测量误差。这意味着，即便面对海量数据，神经网络方法依然能够提供可靠的参数估计。

为应对样本污染问题，研究团队提出了一种名为“COSMIC-BEAMS”的形式化方法，旨在从包含假阳性的强透镜样本中推断宇宙学参数。作为概念验证，他们使用模拟的LSST测光透镜系统——即未经光谱确认的样本——对爱因斯坦半径进行测量，发现在wCDM宇宙学模型下，宇宙学参数Ω_m、Ω_Λ和w的测量精度分别可达0.1、0.03和0.15。更令人振奋的是，即使强透镜样本中假阳性比例高达50%，该方法依然能够给出无偏的宇宙学参数推断。此外，研究表明，十万个测光强透镜样本所提供的w精度，相当于2500至3500个光谱确认系统的效果。

这一成果不仅展示了神经网络在强透镜参数测量中的潜力，也为未来LSST时代大规模、不纯样本的宇宙学分析提供了可行路径。当数据洪流裹挟着噪声与杂质涌来，如何从中提炼出宇宙的真相，或许正是下一代天文学面临的核心命题。

建筑工地上，钢筋插入是最重复、最费力的工作之一，而1.4毫米的间隙让这个任务充满接触挑战。更麻烦的是，零件存在两级变化：每个结构件有标称设计，每批生产又有制造公差，这意味着真实数据必须随设计和批次不断重新采集。面对这一困境，研究团队提出了RebarSim——一个完全在仿真中训练的视觉sim-to-real系统。他们先让一个拥有特权状态信息的“教师”策略在程序化生成的大量钢筋几何形状上通过强化学习训练，再将其蒸馏成一个多视角“学生”策略，后者直接接收原始RGB图像和本体感知信号，并在广泛的域随机化条件下输出动作。这个学生策略实现了零样本迁移到真实世界：在真实机器人测试中，成功将来自真实工厂生产批次的钢筋插入到位，成功率达91.3%。这一结果背后有两个关键发现：几何多样性和预训练都带来了显著收益。在多种标称设计上训练，而非仅针对单一设计，能提升教师和学生策略在未见设计上的零样本成功率，而且学生策略在单一设计专家自己的设计上也表现更优。预训练后的学生策略适应新设计时，所需蒸馏样本比从零训练少4到6倍。视觉sim-to-real迁移则高度依赖外观随机化和DAgger混合策略：去掉任何一个，成功率都会急剧下降。视频、代码和任务资产均已公开。

从仿真到现实，从多样几何到零样本迁移，这项研究不仅让钢筋插入自动化成为可能，更揭示了一条通用路径：多样性训练与预训练的结合，能让机器人以更少的数据适应新任务。当建筑工地上最繁重的劳动被机器人以91.3%的成功率接管，我们或许正站在一个转折点上——不是机器取代人，而是机器终于学会了在混乱的真实世界中，像人一样灵活地应对变化。

科学进步从来不是孤立发生的，而是通过协作实现的。然而，现有的人工智能体系统几乎无法捕捉这种协作的精髓。一个悬而未决的问题是：让AI智能体彼此通信，究竟能否提升表现？此前的研究结果喜忧参半。这项研究给出了一个明确的答案：在挑战性任务上，测试时通信可以大幅超越独立并行的尝试——一个智能体的突破，能够推动整个团队向前。

研究团队首先在ARC-AGI-3基准上考察了多智能体测试时通信的扩展效应。这个基准要求解决全新的问题，没有预设的解题路径。实验中，智能体没有预先分配的角色，它们通过一个共享目录进行通信。结果令人瞩目：一个由k个通信智能体组成的团队，其成功率相当于4k个独立智能体。更关键的是，这种优势随着k的增大而持续扩大，暗示着收益会随规模复合增长。

这不仅仅是效率问题。有些任务，任何单个智能体都无法解决，但一个智能体团队却能可靠地完成。这意味着通信带来的不是简单的加速，而是能力上的质变。

这种增益能否迁移到研究型任务上？在算力充足的前提下，答案是肯定的。在polyomino packing任务中，通信智能体团队超越了best@k基线，并刷新了此前已知的最佳分数。在MNIST分类器压缩任务中，通信甚至超越了已知的人类最佳方案。一个由四个智能体组成的团队提交了一个1,957字节的分类器，测试准确率达到99.4%，比已知的人类最佳方案和最佳单智能体结果都要小。

但增益并非无条件。当算力有限，或者缺乏清晰的进展度量时，独立智能体反而可能优于通信智能体。然而，在算力充足且反馈明确的情况下，多智能体通信始终能带来更强的结果。

这项研究揭示了一个深刻的道理：智能的边界或许并不在于单个个体的能力上限，而在于个体之间能否有效地共享发现。当通信成为可能，团队所能触及的，是任何孤立的个体都无法到达的远方。

在人工智能的自我学习领域，一项新研究揭示了一个有趣的现象：当AI模型试图从“特权信息”中学习时，不仅会学到知识，还会不自觉地改变自己的“行为习惯”。这种改变有时会干扰它真正需要掌握的正确性信号。

研究团队聚焦于“在线自蒸馏”技术，这是一种让模型通过特权信息获得密集监督信号的方法。他们设计了两组对比实验：一组是“吸引式自蒸馏”，让模型向一个拥有正确答案的特权老师靠拢；另一组是“排斥式自蒸馏”，让模型远离一个拥有错误答案的特权老师。

结果发现，这两种方式都会引发强烈的行为偏移，而且方向截然相反。吸引式学习会让模型变得不爱探索，回答更短、更自信；而排斥式学习则会让回答变长，甚至意外触发模型内部隐藏的“思考模式”，最终导致训练不稳定。

基于这些观察，研究者提出了一种“对比式自蒸馏”方法：既向正确答案的老师靠近，又同时远离错误答案的老师。与以往将这种信号与GRPO目标结合的做法不同，他们单独隔离出自蒸馏目标，观察其独立行为。

令人惊喜的是，两个老师带来的行为偏移在很大程度上相互抵消了，留下了一个更直接反映“正确性”的token级信号。在非思考模型、仅指令模型以及已经具备思考能力的模型上，这种对比目标都提升了推理表现，同时保持了稳定的回答长度。

这项研究提醒我们，在训练AI时，不仅要关注它“学到了什么”，还要留意它“变成了什么样子”。有时候，让模型远离错误，和让它靠近正确同样重要——而两者的平衡，或许才是通往更可靠推理的关键。

当大语言模型智能体面对复杂任务时，一份好的“技能说明书”往往能决定成败。然而，目前主流的技能优化方法把技能写成一大段自然语言指令，既缺乏清晰的工作流程指引，又充斥着大量冗余信息，让模型难以执行；更棘手的是，无约束的自然语言技能搜索空间过于庞大，导致优化效率低下。

针对这两个痛点，研究者提出了一种全新的思路：把技能表示为图结构。在这个图里，每个节点代表一个执行步骤及其操作指南，有向边则编码步骤之间依赖上下文的跳转关系。相比松散的自然语言段落，图结构技能能提供清晰的工作流级指引，同时也让技能优化变得有章可循。

基于这一表示，研究团队进一步提出了GraphSkillEvo——一个基于种群的进化优化框架，专门为图结构技能设计了变异和交叉算子。它通过维护多个候选技能并组合其中的有效组件，实现了比纯LLM迭代自我精炼更广泛、更全面的结构化技能空间探索。

在五个智能体基准测试中，GraphSkillEvo全面超越了强基线方法SkillOpt：在GPT-5.4-nano上平均准确率提升4.01%，在GPT-5.4上提升1.76%。相关代码已开源。

从“写一段话”到“画一张图”，技能表示方式的转变看似微小，却可能撬动智能体能力进化的新杠杆。当结构本身成为优化的一部分，AI的自我提升或许才真正找到了可扩展的路径。

在机器人操作领域，一个令人头疼的现实是：尽管通用机器人策略取得了快速进展，但面对复杂的、长时程的任务时，它们依然表现得相当脆弱。这些任务往往由多个阶段组成，或者需要在同一个阶段反复尝试、深思熟虑后才能成功。问题出在哪里？传统的Q值函数虽然可以通过对候选动作排序或指导策略改进来提升表现，但它依赖稀疏的任务级奖励，这意味着极长的信用分配跨度、困难的贝尔曼备份以及广泛的数据覆盖要求，让学习变得异常艰难。

来自研究团队的新工作SeeQ提出了一条不同的路径。它的核心思路是：不再为整个任务学习Q值，而是为当前活跃的子任务学习Q值。这一转变看似简单，却大幅缩短了价值预测的时间跨度，使得时序差分（TD）目标能够有效运作。训练时，离线机器人数据中天然存在的子任务级标注提供了任务分解信息，让模型能够从广泛甚至次优的机器人数据集中学习。更巧妙的是，为了在测试时摆脱对人类标注或模块化子任务预测系统的依赖，SeeQ的Q函数架构被训练成先以自然语言自回归地预测当前活跃子任务，再估计其价值。

研究团队基于视觉-语言骨干网络实例化了SeeQ，在多样化的开源机器人操作数据上进行预训练，并在下游任务上微调。在两个双臂机器人平台上，针对四个真实世界操作任务，SeeQ价值函数显著提升了best-of-N策略引导的效果。

这项工作的启示在于：当机器人面对复杂任务时，与其让它一次性学会所有步骤，不如教会它识别“现在该做什么”，并评估“当前这一步做得好不好”。这种分而治之的思路，或许正是通用机器人走向真正实用化的关键一步。

机器人学习领域长期面临一个难题：不同形态的机器人之间难以复用操作经验，导致每换一种机器人就要重新采集大量任务数据。SkelWAM的出现，为这一困境提供了一条新路径。

研究团队提出了一种名为SkelWAM的骨架引导世界-动作模型，其核心思路是通过一个统一的显式几何表示，将感知与控制紧密耦合。具体而言，机械臂中心线几何、工具中心点（TCP）位姿以及平行夹爪指令共同构成了一个共享的25维状态空间。这一状态定义同时适用于标准的第三人称视角和腕部视角观测，也适用于未来的全身动作预测目标。

在训练方式上，SkelWAM采用预测性视觉监督，通过视频-动作混合的Transformer架构预测标准骨架动作片段，再由针对特定形态设计的约束解码器将其转化为关节控制或连续体机器人控制指令。这一方法的关键优势在于：不需要源机器人与目标机器人之间存在一对一的关节对应关系，也不需要目标任务的演示数据或策略更新。

为了验证方法的有效性，研究团队构建了LIBERO-Cross10基准，这是一个仅使用源域数据的跨形态迁移测试平台，涵盖10项任务和10种目标机器人形态，横跨4个形态学分组。在该基准上，仅用Franka机器人训练的策略在1000次测试中取得了43.3%的成功率，比表现最好的评估基线高出36.2个百分点。

更值得关注的是，团队还将JAKA mini2训练的策略部署到Feagine A03连续体机器人上，完成了三项桌面操作任务，展示了该方法在真实世界跨形态操作中的潜力。

从单源训练到多形态部署，从刚性机械臂到连续体机器人，SkelWAM试图回答的不仅是一个技术问题，更是一个关于机器人学习可扩展性的根本命题：当经验可以跨越形态边界自由流动时，机器人学习的规模效应或许才真正开始。

训练一个真正能写代码的AI智能体，强化学习是核心手段，但前提是得有大量带可靠验证器的任务。问题在于，这类任务从哪来？开源代码库本是天然的宝库，可现有方法大多依赖issue、commit等开发过程中的附属产物来提取任务，能挖出的任务类型因此受到很大限制。

一支研究团队提出了CodeMidas，思路很直接：把现有代码库里已经实现的功能，直接转化为可执行的强化学习环境，而唯一的任务特定输入就是源代码本身。换句话说，不需要issue，不需要commit记录，有代码就够了。

CodeMidas是一条智能体流水线，它在环境构建的每个环节都投入了智能体算力。首先，智能体去探索代码库中已实现的功能，提炼出行为规格说明；接着，基于原始代码的实际执行来构建测试；最后，通过执行检查和反复的解算推演，对候选任务进行验证和筛选。整个过程环环相扣，确保产出的任务既有据可依，又能被可靠验证。

最终得到的数据集规模可观：来自3185个开源代码库的5545个训练任务，覆盖23种编程语言和15个技术领域。用GRPO算法在这些任务上训练MiMo-V2.5模型后，五个不同方向的基准测试全部获得提升。具体来看，在issue修复类任务DeepSWE上提升了11.7%，在整程序构建类任务ProgramBench上提升了17%，在终端操作类任务Terminal-Bench v2.1上提升了8.5%。

消融实验进一步表明，高质量训练任务的数量越多，模型表现越好。而对训练轨迹的分析揭示了一个有趣的现象：经过强化学习训练的智能体，行为模式发生了积极变化，它会更主动地探索代码库，自我验证的方式也更加多样化。

这项工作传递出一个清晰的信号：源代码本身就可以作为构建强化学习环境的可扩展基础，而由此训练出的编码智能体，能够在多种软件任务上获得实实在在的提升。当代码不再只是被处理的对象，而成为智能体成长的土壤，软件工程与AI训练的边界正在被重新定义。

计算机使用代理（CUA）此前沿着两条独立路径发展：一条是图形界面交互，另一条是通过代码和命令行进行软件开发。然而，真实的数字工作场景要求两者交织进行，而非简单地端到端堆叠。为此，研究者提出了“混合CUA”的概念——代理需要自主判断何时探索界面、何时编写代码、何时运行并视觉验证自己的成果。

围绕这一目标，研究团队构建了RecreationWorld，一个以“复刻”为核心的五大平台框架。给定一个正在运行的参考应用，代理必须自行发现其行为并构建忠实实现，全程没有预设的工作流程。RecreationWorld覆盖Ubuntu、macOS、Windows、Android和Web五大平台，提供可复现的环境，并配备统一的测试工具，同时支持原生GUI控制和编码工具。运行中的参考应用充当隐藏行为测试的“预言机”，提供基于执行的奖励信号。

在训练数据方面，团队利用高质量开源应用大规模生成轨迹。在这些轨迹上训练的模型，在五个分布外编码与混合计算机使用基准上均有提升，并且更频繁地验证自己的渲染输出，这表明模型获得了超越“复刻”任务的迁移能力。

为进行留出评估，研究者推出了RecreationBench，包含跨领域、跨平台的250个多样化任务。基于参考的程序化断言和视觉断言覆盖了多种交互深度下的动作条件结果；每个断言在测试套件冻结用于自动评分之前，都经过了参考应用验证和人工审核。GPT-6 Astra以58.1%的总分领先，但仅在2.8%的任务上通过了全部程序化测试。代理在复现静态界面结构方面比复现交互和计算输出更为可靠，而生成的应用相比参考应用仍然更小、更单一化。研究团队已发布基准、环境和测试套件。

从图形交互到代码开发，从单一平台到五大系统，混合计算机使用代理正试图弥合数字工作中“看”与“做”之间的鸿沟。然而，当最领先的模型也仅在不到3%的任务上通过全部程序化测试时，我们或许需要重新思考：真正的数字工作能力，究竟离我们还有多远？

大规模视觉-语言-动作模型为机器人操作提供了强大的先验能力，但要让它们真正适应特定部署场景，仍然面临不小的挑战。传统的监督微调方法依赖任务演示数据，虽然能推动部署进程，却存在两个顽固的局限：静态数据无法充分覆盖分布外状态，而标准的模仿学习目标也无法区分哪些行为在推进任务、哪些数据价值有限。交互式后训练可以弥补这些不足，但通常需要在物理机器人上反复执行策略并依赖人工干预，成本高、门槛高。

为了解决这一矛盾，研究团队提出了HIL-UMI，一个策略引导的通用操作接口框架，用于无需机器人的、人在回路中的VLA后训练。在手持UMI演示过程中，HIL-UMI会在同一观测流上查询当前策略，但并不执行其预测动作。系统通过“能量分数”比较人类动作轨迹与策略推理结果，当两者差异表明处于分布外区域时，便触发数据采集。在另一个独立的反馈回路中，低在线优势预测会识别出关键片段，用于精炼基于进展的优势估计器。更新后的估计器再以基础演示和新策略数据的平衡混合，指导优势条件行为克隆。这一设计保留了人在回路学习的迭代性和策略感知特性，同时将数据采集与机器人部署解耦。

在四个真实世界任务上的实验涵盖了长时程和精细操作场景，结果显示HIL-UMI相比监督微调取得了持续改进，并同时受益于定向采集和优势精炼。此外，在“清理桌面”任务中，HIL-UMI以更低的每帧采集时间超越了HG-DAgger，展现出一种可跨操作者和地点扩展的VLA后训练路径。

当训练不再被机器人硬件绑住手脚，数据采集的边界便被重新定义。HIL-UMI所指向的，或许正是机器人学习从实验室走向真实世界的一条更轻、更快的通路。

科学发现的核心，在于识别现有知识的边界并勇敢踏入未知领域。如今，一个名为ScientistTwo的全自主多智能体框架正试图将这一过程交给AI独立完成。研究团队提出的终极愿景是“问题驱动的自主研究”：人类专家只需给出一个基础性挑战，AI便能自行在科学版图中导航，发现理论与实证瓶颈，并系统性地拓展知识前沿。

ScientistTwo的工作流程令人瞩目。它以一个问题为起点，首先建立当前最先进的基线，随后提出新颖假设，并协调多个专门化智能体，在无需人类干预的情况下完成端到端的发现循环。在实验环节，该框架使用多样化数据集和指标进行严格验证，通过自动化消融研究优化方法论，还借助一个闭环模拟同行评审反驳引擎来检验研究发现。

为了衡量ScientistTwo是否达到人类科学的最高标准，研究团队将其与ICLR、ICML、NeurIPS等顶级会议的录用论文进行了基准对比。结果令人震惊：ScientistTwo能够自主生成专家级、可发表的论文，以及经过完整验证的可执行代码库。它的解决方案持续超越人类最先进的模型，在自动化AI评审智能体下，其论文获得的平均评审评分也高于人类撰写的论文。

这些结果表明，ScientistTwo不仅仅是一个辅助工具，更是一个能够推动人类发现前沿的自主科学先驱。当AI开始独立提出假设、设计实验、撰写论文并接受评审，科学发现的范式或许正在悄然改变。人类与AI在知识边界上的角色分工，将成为一个值得持续关注的根本性问题。

视频扩散模型在去噪过程中需要反复处理长时空token序列，注意力机制因此成为最大的计算瓶颈。线性注意力虽然在大语言模型中被广泛采用，但直接搬到视频模型上，往往无法保留高质量生成所需的细粒度交互。

MiniMax的研究团队提出了Video DeltaNet（VDN），思路是把局部Softmax注意力与双向线性记忆结合起来，分别负责短距离和长距离的视频上下文。其中线性分支引入了一种叫Video Delta Attention（VDA）的机制，它的特别之处在于：每一帧只更新一次记忆，而且更新时会把该帧的空间token联合纳入计算，而不是逐个token处理。

两个分支各有独立的输出投影和可学习门控来校准配合，训练上则采用分阶段的教师对齐策略，把这条新路径逐步引入到预训练模型中，避免破坏原有能力。VDN被实例化在MiniMax H3上：视频到视频的交互走混合注意力，涉及文本或音频的交互仍保留Softmax注意力。

在八步蒸馏和优化的SGLang服务栈支持下，VDN-H3在八块NVIDIA B200 GPU上完成一段14.3秒、768p视频的DiT去噪只需6.70秒。作为对比，50步的稠密H3基线在相同GPU数量下需要更长时间，VDN-H3实现了14.5倍的加速。

速度与质量之间的取舍，一直是视频生成落地的核心难题。VDN给出的答案不是二选一，而是让不同的注意力机制各司其职——该精细的地方精细，该高效的地方高效。

在人工智能模型训练领域，一项关于“在线策略蒸馏”的研究揭示了一个有趣而关键的问题：学生模型的回答会变得异常冗长，甚至耗尽生成预算。研究团队发现，这一现象的根源之一在于学生模型与经过后训练的教师模型之间存在“终止令牌不匹配”。

研究覆盖了Qwen3、Llama和Gemma三个模型家族。令人意外的是，即便学生和教师模型声明的停止令牌集合完全相同，它们实际将停止概率放置的EOS令牌却可能不同。这种不匹配会抑制学生模型偏好的终止动作，同时又无法可靠地传递教师模型偏好的替代方案，导致学生模型“不知道该在哪里停下来”，从而不断生成内容。

研究进一步表明，仅仅对齐解码时的停止集合是不够的。真正有效的做法是将功能等价的EOS令牌视为一个共享的语义停止动作，这一策略在三个模型家族中都显著缓解了因不匹配引发的长度膨胀问题。

为了理解终止行为在训练过程中如何演变，研究者还考察了在线策略蒸馏在不同K2-Horizon训练阶段的表现。分阶段分析显示，终止偏好会在训练中发生显著变化，同时在蒸馏后期还出现了一种独特的长度膨胀现象，这种现象在终止对齐之后依然存在。

这些结果共同表明，终止令牌不匹配是导致在线策略蒸馏中长度动态变化的一个重要原因，但并非全部原因。研究团队已发布了包含所提出的终止处理修正方案的实现代码。

当模型连“在哪里停下”都无法达成一致，冗长便成了一种无声的抗议。对齐的深层挑战，或许不在于教会模型说什么，而在于教会它们何时不说。

在复杂的机器人操作任务中，机器人常常需要记住过去发生的事情和做过的动作。然而，如果让机器人参考全部历史信息来做决策，反而容易学到错误的关联，导致表现下降。为了解决这个问题，许多研究选择在每次决策时调用大型视觉语言模型（VLM）来筛选出当前任务真正需要的信息，但这种方式计算开销极大，难以在实际部署中高效运行。

这篇论文提出了一条不同的路径：把昂贵的VLM查询放在训练阶段完成，而不是部署阶段。研究团队设计了一种叫做“工作空间令牌”（workspace token）的轻量级潜在记忆表示。它的训练过程分两步：首先，用VLM识别出完成当前任务所必需的当前信息和历史信息；然后，通过一种集合重建解码器损失，将这些信息蒸馏进工作空间令牌中。换句话说，VLM在训练时充当“老师”，教会一个轻量级的记忆令牌如何捕捉关键信息，而在实际部署时，机器人只需要查询这个令牌即可，不再需要VLM参与推理。

研究团队在仿真环境和真实硬件上都进行了验证。结果显示，工作空间令牌可以在部署时直接替代原始观测信息，作为策略的输入，使机器人能够解决那些依赖记忆的任务，而无需在运行过程中调用VLM进行推理。更令人意外的是，工作空间令牌不仅计算上更轻量，还带来了更好的策略表现。这意味着，通过训练时蒸馏得到的紧凑记忆表示，不仅降低了部署成本，还提升了决策质量。

这项工作为机器人长期记忆问题提供了一种实用且高效的解决思路：将重计算留在训练阶段，让部署阶段轻装上阵。当机器人在复杂环境中需要“记住”什么、“忘记”什么时，或许并不需要每次都动用庞大的模型来思考，一个经过精心训练的小巧令牌，就能帮它做出更好的选择。

自动驾驶领域正面临一个关键转折点：单纯扩大预训练数据带来的收益正在递减，后训练阶段的重要性日益凸显。然而，端到端驾驶策略通常采用开环行为克隆方式在人类演示数据上预训练，一旦进入闭环部署，累积误差会将车辆推离训练数据分布，增加安全风险。传统的闭环后训练虽然能缓解这一问题，却需要昂贵的仿真环境，尤其对于基于传感器的策略而言。

为此，研究者提出了OPTED方法，其核心思路是将强化学习与端到端策略的后训练解耦。具体来说，先训练一个拥有特权信息的教师模型，该模型使用向量化输入（高清地图和边界框）进行强化学习。随后，这个教师模型在闭环后训练过程中为预训练的学生模型提供监督信号。

研究团队将OPTED应用于两个基于摄像头的模型——TransFuser和VaVAM，并在AlpaSim中利用真实驾驶日志的神经重建（3DGS）进行微调。结果令人振奋：两个模型的驾驶得分分别提升了1.6倍和9.5倍。在控制实验中，OPTED仅需约三个数量级的更少模拟器交互，就能达到与直接强化学习后训练相当的闭环性能，同时更贴近人类先验。

这项研究为自动驾驶的后训练提供了一条高效路径，既降低了对昂贵仿真的依赖，又提升了闭环部署的安全性。当数据规模不再是唯一答案，如何更聪明地训练，或许才是通往更安全自动驾驶的关键。

飞溅的液体只存在一瞬间：液膜撕裂成韧带和水滴，外观随视角变化且几乎没有纹理，几乎没有东西能持续足够长的时间被追踪。正因如此，以往的重建研究大多集中在烟雾、合成液体或缓慢变形的表面上。据作者所知，目前还不存在一个同步多视角的飞溅液体数据集。

为了填补这一空白，研究团队构建了一个基准数据集，包含20个真实场景，从连贯的水流到剧烈的飞溅，全部由七台同步校准的4K摄像机以60帧每秒的速度拍摄。每个视角的液体和容器掩码都经过人工精修，并设定了固定的评估划分。

在方法层面，作者提出了SplashSplat，其核心原则只有一条：只在观测能够约束的地方施加物理结构。具体来说，从掩码融合得到的逐帧液体SDF提供几何信息；相邻SDF之间的水平集传输产生粗略的速度场；沿该流场推进的拉格朗日载体在每次新观测到来时被校正，并在覆盖丢失处重新播种，最终解码为局部高斯用于可微分渲染。

实验表明，SplashSplat在真实拍摄和合成基准上都优于当前最先进的动态高斯泼溅方法，运动在物理上更加合理，训练成本也更低。同一套表示还支持时间插值和风格迁移，且无需重新优化。

飞溅的水花转瞬即逝，却承载着最复杂的物理运动。当重建技术终于追上这零点几秒的绚烂，我们或许离真正理解流体的语言又近了一步。

当自主编码智能体在软件工程任务中表现不佳时，问题究竟出在模型本身，还是包裹模型的“框架”？一项新研究给出了令人意外的答案：框架中的不同组件，作用远比我们想象的更微妙。

这项研究聚焦于“编码框架”——即自主编码智能体将模型能力转化为长周期软件工程表现的关键载体。以往的研究通常将框架视为一个整体来评估，导致各个组件的实际效果模糊不清。为了进行组件级别的比较，研究者构建了一个轻量级编码框架，固定其执行循环，仅变化三个组件：规划、动作空间和上下文管理。

研究团队在SWE-Bench Verified和Terminal-Bench 2.1两个基准上，对四个模型进行了评估，覆盖176种匹配设置，横跨五种上下文管理策略、四种上下文窗口预算，以及针对规划和动作空间的定向消融实验。

结果揭示了几个关键发现。第一，上下文管理在上下文窗口预算收紧时价值愈发凸显，其大部分收益来自防止上下文溢出导致的失败。第二，在基于规则的省略与基于大语言模型的摘要之间，先进行规则省略再摘要的策略整体效率最高；而让被省略内容可恢复的做法，虽然增加了机制复杂度，但模型很少使用，且没有带来准确率提升。第三，规划的作用随模型能力而变化：对较弱模型而言，规划是准确率的支撑；对较强模型而言，规划则更多是成本节省手段，准确率变化不大。第四，预定义工具对bash能力较弱的模型有提升作用，而bash能力强的模型仅用bash接口就能有效运作，且成本显著更低，在命令行中心任务上尤为明显。

轨迹层面的分析进一步解释了这些现象：上下文管理延长了执行轨迹，但没有实质性改变智能体行为；规划改变了轨迹停止的位置；动作空间则改变了代码编写的粒度。

这些发现为模型感知和预算感知的框架设计提供了依据，也为未来评估框架组件提供了一个模块化框架。框架不是铁板一块，每一个设计选择都在悄悄塑造智能体的行为边界。理解这些边界，或许比单纯追求更强的模型更能决定编码智能体在真实工程场景中的成败。

机器人要完成精细的接触式操作，最大的瓶颈之一就是触觉数据的稀缺。真实机器人上的触觉交互数据采集成本极高，而且不同机器人搭载的传感器各不相同，导致数据难以通用。面对这一难题，研究者提出了DexTouch-WM——一种以动作为条件的世界模型，它能够从可规模化的人类触觉数据中学习，同时预测未来的RGB视觉观测和双手触觉动态。

这项工作的核心洞察在于：当触觉观测和动作空间被“对齐”之后，人类和机器人在操作过程中共享着可迁移的接触动力学。换句话说，人手在抓取、按压、滑动时产生的触觉模式，与机器人手执行类似动作时的触觉模式之间存在共性，关键在于如何让两者的数据“说同一种语言”。

为了实现这一点，研究团队在人手和灵巧机器人手上部署了相同传感布局的柔性压阻式传感器阵列。这意味着人类佩戴的触觉手套和机器人指尖使用的传感器，在空间排布和信号格式上是一致的。同时，他们通过运动重定向技术将人类的手部动作映射到机器人的动作空间中。这样一来，人类操作时产生的触觉数据就可以直接用来监督同一个动力学模型，而这个模型最终会被用于真实机器人的预测。

在模型架构上，DexTouch-WM将预训练的视频专家模型与一个轻量级的触觉专家模型耦合起来，通过解剖学感知的触觉token和对齐后的动作条件化来实现联合预测。视频专家负责捕捉视觉层面的场景变化，触觉专家则专注于接触力的动态模式，两者协同工作，使模型能够同时输出未来的视觉画面和触觉信号。

最关键的实验设计是“人到机器人”的规模化验证。研究者将真实机器人上的监督数据固定为5小时，然后逐步将人类交互数据从0小时增加到100小时。尽管人类和机器人的任务集合并不重叠，但随着人类数据的增加，模型在机器人域的视觉预测、几何预测和接触预测上都出现了显著提升。这说明人类触觉数据提供了一种独立于机器人本体采集的、可规模化的补充数据来源。

除了预测任务，研究还探索了世界模型的两种下游应用：一是作为策略评估的替代环境，二是指生成合成轨迹用于真实机器人的策略学习。这两个方向都表明，DexTouch-WM不仅仅是一个预测器，它还可以充当机器人的“想象空间”，帮助策略在部署前进行更充分的训练和验证。

从更宏观的视角来看，这项工作打开了一条新的思路：在机器人学习中，数据瓶颈未必只能靠机器人本身来突破。人类日常操作中蕴含的丰富触觉经验，经过合理的传感对齐和动作映射之后，可以成为训练机器人世界模型的重要资源。当人类的手与机器的手在数据层面真正“握手”，精细操作的学习或许将不再受限于真机数据的采集速度。

当编程智能体从受监督的代码补全，走向无人值守、全天候的自主探索时，它们的工作形态发生了根本性变化——不再是孤立的预测，而是由推理、工具调用和反馈构成的长轨迹。这种转变让一个关键问题浮出水面：在递归自我改进的规模化进程中，如何控制token消耗？

研究团队从递归自我改进的理念出发，将目光投向智能体的“挂载层”，也就是harness层。他们让自动研究循环在越来越多、越来越多样化的环境中反复运行，通过大规模rollout来筛选真正有效的改进方案。这种做法的核心逻辑是：只有那些能够跨越开发环境、具备可复用价值的改进，才值得被保留下来，推动自动化harness发现走向生产级成果。

经过层层筛选，最终有四种机制存活下来，共同构成了SoL-Pi系统。它们分别覆盖四个关键环节：动作执行、上下文压缩、观测处理和委托阅读。这四个方向并非凭空设计，而是在大规模自动搜索中自然涌现并被验证有效的。

在包含51项任务的EdgeBench评测中，SoL-Pi交出了一份令人瞩目的成绩单。在GPT-5.6 Sol和Opus 5两个模型上，它的性能与Pi系统相当，但记录的token流量减少了44.7%到49.0%，API成本降低了约三分之一。换算成实际开销，这意味着每小时可节省8.75至13.50美元（相对于原生Codex和Claude Code harness），以及4.36至5.71美元（相对于Pi）。

这项工作的意义不仅在于数字上的节省。它展示了一条路径：通过递归扩展自动研究循环，让智能体在多样环境中自我打磨，最终沉淀出可迁移、可复用的效率改进。当AI智能体越来越多地承担长时间、自主性的任务时，token效率不再是锦上添花，而是决定递归自我改进能否真正规模化的关键变量。SoL-Pi的四种机制或许只是开始，但它们指向的方向已经清晰——让智能体在自我进化中学会“精打细算”，才能走得更远、更久。