EZ.AI Listen Daily
OpenAI再次刷新了自己保持的纪录。就在同一天上午刚宣布一项重大数学突破之后，下午便推出了全新的图像模型ChatGPT Images 2.5，将图像生成速度较上一代Images 2.0提升了最高50%。
这次升级的核心亮点在于精准编辑能力。OpenAI表示，2.5版本“更擅长只修改你要求改的部分”，解决了此前模型经常对整张图片进行尴尬全局改动的问题。对于需要精细调整图像的用户来说，这无疑是一次体验上的质变。
在API层面，OpenAI同步上线了两个新模型——Sunburst和Flare，它们分别在Arena AI的图像排行榜上位列第一和第二。这意味着OpenAI不仅超越了别人，也超越了自己：Images 2.0在发布后一直稳居榜首或接近榜首，直到今天才被自家新模型取代。
功能方面，2.5版本引入了多项实用工具。用户只需输入@Sketch即可实现“涂鸦转图像”，此外还新增了评论式精细编辑、模板快速启动以及可分享的提示词等功能，进一步降低了创作门槛。
值得关注的是OpenAI的发布节奏。一天之内，从数学领域的重大突破到图像模型的登顶更新，这种“上午一个里程碑、下午又一个里程碑”的速度，显示出其在多个领域的推进正在明显加速。在某些赛道上，OpenAI已经开始甩开竞争对手——因为能打败它的，似乎只有它自己。
当一家公司唯一的对手变成昨天的自己，创新的天花板究竟在哪里？这个问题，或许比任何排行榜上的名次都更值得思考。
Meta刚刚发布了一款名为Muse的全新个人AI助手，它最大的特点是“永远在线”，并且拥有自己的云端电脑，可以代替用户完成各种实际任务。你只需要像发短信一样给它下达指令，它就能帮你预订餐厅、发送邮件，甚至上网购物。
Muse的能力远不止简单的对话。它深度接入了Gmail、Spotify、Ticketmaster和OpenTable等常用应用，更令人惊讶的是，对于那些没有现成接口的服务，Muse还能自己编写代码来创建集成方案。这意味着它的适应能力会随着使用不断扩展。
在使用方式上，用户既可以通过Muse的独立应用访问它，也可以直接在WhatsApp里召唤它。其背后的虚拟机技术让Muse能够像真人一样浏览网页、填写表单、点击按钮，完成一系列浏览器操作。Meta特别强调了隐私保护：Muse运行在独立的安全云环境中，支付环节由Stripe提供支持，并且所有关键操作都内置了用户审批流程，确保你始终掌握控制权。
商业模式方面，Muse提供有限的免费使用额度，之后将转为每月20美元或100美元的订阅套餐。不过，首发阶段仅面向美国用户开放。
值得注意的是，当前个人AI助手市场已经相当拥挤，Hermes、OpenClaw、Grok Bot等产品纷纷涌现。但与此同时，前沿AI在自主浏览网页和创建代理方面的能力正飞速提升，这让人不禁思考：OpenAI和Anthropic这样的模型提供商，是否很快就会绕过这些“中间商”，直接提供类似的服务？当AI本身就能熟练操作浏览器时，专门代理层的价值究竟在哪里，或许才是这场竞赛真正的看点。
OpenAI近日宣布，其一个尚未发布的内部模型成功证明了纳维-斯托克斯方程的存在性与光滑性问题——这是克莱数学研究所悬赏100万美元的七个千禧年大奖难题之一。如果成立，这将是AI在纯数学领域迄今最重磅的突破。
据OpenAI披露，他们同时调动了约一万个智能体，运行在一个“能力显著强于”刚公开发布的GPT-6 Astra的模型上，仅用88小时便完成了证明。公司估算算力成本高达“数百万美元”。山姆·奥特曼称这是“我在OpenAI历史上最惊叹的时刻之一”。
然而，纽约大学的特里斯坦·巴克马斯特随即提出质疑。他与Anthropic的莱文特·阿尔珀格在这一方向上已钻研近一年，将草稿输入Codex并在此前一夜发布了部分结果。巴克马斯特发表声明称，OpenAI是在得知他们的工作后才启动的，并且始终没有回答他的Codex草稿是否被用于训练该模型。
OpenAI回应称“没有看到他们的任何工作”，也“没有访问任何特定用户数据”，但无法排除使用数据可能改进了模型。双方各执一词，争议的核心在于：这究竟是一次独立突破，还是建立在他人未公开成果之上的“竞赛式抢先”？
无论归属如何，一个事实令人震动：OpenAI内部已存在一个远超公开版本的模型。如果你对今年AI能力上限还有任何想象，恐怕都需要重新校准了。
当荣誉之争盖过了数学本身的光芒，我们或许该问：AI的边界究竟在哪里，而人类又该如何定义“发现”的归属？
AI音乐生成平台Suno近日发布了v6系列模型，一口气推出三款产品，分别面向付费用户和免费用户。这次发布最引人注目的地方在于，Suno宣称v6是建立在正版授权数据之上训练的，而非此前旧版本所使用的训练集。这一转变的背后，是一场从法庭对抗到握手合作的戏剧性转折。
故事要从2024年说起。当时，华纳音乐集团联合另外两家主流唱片公司对Suno提起诉讼，指控其在训练AI模型时使用了受版权保护的音乐作品。这场官司一度让Suno的前景蒙上阴影。然而到了去年11月，双方达成和解，华纳与Suno签署协议，承诺共同开发基于授权数据的模型。如今v6的诞生，正是这一合作的直接成果。除了华纳，BMG和Believe也参与了v6的开发。
Suno首席产品官Jack Brody对新产品信心十足，他特别提到免费版v6-mini，称其表现“优于任何竞争对手最好的付费模型”。这番话显然意在与另一家AI音乐公司Udio争夺市场话语权。
不过，Suno的版权麻烦并未完全了结。Round Hill、环球音乐、索尼等公司对Suno的诉讼仍在进行中。更棘手的是，法庭上近期披露的文件显示，Suno承认其模型训练使用了YouTube上的内容。这一事实可能成为后续诉讼中的关键证据。
展望未来，Suno透露下一步将推出粉丝混音功能。按照规划，艺术家将能够选择是否将自己的曲库纳入其中，并获得相应报酬。这一机制如果顺利落地，可能开辟一条全新的收入渠道，让大牌艺人更有动力与AI平台合作，而非对抗。
Suno和Udio作为AI音乐领域的两大领跑者，都经历了早期快速崛起后被诉讼围剿的命运，如今又不约而同地选择与行业巨头联手重塑产品。从对抗到合作，从侵权争议到授权共赢，这场博弈远未结束。粉丝混音能否成为破局的关键，正版化能否真正化解所有法律风险，这些问题的答案，将决定AI音乐究竟是在颠覆行业，还是在被行业收编。
一位在两家前沿AI实验室都工作过的研究员刚刚辞职，他扔下了一颗重磅炸弹：那些正在建造AI的人“真心相信AI可能在这个十年结束前杀死我们所有人”。这不是营销噱头，而是Anthropic研究员Jacob Coxon离职帖中的原话。他同时点名了自己的老东家和OpenAI，说双方都在“拿我们的生命赌博”，一路狂奔冲向能自我改进的AI。
让这场讨论彻底失控的，是Anthropic对齐科学负责人Evan Hubinger的回应。他没有灭火，反而直接往火上浇油：“我们确实真心相信AI可能杀死全人类！”他还给出了一个具体数字：未来十年内，这种概率超过10%。Hubinger坦承，目前人类还没有控制超级智能的方案，不过他也安抚说，今天的模型风险还很低，真正的危险在于AI获得自我改进能力的那一刻。
Coxon的呼吁很明确：需要协调一致的减速。他甚至提出，要阻止一场全球性的AI竞赛，可能“需要付出高昂代价，比如暂时禁止提升模型能力”。这个提议在AI圈内无疑是一枚深水炸弹。
值得注意的是，Coxon并不是第一个发离职长文的人，但这次之所以引爆舆论，恰恰因为Hubinger的回复完美印证了外界对Anthropic的“末日论”标签。这家公司一直把自己包装成安全实验室，可连自家的对齐负责人都对控制未来的超级智能缺乏信心，这让人如何安心？
当建造者自己都在说“我们可能造出杀死所有人的东西”，而他们的应对方案还停留在“暂时禁止提升能力”的讨论阶段，这场关于AI末日的辩论，或许比我们想象的更接近现实。
在机器人操作领域，如何让机器人在没有见过目标的情况下完成复杂的抓取和移动任务，一直是一个核心难题。传统方法依赖动作条件潜世界模型来预测未来的视觉表征，从而实现零样本目标条件下的规划与控制。然而，当涉及精细的空间位移和旋转动作时，这类模型的预测往往不够可靠，难以支撑完整的7自由度末端执行器控制。
针对这一瓶颈，研究团队提出了DUET-DINO——一种同步跨视角潜世界模型。它的核心思路是：同时从固定的侧视相机和手腕相机获取观测信息，通过跨视角条件机制联合学习动作条件下的预测。侧视相机提供全局场景信息，手腕相机则聚焦于夹爪附近的精细操作区域，两者互补，使模型能够覆盖完整的7自由度动作空间进行潜规划。
在实验验证中，DUET-DINO在三类任务上均表现优异：空间范围较大的到达任务成功率达到92%，对姿态要求较高的斜向到达任务成功率为72.5%，多目标抓取-举升任务成功率为60.0%。相比之下，单视角和独立双视角的基线方法均不及这一表现。值得注意的是，DUET-DINO完全从零开始训练，使用的数据集为DROID和RoboArena，并且在视觉分布发生偏移时仍能保持稳健的泛化能力。
研究还揭示了一个有趣的现象：V-JEPA 2在手腕视角下的预测会低估精细动作引起的视觉动态变化，而DINOv3的预测则能更好地捕捉动作条件下的场景变化，从而带来更强的下游规划性能。这一发现为未来世界模型的设计提供了重要参考。代码和模型检查点将开源发布。
从全局场景到夹爪细节，从侧视到手腕视角，DUET-DINO用“双重视角”重新定义了机器人潜规划的可能性。当机器学会同时“看远”和“看近”，它离真正理解物理世界或许又近了一步。
想象一只手拿起笔，再用同一只手把笔帽盖上。这个动作看似平常，却是人类灵巧性的标志：不同手指承担不同角色，又彼此协调，才能完成精细操作。研究者把这种手指层面的配合推到了更难的场景里——手内组装。也就是说，只用一只灵巧手，没有第二只手臂帮忙，也没有外部夹具固定，让两个刚性物体在手中相互匹配、装配在一起。
为了在统一框架中求解这个问题，他们提出了一种强化学习方法，由两个部件之间的目标相对位姿来驱动整个过程。手指协调不是凭空出现的：训练中，一个基于函数的辅助奖励负责塑造协调行为，并把动作正则化到单一人类参考姿态。与此同时，域随机化，以及历史本体感觉与物体观测的融合，让系统能够抵抗遮挡带来的估计噪声。
同一套方案解决了三个不同的装配任务：Bottle、Syringe 和 Marker。更关键的是，这些策略完全在仿真中训练，却能零样本迁移到真实硬件上；真实系统只使用一个摄像头，依然能应对遮挡造成的状态估计误差。实验还显示，手内组装会对手的形态提出要求，因此它也可以成为现代机器人手系统的一项基准。视频和代码已在论文给出的链接中提供。
当机器手不再只是抓取，而是像人一样在掌心里完成装配，真正被考验的也许不是单个手指的力气，而是它们之间何时让路、何时补位的默契。
在机器人操作领域，视觉-语言-动作模型正成为热门方向。然而，当机器人被部署到全新环境时，物体配置变了、动力学特性变了，模型往往就“水土不服”。现有方法大多依赖静态数据集预训练，缺乏在部署时主动适应的机制，导致泛化能力不足。
针对这一痛点，研究者提出了WorldAgen——一个统一框架，将世界建模与动作预测联合学习，并引入测试时训练来实现对新环境的适应。它的核心架构是一个共享的Transformer主干网络，搭配两个功能头：一个世界模型头，负责从过去的状态-动作轨迹中预测未来状态；另一个智能体模型头，根据任务指令预测动作。为了让这两个模型各司其职，团队设计了一种混合单向注意力掩码，将二者有效分离。
在测试阶段，WorldAgen的工作方式颇具巧思：它先采样探索性动作，收集真实的状态转移数据，然后执行轻量级的测试时训练更新，专门微调世界模型。这一过程让模型对当前环境有了更深入的理解，进而带来更准确的动作预测。
在CALVIN和LIBERO两个基准测试上，WorldAgen的基线模型已经达到了与当前最先进方法相当的水平，部分场景下甚至更优。更关键的是，仅用少量样本进行测试时训练后，该方法便超越了现有最先进模型，充分证明了在推理阶段自适应世界模型的有效性。
这项研究传递出一个清晰的信号：与其让模型在部署后“硬扛”新环境，不如赋予它在现场快速学习的能力。当世界模型能够在测试时自我更新，机器人的适应力便不再受限于训练数据的边界。
半群JEPA：零样本物理泛化原文
当一个世界模型被放进不同的引力场，它能不能真正学会物理，而不是只记住训练中的运动模式？这正是联合嵌入预测架构（JEPA）类世界模型尚未被充分检验的问题。它们擅长把世界压缩成紧凑的潜在表示，用来预测和规划，但它们能否学习物理、生成符合物理规律的动力学，此前仍缺少系统测试。
在这项工作中，研究者提出了 SemiGroup-JEPA，简称 SG-JEPA。它扩展了 LeWorldModel 框架，核心做法有两点：一是通过动作条件化，把控制物理的参数提供给时间模型；二是用自回归潜在轨迹展开，联合训练编码器和预测器。换句话说，模型不只是学习下一步会发生什么，而是在潜在空间里连续推演多步，让表示和预测一起适应物理规律。
为了检验分布外泛化能力，研究者设计了不同引力场下的动力学任务。这些任务服从同一套物理定律，却表现出性质不同的运动：在弱引力场中，物体会漂浮；在强引力场中，物体会快速弹跳。模型必须跨越这些条件，才能证明自己学到的是规律，而不只是某种特定动态。
结果对比很直接。与 DINO-WM 相比，SG-JEPA 在二维数据集上把开环预测误差最多降低到原来的二分之一，也就是最多降低 2 倍；在三维机器人数据集上，控制成功率最多提升 2.5 倍。为了完成三维机器人任务，研究者还训练了独立的扩散策略。
为什么 SG-JEPA 更有优势？研究者建立了一个线性特征模型来解释。这个模型把误差分成两部分：一部分是局部受物理定律条件影响的误差，另一部分是在轨迹展开过程中被递归放大的误差。沿着这个思路，他们发现，把多步轨迹展开损失反向传播到表示中，会训练编码器保留预测器能够继续向前传递的特征。而这些特征，恰恰是动力学所依赖的特征。
更值得注意的是，大部分性能提升来自编码器学到了更好的特征，而不是预测器学到了更好的动力学。这个发现改变了人们对世界模型泛化的理解：如果表示本身不能稳定携带规律，再强的预测器也会在递归展开中放大偏差；反过来，当表示学会留下真正可传递的动力学信息，零样本物理泛化就变得更可行。项目页面提供了更多展示与信息。
这让人们重新思考，世界模型要跨越不同物理条件，也许关键不只是让预测器更会算，而是让潜在表示学会在时间中保持一致，留下那些能够被一步步传递下去的规律。
生成手-物交互（HOI）视频，正在成为给机器人操作提供运动提议的一种可控方式。它像是先让模型“想象”手该怎么动、物体该怎么变，再把这种运动学参考交给机器人执行。但问题也随之而来：仅凭视频，机器人仍难以完成可行的低层控制。基于仿真的HOI跟踪能把运动学参考转化为可执行控制，却受限于可靠参考运动不足，难以规模化。
这项研究试图把两者接起来：让生成视频提供动作灵感，让仿真把灵感变成可训练、可执行的控制。训练时，生成视频被用作多样的运动参考，帮助学习一个多物体、多轨迹的HOI跟踪器；部署时，视频模型先产生运动计划，再由已经学好的跟踪器执行。这样，视频模型负责提出“做什么”，仿真跟踪器负责落实“怎么做”。
作者提出一种通过HOI重建来生成可扩展参考的方法，尽量减少人工干预。借助这一方法，他们在仿真中成功落地了超过1,500个生成视频。在基于仿真的训练中，其成功率比基线高出超过25个百分点。
真实世界的闭环实验进一步展示了这套思路的能力：控制器可以完成多样抓取，包括功能性抓取、非抓握操作，以及抓取后的物体位姿跟踪。论文还提供了视频和代码链接。
从生成视频到仿真接地，再到真实机器人执行，这条路径把“看视频学操作”推进为“用视频生成计划、用仿真验证计划、让控制器执行计划”。当参考运动不再稀缺，灵巧操作或许才更有机会走向多样、可扩展和通用。
黑洞并合低频引力波的信息层级原文
当两个黑洞并合，剧烈而强耦合的最后阶段通常难以用传统方法逐点描述。这项研究换了一个角度：把并合本身当作有效的硬S矩阵数据，再借助软定理和KMOC形式，去组织它在长波长极限下的响应。目标是为黑洞并合产生的低频引力波形建立超越领头阶的on-shell描述。
故事的关键出现在次领头阶。量子软定理给出的对数项，在经典软定理中并不存在。它们会不会破坏经典图像？研究者证明，在完整的KMOC in-in可观测量里，一圈辐射振幅与对应的引力子割线之间，这些额外项会相消。最后剩下的，恰好是经典对数贡献，对应引力拖曳和早期加速。
除了对数尾巴，研究还识别出来自残余反冲和Christodoulou非线性记忆的1/ω修正。由此，低频引力波呈现出一种信息层级：对数尾巴只依赖渐近硬数据，反冲探测总辐射动量，而非线性记忆探测发射辐射的角分布。
低频引力波因此不只是并合后的余音，它把强耦合并合的不同侧面分层编码。哪些信息在长波中保留、哪些被抵消或重组，或许正是未来引力波天文学解读黑洞并合的关键。
AI音乐生成领域正在经历一场深刻的转型。Suno近日发布了v6系列音乐模型，这不仅仅是一次技术升级，更标志着该公司与音乐产业关系的根本性转变。v6包含三个模型：两个面向付费用户，一个名为v6-mini的免费模型。Suno首席产品官Jack Brody对这款免费模型信心十足，称其“优于任何竞争对手最好的付费模型”。
这次发布最引人注目的地方在于训练数据的来源。Suno明确表示，v6是基于授权数据构建的，而非此前旧版本所使用的训练集。这一转变的背后，是一段充满戏剧性的法律博弈。
2024年，华纳音乐集团作为三大唱片公司之一，联合其他两家对Suno提起诉讼，指控其在训练数据中使用受版权保护的音乐。然而到了去年11月，双方达成和解，并签署了一项承诺开发授权模型的合作协议。如今v6的诞生，正是这一合作的直接成果。
但故事远未结束。Round Hill、环球音乐、索尼等公司对Suno的诉讼仍在进行中。更棘手的是，法庭上近期披露的一项信息显示，Suno承认其模型曾使用YouTube数据进行训练。这意味着，尽管Suno在版权合规方面迈出了重要一步，但历史遗留的法律风险依然存在。
Suno的下一个动作同样值得关注：粉丝混音功能即将上线。按照公司的说法，艺术家将能够选择将自己的曲库纳入其中并获得报酬。这一机制如果顺利落地，可能创造出一条全新的收入流，让大牌艺人更有动力与AI平台合作，而非对抗。
放眼整个AI音乐赛道，Suno和Udio这对领跑者有着相似的命运轨迹：早期凭借技术突破迅速走红，随后被诉讼缠身，如今又都在与行业巨头合作重塑产品。从对抗到合作，从灰色地带到授权合规，AI音乐正在寻找一条可持续的生存之道。而粉丝混音这一变现模式的探索，或许将成为决定未来格局的关键变量。当技术浪潮与版权秩序碰撞，最终能走通的路，往往不是谁消灭谁，而是谁先学会与谁共舞。
一位在两家顶级AI实验室都工作过的研究员，刚刚用一封辞职信撕开了硅谷最不愿面对的问题。Jacob Coxon从Anthropic离职时直言，无论是他的老东家还是OpenAI，都在“拿我们的生命赌博”——他们竞相追逐能够自我改进的AI，而这场竞赛的终点可能是人类灭绝。他特别强调，那些建造AI的人“真诚地相信这项技术可能在这个十年结束前杀死我们所有人”，这绝不是营销噱头。
让这场争论彻底引爆的，是Anthropic对齐科学负责人Evan Hubinger的回应。他不但没有降温，反而火上浇油：“我们确实真诚地相信AI可能杀死所有人类！”Hubinger给出了一个令人不安的数字：未来十年内，这种概率超过10%。他坦承，目前还没有任何控制超级智能的计划，但试图安抚公众——今天的模型风险很低，真正的危险在于AI的自我改进能力，一旦它开始递归地提升自己，局面可能失控。
Coxon的呼吁则更为激进。他认为，要阻止一场全球性的AI军备竞赛，可能需要“代价高昂的行动，例如暂时禁止提升模型能力”。这不是他第一次发出警告，但这次辞职帖之所以病毒式传播，恰恰因为Hubinger的回复完美印证了外界对Anthropic的刻板印象——这家公司一直把自己包装成“安全实验室”，卖点是负责任地开发AI，然而连它自己的对齐负责人都对控制超级智能缺乏信心。
这场争论的核心矛盾在于：AI公司一边宣称生存风险真实存在，一边继续全速推进研发。Coxon和Hubinger都承认，他们不相信当前的模型会立刻毁灭人类，但两人也都认为，通往超级智能的道路上缺乏刹车机制。当被问及是否有计划控制一个比人类聪明得多的系统时，Hubinger的回答是否定的。这留下了一个令人不安的空白：如果连最懂风险的人都没有解决方案，为什么竞赛还在加速？
也许真正的问题不在于AI是否会在十年内杀死我们，而在于当建造它的人自己都发出警告时，我们是否还有能力停下来。
视频世界模型正在变得越来越逼真，也越来越能和人互动，但它们一直有个关键短板：当交互时间拉长，世界状态难以持续保持，可编程规则也难以被可靠执行。最近提出的 Programmable World Model 框架，试图把这个问题从根上拆开处理。
它的核心思路是，不再让生成模型独自负责记住一切，而是将世界状态演化与视觉观察生成解耦。一个代理会把自然语言指令翻译成可执行程序，这些程序指定实体状态和状态转移规则，因此用户可以直接控制单个实体及其交互。随后，一个轻量级引擎执行这些程序，更新并维护一个显式、持久、全局的世界状态，其中甚至包括屏幕外实体和非视觉属性。
接下来的问题是如何让这些状态影响画面。团队引入了状态增强的 3D oriented bounding boxes（OBBs）作为中间表示。这个表示会与目标相机轨迹一起，被确定性地编译成像素对齐的时空条件信号，再交给预训练视频模型，让它充当生成渲染器。这样，世界状态与视觉生成之间就建立了一条可控、可编程的连接。
这种设计带来了实际能力：用户可以创建带有预定义机制的可玩游戏，直接控制个体实体，并在整个游戏过程中保持持久的世界状态。为了评估这类模型，团队还提出了 CombatStateBench 基准。在该基准上，方法达到 94% Count Accuracy 和 98% State Accuracy，明显优于现有交互式视频世界模型，同时支持连贯的长时程生成。
这些结果说明，把显式状态演化与生成渲染分开，是构建持久、可编程世界的一条有效路径。当世界模型不再只追求画面逼真，而是开始拥有可执行规则和持久记忆，视频生成才可能从观看对象，变成真正可玩、可控、可反复进入的世界。
机器人控制一直是人工智能领域的难题。尽管基础视觉语言模型（VLM）已经展现出对世界的广泛理解能力，但如何将这种理解转化为实际的机器人操控，始终是一道难以逾越的鸿沟。来自研究团队的最新工作Show-Harness，提出了一种全新的思路：与其让模型去适应机器人，不如设计一个合适的接口，让VLM直接“玩”机器人。
Show-Harness的核心是一个被称为“具身框架”的语义接口。它向VLM暴露一组离散的语义动作单元，这些单元是VLM能够自然推理的粒度。而具体到每种机器人本体，则由专门的解释器将这些语义动作确定性地转化为本地机器人动作。这样一来，VLM始终对细粒度的物理决策负责，而无需为每种硬件单独训练。
这一设计带来了两个重要发现。第一，通过同一个接口，闭源的前沿VLM可以直接实现零样本机器人控制——无需任何额外训练。第二，小规模开源VLM只需几个GPU小时的微调，就能低成本部署到实际机器人上。这意味着，无论是顶级商业模型还是轻量开源模型，都能通过正确的接口释放具身能力。
研究团队还开发了GUMI（GUI Manipulation Interface），将同一套语义动作空间扩展到基于图形界面的演示采集。人类和智能体无需专用遥操作硬件，就能跨本体“玩”机器人，大大降低了数据采集的门槛。
大量实验表明，配备Show-Harness的VLM智能体在任务、本体和环境三个维度上都展现出强大的泛化能力，表现超越了代表性的智能体范式和VLA（视觉-语言-动作）范式。这些结果传递出一个清晰的信号：释放基础VLM的具身能力，关键不在于增加模型容量或进行昂贵的本体专属预训练，而在于找到那个正确的接口。
当接口足够简洁、语义足够清晰，机器人控制的门槛或许比我们想象的更低。
一个研究想法可能新颖、连贯，科学上看似合理，但它的方法描述未必足够具体，让有能力的实现者或编码代理忠实构建出预期方法。论文把这种“能否被写下并实现”的条件称为可编码就绪性，并追问：实现面向的研究方法规范，是否提供了足够的方法信息，使胜任的实现者或编码代理无需无根据假设就能完成构建。为了系统观察，研究团队从论文、代码库、issue 讨论串和复现产物中构建有证据支撑的规范及其支持性解决方案，推出 IdeaAMBIG 基准。这个基准包含 660 个有证据支撑的实例，其中 163 个是来自复现报告和 GitHub issues 的真实世界缺口，497 个是注入到可编码就绪参考中的受控合成缺口。IdeaAMBIG 评估三项能力：可编码就绪性评估、缺陷定位和澄清行动生成。任务设置上，缺陷定位只接收方法规范，而澄清行动生成还会额外获得已标注的缺陷。研究人员测试了 13 个 LLM。最好的模型在真实世界实例上的 Macro Defect Recovery Rate 只有 9.6%，可一旦得到缺陷标注，它的 Macro Clarification Action Success Rate 就达到 80.6%。在一项 oracle 研究中，提供 gold resolution 后，下游 codification-ready rate 从 14% 升至 98%。这些数字指向同一个问题：跨所有被评估模型，缺陷定位是主要瓶颈；当缺陷已经被指出，模型在澄清和修复上的表现明显更强。换言之，AI 更擅长在知道“哪里出错”之后补全规范，却不擅长自己发现规范中缺失或模糊的关键环节。研究想法要走向可复现实现，或许不仅要生成更聪明的方案，也要让方法规范中的漏洞变得可被定位、可被澄清、可被消解。否则，再合理的想法也可能卡在从文字到代码的那道缝隙里。
当机器人学会“看”图像，却依然难以精准“够到”目标时，问题往往出在中间表示上。为了连接通用的操作策略与大规模预训练视觉语言模型（VLM），研究者们一直在寻找合适的桥梁。轨迹表示因能紧凑地编码运动线索而备受青睐，但绝大多数现有方法都只是在二维图像空间里预测轨迹——这天然丢失了深度信息，让三维空间中的位置变得模糊不清。即便有人尝试用2D轨迹加上深度图来补救，自由空间中的路径点依然充满歧义，难以支撑可靠的三维推理。
针对这一痛点，来自研究团队的最新工作提出了一种新方法：3DWay，直接从多视角图像中预测三维一致的路径点。其核心思路相当巧妙——不再直接回归三维坐标，而是将三维路径点预测重新拆解为两个步骤：先让模型生成多视角一致的二维路径点，再利用几何三角化将它们还原为显式三维点。这样一来，系统既保留了预训练VLM强大的先验知识，又获得了清晰的三维运动规范，绕开了纯2D预测的先天缺陷。
这些预测出的三维路径点用途广泛：既能为现有的视觉语言动作（VLA）模型提供引导，提升其在陌生环境中的泛化能力，也能在简单任务中被直接执行，让机器人无需复杂策略就能完成操作。大量实验表明，3DWay显著增强了对三维空间的理解和视觉语言推理能力，为通用机器人操作提供了极具潜力的新方向。研究代码也将公开，供更多探索者测试使用。
当机器人的“眼睛”和“手臂”之间终于有了稳定而精确的三维坐标，那些曾经因视角偏差而触不可及的目标，或许会变得近在咫尺。三维空间的真正理解，或许正是解锁机器人智能操作的最后一块拼图。
想象一下，同一个机器人既能为你准备晚餐、折叠衣物，也能检修汽车、巡检基础设施，甚至照料亲人。这正是通用机器人描绘的未来图景。然而，当机器人从单一任务走向全能，安全问题的复杂性也随之爆炸式增长——传统的机器人安全理念，长期聚焦于碰撞和力控制，如今已经远远不够。
危险不再仅仅是“撞到人”或“用力过猛”。一篇新研究指出，通用机器人的安全必须考虑更微妙的维度：情境。比如，关闭整栋建筑的电力，只有在计划停电检修时才是安全的；用户意图也暗藏陷阱——当你说“把厨房打扫干净”，隐含的期待是机器人不能混合漂白剂和氨水这类危险却强效的清洁剂；还有那些难以建模的物理后果，比如烹饪时不小心烧焦食物，也可能引发连锁风险。
该研究呼吁，机器人安全必须进入一个全新的时代——具身AI安全。这一概念将风险视野扩展到机器人全生命周期，并强调一个核心观点：比特世界的安全，无法与原子世界的安全割裂开来。仅仅保证代码不出错或机械臂不撞人是不够的，AI感知、决策与真实物理环境的每一次交互，都可能催生前所未有的新型风险。
为此，研究者提出了一个覆盖新兴风险分类框架，以及一套全栈式的研究路线图，旨在为通用机器人的安全部署提供系统性指南。从硬件设计到软件算法，从训练数据到实时决策，每个环节都需要重新审视安全边界。
通用机器人带来的便利固然诱人，但真正的挑战在于：当我们赋予机器越来越广泛的行动能力时，是否也为它们准备了与之匹配的安全智慧？这场关于“具身AI安全”的讨论，或许正是通往可信通用机器人时代的第一块基石。
长久以来，机器人在遵循开放式语言指令时，总是像背剧本的孩子：听得懂台词，却很难应对台词的千变万化。它们需要将语义意图与视觉场景、几何可行性乃至物理交互条件联系起来，这对传统方法是一次严峻的考量。
多数端到端的视觉-语言-动作模型试图直接将摄像头看到的和听到的语言映射为机器人动作。这种模式虽然能跨任务泛化，却在面对长序列任务时缺乏足够清晰的结构，没有可把控的中间流程来校验物理状态，一旦某个环节在真实世界中出错，就难以恢复。好比依葫芦画瓢，却总在细节处功亏一篑。
如今，一项受人类大脑分工机制启发的研究提供了新解题思路。研究者提出了一种零样本分层框架，它拆解出四个环环相扣的模块：首先是视觉感知与状态推断，像是给机器人配上了一副“洞察之眼”；其次是语言基础与动作序列生成，所有复杂指令会被翻译成由共享原子动作库组成的任务序列，如同将无数词汇拼接为通顺的句子；接着是执行成本导向的方案优选，机器人可以像货比三家的理性消费者，对不同可行方案的成本进行比对；最后则是真实世界中的闭环执行与物理验证，它要求在每一个动作节点后都重新观察环境，核验中间物理结果是否符合预期。
这套框架的核心价值在于显式地理解物体状态，将可复用的原子动作组合成任务条件下的最优序列，并在行动后坚持“触达实况再定下一步”。它的可靠性在评测数据中得到了相当扎实的印证：面对平整桌面和凌乱初始布局两种不同条件，Clean Board（清盘）任务实现10/10全部成功；Pick-and-Place（抓取放置）任务更是交出10/10的完美答卷；Pyramid Stacking（金字塔堆叠）在25次试验中成功了24次，平均任务进度分别达到99.03%、100.00%与96.67%。
在所有受测条件下，这套新框架的成功率均超过ReKep、Dream2Flow以及π0.5等基准方法，证明了显式物体状态推理、组合式原型动作、基于成本的计划选择以及闭环执行验证的结合，是切实可行的方向。
让机器人学会行动的关键，或许不在于让它记得更复杂的多步骤流程，而是学会在模糊而笨拙的现实世界里，用清晰的逻辑拆解任务，并反复观察手里的动作“奏不奏效”。这种慢而稳的笃定，正是智能从虚拟指令迈向真实世界的一步坚实台阶。
在人工智能飞速发展的今天，一个大胆的想法越来越流行：让AI模型代替真人参加心理学实验。毕竟，招募成千上万名人类受试者既昂贵又缓慢，而一个训练过海量人类行为数据的“基础模型”，理论上可以像替身演员一样，随时上场扮演“虚拟人类”。可问题也随之而来：如果这个AI模拟器本身并不完美，那些在它身上“跑”出来的认知理论，究竟是人类大脑的真实规律，还是只是模拟器的“幻觉”？
为了回答这个问题，研究者推出了一位不知疲倦的“自动认知科学家”——AutoCog。这是一个全自动的闭环发现系统，其中大语言模型扮演多个角色：它既是实验设计师，也是数据收集者，又是理论裁判，甚至还能把不同理论融合成新一代的假设。整个过程完全不需要人类干预，在幕布另一侧接受实验的，是由Centaur——一个人类行为基础模型——扮演的“虚拟受试者”。
实验设在一个典型的多属性决策场景中，就像人们日常面临的那些需要综合权衡多个因素的选择。AutoCog在Centaur身上不停歇地运转，生成理论、设计实验来区分彼此、让虚拟人类作答、再裁定哪一个理论占上风，然后把胜者的思想片段拼接成新的候选理论。如此循环往复，最终涌现出一批关于人类如何做决策的理论。
真正的考验来了：这些在模拟器中发现的理论，能被用于预测真实人类吗？研究者把这批AI发现的理论拿到十个全新的人类实验数据集上做测试，结果令人惊讶——它们不仅比五种经典决策理论表现更出色，而且性能几乎追平了用真人受试者跑同一套AutoCog闭环流程所发现的理论。换句话说，一个“不完美”的模拟人，竟孕育出了能够解释真实人类的认知模型。
为什么一个充满误差的模拟器还能贡献如此可靠的发现？研究者的解释颇为精妙：关键在于AutoCog的“仲裁式发现循环”对模拟器的要求，与传统的参数估计完全不同。过去要让模型拟合人类数据，模拟器必须足够精确，微小偏差都可能污染结果。但在发现模式下，模拟器只负责输出那些能区分不同理论的规律性信息——比如，当两个理论预测彼此矛盾的实验结果时，模拟器只需“选边”站对即可。它不需要精准复制每一个反应，甚至不需要复现人类的全部分配规律，只要它捕捉到的差异性与真的理论分歧方向一致，就能帮科学家迅速筛掉大量错误候选。
这也带来一种新的研究范式：不完美的模拟器并非绊脚石，而是可以充当扩大搜索范围的“探照灯”。它把五花八门、甚至怪异的理论假设先在仿真环境中批量筛选、自我进化，只把最有希望的候选者留给真人数据来裁决。AI先在模拟中“大胆假设”，人类实验再“小心求证”，两者分工明确。
这场实验的寓意或许不止于认知科学。当我们担心AI模拟的偏差会误导科学结论时，它提示我们：AI的价值未必在于成为完美的人类副本，而在于它以另一种方式与人类互动，拓宽探索的地图。即便地图上的路标有些模糊，只要方向正确，旅人仍然可以抵达隐藏的宝藏。让幻象与真实对话，也许一种理论只需要在模拟中发端，在现实中开花，便足以成为连接机器心智与人类心智的桥梁。
在计算机图形学领域，逼真地再现光线与物体的相互作用，如焦散、体积散射、复杂环境光照等，一直是渲染技术追求的目标。传统方法依赖物理模拟，计算昂贵且常常需要针对特定场景编写专门代码。如今，一种名为“RenderFormer-V2”的全新统一神经渲染模型带来了突破：它无需逐场景训练或专门代码，就能处理多种复杂的光传输效果，甚至包括训练时未见过的材质。
这项研究的核心思想，是将全局光传输问题转化为一个“序列到序列”的变换任务。与它的前身RenderFormer类似，RenderFormer-V2也采用两阶段处理流程：第一阶段与视角无关，负责解析场景内部各元素之间的光传输关系；第二阶段则与视角相关，将内部神经场景表示转化为最终的图像像素。
那么，V2版本究竟改进了什么？答案是注意力机制。研究团队在视角无关阶段引入了一种新颖的“窗口注意力结合渲染感知注意力汇聚”机制，既提升了大场景下的可扩展性，又保持了渲染精度。此外，为了应对更多样的场景，RenderFormer-V2支持异构场景元素，包括环境贴图和参与介质，并设计了与底层表面反射模型无关的材质编码方式，通过一种新颖的神经嵌入来表征材质外观。
研究者在多种场景上展示了该模型的通用性，并对改进的注意力机制进行了大量消融实验。从焦散到体积光，从纹理表面到置换表面，RenderFormer-V2都交出了令人满意的答卷。这意味着，未来在虚拟现实、影视特效和游戏开发中，创作者或许能告别繁琐的调参，用一套统一模型轻松实现照片级的光影效果。技术的进步往往悄无声息，但每一次对光线的更精确捕捉，都让虚拟世界离真实更近一步。
当大语言模型从聊天窗口走向真实世界，开始操作软件、调用工具、执行任务时，一个尖锐的问题浮出水面：如何确保这些“AI代理”不会被恶意指令劫持？传统的模型级安全对齐显然不够，系统级防护栏成了第二道防线。然而，现有防护栏大多由专家一次性设计，再套用到五花八门的模型和应用场景上——这就像用同一把锁去守不同的门，要么锁得太死，要么形同虚设。
一项名为EvoSafeHarness的新研究，提出了一种“量身定制”的安全优化方案。它不再依赖人工预设规则，而是针对一个固定的模型和特定领域，自动搜索一套自然语言政策与可执行代码逻辑的组合。这个组合的特别之处在于，它由模型行为、领域规范以及“新鲜语境下的对抗性审查”共同引导，刻意拒绝那些只在基准测试中有效的“应试规则”，力求在真实部署中也能站得住脚。
实验结果颇具说服力。在DecodingTrust-Agent基准上，新框架将平均攻击成功率从45.6%压到10.0%，而实用性只损失了3.3个百分点，在15个测试项中的14项拿下最佳成绩。在AgentDojo环境中，它达成了82.8%的实用性同时攻击成功率保持0.0%，在相同权衡点上是另一主流防护系统CaMeL实用性的两倍，并且无需任何修改就能迁移到从未见过的AgentDyn测试套件。面对自适应PAIR攻击（16次优化预算），平均攻击成功率也稳定在20%以下。
研究分析指出，领域语义决定了防护栏需要守护哪些安全关系和轨迹状态；模型与运行时的行为，则决定了这些关系该在何处、以何种方式被执行。换句话说，“管什么”取决于任务场景，“怎么管”取决于AI代理本身。世上没有万能的安全锁，只有贴合个体、动态演化的守护，才可能让智能代理既敢放手做事，又不至于越雷池半步。
AI基准测评，名不副实？原文
当人们用一套套基准测试来评判AI模型的能力与安全时，一个根本问题悄然浮现：这些测试真的测到了它们想测的东西吗？一项针对56个能力与安全基准、53个模型的系统研究，借用社会科学中的“收敛效度”与“区分效度”方法，给基准做了一次“体检”。
研究者将声称衡量同一概念（如“推理”或“拒绝”）的基准归为一组，然后观察：同一组内模型排名之间的相关性，是否显著高于不同组之间的相关性？他们还用项目反应理论在单个题目层面做了类似检验。结果令人警醒：在安全类基准中，即使贴着相同概念标签，模型排名间的相关性往往很弱，说明不同基准对“安全”的理解可能各不相同；而在能力类基准（如推理、知识）中，同概念基准间的相关性，与不同概念基准间的相关性一样高，这意味着这些能力概念彼此之间难以区分。
更微妙的是，有些基准因共享设计元素（如相同的评分方式）而彼此高度相关，却未必是因为测了同一个概念。个别基准甚至与标着其他概念的基准相关性更高——例如，被用来测量“偏见”的BBQ基准，其准确率分数与标为“推理”的基准相关性更强，反而与同属“偏见”类的其他基准关系更弱。这暗示它可能测的并非其宣称的“偏见”。
研究团队已公开全部逐题与基准级别的模型输出和分数，供后续研究使用。基准是AI发展中的“路标”，但若路标彼此指向不明，导航就会失真。在依赖分数做决策之前，我们或许该先问一句：这项测试，究竟在测量什么？
即时界面：软件构建的未来之变原文
想象一个场景：打开电脑，呈现在眼前的不是固定的软件图标与菜单，而是一个为你此刻任务量身定制的操作面板——做完事情，它便悄然消失，不留痕迹。这不是科幻电影，而是人机交互研究领域正在酝酿的一场范式革命。
长久以来，我们的社区致力于创造精心设计的界面——那些预先构建、静态存在的数字产物。每一个按钮的位置、每一种配色、每一段交互流程，都凝聚着设计师和工程师的心血。正因构建过程如此费力，我们才对每个界面投入巨大的精力与关怀。但如今，天平正在倾斜：技术发展让我们几乎可以在几分钟内构建出任何定制化的软件。当构建成本变得极低，一个崭新的未来便浮现于地平线上——界面将不再需要被静态地创造，它们可以在使用的那一刻被实时生成。
这是一个“即时界面”的世界：快速、可丢弃、按需出现，精准匹配我们当下的需求。当你需要比较数据时，一个图表工具瞬时浮现；当你完成预订，它便完成任务般消散。这种界面不再追求永久保留，而是像便利贴一样，用完即弃。
这样的前景给整个交互设计社区抛出了一个尖锐的问题：在这个世界里，我们是否还需要亲手构建传统意义上的交互系统？或者说，我们的角色是否会转变为搭建“用于AI消费的界面生成器”——那些本身不是界面，却能够指导人工智能为人类实时生成界面的“元工具”？这就像从手工打造一把把椅子，转变为创造一台能随时根据坐姿塑形的智能座椅。
文章作者给出了明确的态度：我们应当拥抱这样一个快速、定制、按需界面的未来。与其固守传统系统的构建，不如主动适应并引导这场变革，去探索界面从“精心打磨的雕塑”变成“即时生成的对话”之后，人机交互将如何重新定义。当交互的形态变得像空气一样流动而自然，软件与人的距离或许将真正消融于无形，而设计的智慧，则从每一个像素转移到了生成逻辑的方寸之间。
训练大语言模型，好比教一个学生解复杂的数学题。传统的强化学习方式，只在最终答案正确时给予奖励——这是一种“稀疏结果奖励”。对于简单任务，这招或许管用；可当任务需要更长、更曲折的思考链条时，学生可能走了九十九步，只在最后一步选错方向，却得不到任何鼓励，学习自然慢得令人沮丧。
为了解决这个问题，研究者们曾尝试“奖励部分进展”：只要答对中间步骤就给予一定奖励。但这种朴素的方案往往带有偏差，会让模型学会走捷径，最终收敛到并非最优的策略上。看似在进步，实则走偏了路。
那么，有没有一种既公平又高效的奖励方式？在这项研究中，作者提出了一种名为“渐进式逐点匹配”的简单而无偏的密集奖励机制。它的核心思想是：不要只盯着终点，也不要以模糊的方式鼓励“大概对了”，而是把生成过程切分成多个段落，在每一个段落层面精确衡量模型输出与参考轨迹的匹配程度，并据此给予奖励。这种奖励不偏不倚，不会诱导模型偏离真正的最优解。
理论上，他们证明了这种逐段奖励相比稀疏奖励，在长时程任务上的扩展效率是指数级的提升。为了验证这一点，他们在合成环境中进行了实验，结果清晰地展示了这种优势。更实用的是，他们展示了只需为每个任务准备一条参考轨迹，就能将这一方法落地到实际场景中，无需复杂的多轨迹设计或人工标注。
最令人印象深刻的实验发生在极其困难的数学推理问题上。在这样的任务里，稀疏结果奖励几乎寸步难行——模型得不到任何有效反馈，学习效果停滞不前。而采用段落级奖励后，当测试时允许更多的生成令牌（token）预算时，模型的表现出现了显著改善，无论是成功率还是pass@k指标都得以提升。换言之，那些原本无从下手的难题，开始被模型一步步攻克。
这项研究给我们的启示是：通往复杂目标的道路上，过于遥远的奖赏有时等于没有奖赏。将漫长的旅程切分成可验证的里程碑，每一步都给予诚实而精准的鼓励，反而能让人工智能走得更远、学得更牢。真正的高效，不是只盯着终点的荣耀，而是懂得在沿途每一次坚实的迈进中，找到正确的方向。
在科技巨头们高歌猛进推进人工智能时，美国普通人的心里却写满了不安。NBC News刚刚发布了一份覆盖7105名成年人的全国民调，结果令人深思：70%的受访者表示，对AI感到的担忧多于兴奋。这种不安并非某一党派的情绪，而是跨越了民主党和共和党的普遍心态，即便有越来越多的人开始在日常中使用这项技术。
调查显示，52%的受访者已经经常或有时使用AI，这个数字比2025年6月又上涨了六个百分点。然而，使用频率上升并未带来信任的同步增长——只有18%的人表示，他们大部分或几乎所有时候都信任AI生成的信息。换句话说，人们一边用，一边怀疑。
真正让矛盾浮出水面的，是AI基础设施的落地问题。69%的受访者反对在自家附近建设数据中心，其中45%的人表示强烈反对，而只有31%的人愿意接受。数据中心已经成为AI争议的“脸面”，当科技公司的大规模扩张计划遇上社区居民的抵抗，这一议题正迅速发酵。
经济上的焦虑同样不容忽视。70%的人认为AI正在夺走人们的工作，多数受访者预期AI会对学校和选举产生负面影响。在一片唱衰声中，科学和医疗是两个少数被寄予厚望的领域，人们相信AI在那里的正面作用可以超过风险。
政治层面则呈现出一种深深的无力感。81%的人认为华盛顿现有的AI监管规则远远不够，但当被问及信任哪个政党来制定AI政策时，44%的受访者选择了“都不信”。民主党仅获得20%的支持，共和党只有16%。在中期选举临近之际，AI的愤怒已经成为真实的竞选话题，而两党都未能赢得选民的信任。
这份民调描绘了一幅矛盾的图景：AI的使用率在攀升，但信任在流失；产业领袖们聚焦于未来的蓝图，普通人的担忧却集中在当下的就业、隐私和社区安全。数据中心的抗议声、对选举被干扰的恐惧、对监管缺位的无奈，这一切都在提醒我们——技术的脚步太快，而人心和制度尚未跟上。或许，真正需要被“训练”的不只是AI模型，还有如何让技术发展赢得人的信任。
AI药物试验意外逆转衰老时钟原文
一家名为Insilico Medicine的AI制药公司，近日公布了一项令人意外的试验数据。他们研发的药物rentosertib，最初是用来治疗一种让肺部逐渐失去功能的罕见疾病——特发性肺纤维化。这种病会让疤痕组织慢慢窒息肺部，患者的生活质量随时间流逝而急剧下降。而这款药物的特别之处在于，它并非人类科学家的偶发灵感，而是完全由人工智能筛选靶点、设计分子结构而诞生的产物。
在去年完成的一项涉及42名患者的临床试验中，rentosertib展现了对肺功能的改善潜力。但真正让研究者兴奋的，是他们在后续分析中的惊人发现：当把这些患者治疗前后的血液样本，放入六种不同的“衰老时钟”AI模型中进行评估时，接受治疗的患者在生物学年龄上都显示出了“逆生长”的迹象。这些衰老时钟由不同研究团队开发，能够从血液中的甲基化等标志物推断出身体的实际老化程度。其中一组患者的评估结果显示，他们的生物学年龄平均年轻了2.7至3.5岁。
这个信号是初步的，样本量也不大，但它的意义可能远超治疗一种肺部疾病本身。因为这意味着，一种为特定疾病设计的药物，或许还能同时作用于衰老的底层机制。更有趣的是，试验数据还揭示出一个细节：在肺部功能改善最明显的给药剂量，并不是衰老信号最清晰的剂量。这暗示着药物对抗衰老的路径，可能与治疗疾病的路径并不完全重合，衰老的调控或许不只是疾病缓解带来的副产品。
Insilico Medicine的故事，是当下AI制药浪潮的一个缩影。Anthropic的首席执行官Dario Amodei曾评论说，一个真正的医学突破，比任何营销活动都更能扭转公众对人工智能的情绪。当人们目睹AI设计的分子走进人体试验，并展现出超越原始目标的可能性时，大众或许会真正开始想象——医学即将变成什么样子。目前，所有AI设计的药物都还处在通往市场的漫长跑道的起点。而这样一个意外收获，也提醒着我们，当人工智能开始在人类生命科学的迷宫中探索时，它可能会带我们找到原本未曾预期的出口。那些最初的某个小目标背后，也许隐藏着通往更宏大图景的大门。
想象一下，你手下的实习生每天不吃不喝不睡觉，还能同时干四个人的活，而且越干越熟练——这正是OpenAI正在发生的真实图景。最近，这家前沿AI实验室罕见地掀开一角，向外界展示了自家编码智能体的工作强度：在OpenAI内部，AI智能体每“工作”一天，相当于人类员工三天的产出，具体来说，每投入1个人类工作日，智能体就自动积累约3.1个工作日的工作量。
故事的起点要追溯到去年十月。OpenAI首席执行官萨姆·奥尔特曼当时在社交媒体上画了一条时间线：到今年九月，公司应该拥有一个“自动化研究实习生”水平的系统；到2028年三月，则要训练出能完全自主完成研究任务的AI。如今，这个“实习生”目标已经提前兑现——内部数据显示，智能体正以惊人的速度融入研究流程。
数字是冰冷的，但故事藏在细节里。如今，OpenAI的典型研究人员每天要烧掉超过600美元的智能体代币额度，相当于一个普通工程师日薪的十几倍。更夸张的是，那些最“烧钱”的研究尖子，每天消耗的代币价值高达7000美元以上。自去年十二月以来，智能体的代币输出量翻了124倍——这不是缓慢的线性增长，而是近乎垂直的爆发曲线。
在这家实验室里，大约八成的研究人员现在会同时调用四个以上的智能体协同工作。你可以把这一幕想象成每个人类研究员身边都飘着一群数字幽灵同事，它们负责写代码、跑实验、查文档，偶尔还互相交换中间结果。OpenAI内部透露，人均实验数量已经达到“历史最高水平”——虽然公司从未公开过具体数字，但这句话背后的含义不言自明：AI正在让科学探索的节奏加速到人类难以单独企及的速度。
有趣的是，智能体承担的任务本身也在进化。早期它们只能处理简单的、边角料般的编码工作，但现在，那些更复杂、耗时更长的任务反而成功率更高了。技术故障排查这类需要反复试错、步步推理的工作，在整个团队中激增。换句话说，智能体不再只是“跑腿的”，已经开始扛起真正的技术难题。
为什么这些内部数据值得关注？OpenAI的一位高管蒂博·索蒂奥曾给出过一个耐人寻味的评价：在面向公众发布之前，团队就使用内部代号“阿斯特拉”的智能体来辅助研究，这堪称“最大的竞争优势”。这次公开的内部使用报告，让外界得以窥见那些竞争者真正面对的是什么——手握尚未发布的前沿模型，又有充足的预算去消耗海量代币，这些实验室正在以一种近乎不可理解的方式进行自我加速。当别人还在学习如何使用AI时，OpenAI的智能体已经在帮助研究员设计下一代的AI了。
这或许才是这场竞赛最隐秘的赛道：不是比谁的模型参数更多，而是比谁能让AI先作用于AI本身。当智能体成为研究团队的一部分，甚至成为产出主力时，人类的位置正在悄然改变——从执行者变成了指挥官，而指挥的对象，是比自己快三倍的数字军团。面对这样循环加速的飞轮，我们或许该问：当“实习生”毕业时，人类研究员还跟得上吗？
凌晨刚在数学领域取得重大突破，下午又甩出一枚重磅炸弹——OpenAI发布了全新图像模型ChatGPT Images 2.5，直接用一场“自我超越”宣告了AI图像生成领域的又一次洗牌。距离上一个版本Images 2.0登顶图形排行榜还没过去多久，OpenAI就已经不满足于和对手赛跑，而是转身和自己较上了劲。
这次升级最直观的变化就是“快”。据官方介绍，相比Images 2.0，新模型的生成时间最高缩短了50%。如果你曾被漫长的等待消磨过灵感，这个数字大概足以让你眼前一亮。但速度只是开胃菜，真正的重头戏在于“精准编辑”——此前许多AI图像模型都有一个恼人的毛病：你想改个细节，它却把整张图连带背景、光影甚至无关的物体都重画了一遍。而2.5版本号称“只改你要求改的地方”，那些令人抓狂的“连带伤害”终于有望成为过去式。
为了兑现这个承诺，OpenAI一口气推出了两个API模型，代号“Sunburst”和“Flare”。两者一出生就霸占了Arena AI图像排行榜的头两名。如此强势的姿态，仿佛在说：这片赛场，目前还是我说了算。
除了技术底层的更新，2.5还带来了一些颇具趣味的新玩法。比如输入“@Sketch”，你随手涂鸦的线条就能被转化成完整的图像——草稿纸上的灵光一现，终于有了成为“成品”的机会。此外，还有用于精细化修改的评论功能、帮你快速起步的模板，以及可以分享的提示词。这些工具凑在一起，明显是想降低创作门槛，让专业设计师和普通用户都能找到自己的用武之地。
从数学推理的捷报到图像模型的迭代，OpenAI最近上新的节奏肉眼可见地加快。曾经，Images 2.0在排行榜上矗立许久，如今击败它的不是别人，正是自己的继任者。这种“除了我没人能打败我”的势头，不免让人好奇：当一种技术开始以追赶自己为常态，行业的整体脚步又将迈向何方？或许，真正的分水岭从来不是超越了多少对手，而是每一次回头，看到被自己甩开的身影——然后在下一个黎明来临前，继续向前。
当AI助手还停留在对话框里等待指令时，Meta已经悄悄把一位"数字管家"塞进了你的短信列表。它的名字叫Muse，一个永远在线的个人AI代理，拥有专属云电脑，能替用户订餐厅、发邮件甚至直接下单购物。这一次，AI不再只是聊天，而是真正动手办事。
Muse的特别之处在于它打通了Gmail、Spotify、Ticketmaster和OpenTable等常用应用，即便某些服务没有现成接口，它也能自己编写代码完成集成。它既可以运行在独立App中，也能通过WhatsApp直接对话，背后依托的是一台虚拟电脑，能像真人一样浏览网页、填写表单、点击按钮。换句话说，你告诉它"帮我订周五晚七点两人的意大利餐厅"，它会自己打开OpenTable，比较选项，完成预订，再发确认信息给你。
隐私问题一直是AI代理的痛点，而Meta这次刻意把"安全"当作卖点。Muse拥有独立的云端加密环境，支付环节接入Stripe，所有关键操作都内置了用户批准流程，相当于每笔订单或邮件发送前都要过目。这一设计意在缓解用户对AI擅自行动的担忧。
商业模式同样清晰：Muse提供有限的免费使用额度，之后是两档月费订阅——20美元的基础版和100美元的高阶版。首发仅限美国用户，国际市场的打开还需等待。
如今，个人AI代理赛道已拥挤不堪：前有Hermes、OpenClaw和Grok Bot，后有Muse加入战局。但真正的悬念在于，当OpenAI和Anthropic这类前沿AI公司不断突破浏览器自主操作和智能体生成技术时，它们会不会很快直接绕开这些"代理中间商"，把同一个大脑装进每个应用的底层？到那时，独立的Muse们还能留住用户吗？
无论如何，Muse的亮相标志着AI从"被动应答"向"主动代劳"的关键一步。我们正在习惯把琐事交给云端的一串代码，但随之而来的问题是：当AI能替你购物、发信、做决定，那些微小的生活仪式感，是否也在悄悄让渡给一段永不停机的算法？
一场关于数学史上最高荣誉的争夺战，在人工智能的浪潮中骤然打响。OpenAI突然公布了一份来自未发布内部模型的证明，声称解决了纳维-斯托克斯方程——这是克雷数学研究所悬赏一百万美元的七大千禧年难题之一。消息一出，学界震动，但随之而来的，不是欢呼，而是一场关于荣誉归属与数据使用的激烈交锋。
这场风波的起点，是OpenAI的一次“闪电战”。据其透露，他们调动了约一万个智能体同时运行，在一个“明显比刚刚发布的GPT-6 Astra更强大”的模型上，仅用88小时就生成了这份证明。公司估算此次计算成本高达“数百万美元”，CEO萨姆·奥特曼更是将其称为“OpenAI历史上最令我惊叹的时刻之一”。如此高调的表态，本该是人工智能与基础数学结合的里程碑，然而，另一组研究者的声音却让剧情急转直下。
来自Anthropic的莱文特·阿尔珀格和纽约大学的特里斯坦·巴克马斯特声称，他们在这条道路上已经耕耘了一年。两人采用相似的路线，将草稿输入Codex工具，并在OpenAI公布成果的前一晚，刚刚发布了部分研究结果。巴克马斯特随即发表声明，直指OpenAI是在听闻他们的工作后才启动相关研究，并且从未正面回应一个关键问题：他存储在Codex中的草稿，是否被用于训练那个创造奇迹的内部模型？
面对这一连串质疑，OpenAI的回应颇为谨慎。他们坚称“没有看过他们的任何工作”，“没有访问任何特定用户数据”，但同时也承认，无法排除使用数据可能在整体上优化了模型的可能性。这模棱两可的表述，非但没有平息争议，反而让外界对AI公司如何对待研究者数据的疑虑进一步加深。
遗憾的是，这场关于“谁先想出点子”的争论，盖过了事件本身可能蕴含的巨大科学意义。在AI已经深刻改变科研范式的当下，一个内部模型的能力就已远超刚刚公开的Astra，这意味着人们对于今年AI能达到何等高度的想象，或许都需要彻底刷新。当算法开始触碰人类智慧的巅峰难题，如何界定原创、如何保障公平、如何共享荣耀，这些规则尚未建立，但挑战已经近在眼前。也许，真正的难题不只是方程本身，还有人类该如何与比自己更聪明的“合作者”共处。
想象一下，机器人要完成一项精细任务：用指尖转动螺丝、在狭窄空间中插拔连接器，或是在无光条件下分辨物体材质。对人类而言，这些动作几乎不假思索，但对机器人来说，每一刻都充满挑战——视觉被手掌遮挡，物体接触时的摩擦力与形变难以预测。长期以来，视觉-语言-动作模型（VLA）试图统一感知与操作，却在接触密集的灵巧操作中频频受挫，原因很直接：它们“看不见”被遮挡的接触点，也“感觉不到”力的微妙变化。
这篇研究提出了一个名为DeCAL的模型，其核心思想是：让机器人不只“看”，更要“摸”和“想”。DeCAL全称为“物理具身的灵巧视觉-语言-动作模型”，它把理解、想象与动作生成融于一体，专为接触密集的灵巧操作而设计。它采用了一种混合Transformer（Mixture-of-Transformers）架构，为每项能力配备专门专家模块，同时让它们高效协作——就像一支各司其职又默契配合的团队。
针对触觉信息利用不足的痛点，研究者设计了“自适应视觉-触觉融合”机制。它通过一个“接触感知门控策略”，动态决定何时该多依赖触觉、何时该回归视觉。例如，当指尖刚碰触物体时，触觉信号权重会陡然提升，精细调节力度；而在远距离接近阶段，视觉则重新主导。这种动态调配让机器人不再机械地平均融合多模态数据，而是像熟练工匠一样，依据当下情境灵活切换感官主次。
更关键的一步是“视觉-触觉潜在联合想象”。在动作执行前，模型会在潜在空间内同时推演未来画面与触觉变化——预判“如果这样按压，物体会怎样滑动，压力将如何分布”。这种内部物理模拟，赋予了政策隐性的物理世界知识，使决策不再仅仅是对当前感知的即时反应，而是带有前瞻性的精准规划。
实验结果显示，DeCAL在全部测试任务中刷新了最优成绩，平均成功率可达71%，进度成功率高达83.4%，并在未见过的场景中展现出强劲的泛化能力。这组数据背后说明，触觉融合并非简单叠加，而是需要结构化设计与物理知识的引导。
当机器人真正开始感受接触的细微震颤，预见每一丝滑移的轨迹，灵巧操作便不再只是代码对指令的机械执行。或许未来的机器人之手，会因为在“看”与“摸”之间找到了平衡，而第一次接近人类的从容。
程序图谱：让AI按流程行事原文
你有没有遇到过这样的情况：明明有清晰的目标，却在执行中乱了阵脚，忘掉该做什么，颠倒了操作顺序，甚至反复做着无效努力？大语言模型在扮演智能体时，也常常陷入这样的困境——它们通过不断累积的历史记录来即时生成下一步动作，却缺少一份真正意义上的“操作规程”。它们不知道什么该先做、什么该后做、在什么条件下做，于是长任务一拖，就偏离方向，工具乱序调用，动作开始原地打转。
为了根治这个问题，研究者提出了一种名为“程序图谱”的结构。如果说知识图谱是把事实知识组织成“（实体，关系，实体）”的三元组，回答“是什么”的问题，那么程序图谱就是把程序性知识组织成“（程序，关系，程序）”的三元组，专门回答“该做什么”的问题。这份图谱成为智能体的内在导航：每个决策时刻，框架先定位智能体当前所在的节点，再由一个引导模型读取周边子图，生成针对当前步骤的情境指导。它给智能体提供方向，但不替它做决定，行动依然由求解器自主完成。
更妙的是，这个图谱能自我进化。一个精炼模块会对比失败与成功的轨迹，找出差别，然后编辑图谱的结构、属性或连接关系。每一次编辑都会被自动检验：如果改动保留了原有性能、甚至提升了效果，就被采纳；如果让表现变差，则被拒之门外，同时把这条教训保留下来，防止智能体再次跌进同样的坑。整个系统从一张极简的骨架图开始，在一次次试错中不断长出越来越准确的程序结构。甚至，它还能修复一份专家设计的残缺先验图，让它重新变得好用。
在多个数据集、不同任务类型和多种大语言模型的实验里，程序图谱都稳定地胜过纯粹依靠记忆的基线方法。自我进化机制不需要额外的人工调试，就能持续带来性能提升。这仿佛给智能体装上了一个不断打磨的“处事逻辑框架”。它不是死记硬背每次对话的记忆，而是把成功与失败中的经验浓缩成一张可复用的大网。当智能体走出一条路，它知道下一步有多少种走法，也知道哪一条通向更好的结果。
程序图谱揭示了一个更本质的道理：要让机器可靠地完成复杂任务，不只是让它看到更多句子和指令，更要让它懂得把事情排列成有序、可判断、可修正的流程。也许对智能体如此，对人亦然——在漫长而多岔路的目标面前，我们需要的不仅是记住自己说了什么或做了什么，而是一份更清晰的“该怎么做”的内在蓝图。
在一个普通的上午，OpenAI刚在数学领域取得重大突破，到了下午，他们又甩出了一枚重磅炸弹：全新图像模型ChatGPT Images 2.5正式发布。这距离上一代Images 2.0登顶图像排行榜还没过去多久，而这一次，OpenAI要超越的对手，居然是自己。
新模型最直观的变化是速度——生成时间比Images 2.0最高缩短了50%。如果你曾被漫长等待折磨过，这会是一个实实在在的惊喜。但速度只是开胃菜，编辑能力的升级才是真正的重头戏。过去，用户想微调图片里的某个细节，AI常常“好心办坏事”，把整张图都改得面目全非。而Images 2.5被官方称为“只听你的指令”，只改动你要求的部分，不再自作主张地动其他区域。这听上去简单，却是无数用户梦寐以求的精准控制。
更让人玩味的是技术底层的较量。OpenAI这次为API准备了两款模型，代号分别是Sunburst和Flare。它们一上线就空降Arena AI图像排行榜的前两名，直接把上一代的Images 2.0挤了下去。换言之，OpenAI在图像生成这个赛道，已经跑到了连自己都必须拼命追赶的地步。
除了硬核参数，新模型还带来了一堆可玩性很高的功能。比如在对话框输入@Sketch，你就能随手涂鸦，让AI把你的草图变成完整画面；图片下方多了评论功能，可以像给文档批注那样，指着某个区域要求修改；模板功能让新手也能快速起步；而分享提示词功能，则让好创意不再孤独——你可以直接把自己的prompt传给朋友，让他们一键复现你的风格。
从凌晨的数学突破，到下午的榜单登顶，OpenAI的发布节奏明显在加快。当别人还在追赶上一代产品的尾巴时，它已经用更新的一代证明：最可怕的对手，永远是昨天的自己。而对于我们这些旁观者而言，唯一的问题是——下一个清晨，又会有什么被悄悄改变？
Meta刚刚丢出了一枚重磅炸弹：一款名为Muse的全新AI个人代理，它不再是冷冰冰的聊天机器人，而是一个拥有自己“云端电脑”的常驻数字管家。你只需像发短信一样给它下达指令，它就能替你完成订餐厅、发邮件、甚至购物这些琐事。没错，这位看不见的管家，现在正式入驻了你的WhatsApp。
Muse真正让人眼前一亮的地方，在于它的“动手能力”。它不只是动动嘴皮子给建议，而是能直接接入你的Gmail、Spotify、Ticketmaster和OpenTable等应用，亲自上手操作。更酷的是，如果某个应用没有现成的接口，Muse甚至能自己编写代码来打通障碍。它运行在一个专属的虚拟机器上，可以像真人一样浏览网页、填写表单、点击按钮，把事办妥。这听起来像是科幻片里的场景，但Meta已经把它变成了现实。
为了消除人们对隐私的顾虑，Meta这次把安全当成了卖点。Muse拥有自己独立的云端安全环境，付款流程由Stripe保驾护航，而且所有操作都内置了审批环节——你永远握有最终决定权。毕竟，让一个AI拿着你的信用卡去购物，总得有点安全感才行。
当然，天下没有免费的午餐。Muse提供有限的免费使用额度，之后就要订阅了，分为每月20美元和100美元两档。首批上线仅面向美国用户，其他地区的朋友可能还得再等等。
放眼市场，从Hermes到OpenClaw，从Grok Bot到这次登场的Muse，个人AI代理已经扎堆涌现，热闹非凡。但值得玩味的是，当OpenAI和Anthropic这些前沿实验室的AI在自己浏览器里把上网技能练得愈发炉火纯青、随时能召唤出各种代理时，我们不禁要问：这些夹在用户与最终服务之间的“代理中介”，会不会在不久的将来，被更底层的AI能力直接抹平？也许，真正的竞争才刚刚开始。
一道悬赏百万美元的数学难题，竟在一场深夜“赛跑”中被两支顶级团队同时盯上。一边是OpenAI，一边是Anthropic和纽约大学组成的学术搭档。双方都声称在用AI攻克纳维-斯托克斯方程——那个描述流体运动、被列为千禧年七大难题之一的世纪挑战。但故事的开头，却要先从一份从未发布的内部模型说起。
OpenAI突然宣布，他们用一个“远比刚刚公开的GPT-6 Astra更强的”内部模型，同时并行运行了大约一万个智能体，在88小时内生成了一份完整证明。该公司估算这次计算的成本在“数百万美元”级别，奥特曼更称之为“OpenAI历史上最令我惊叹的时刻之一”。如果证明成立，这将是数学界的一次大地震，也是AI首次独立解决世界级难题。
然而，学术界的反应却是先皱眉，再沸腾。来自纽约大学的Tristan Buckmaster和Anthropic的Levent Alpöge发出质疑：他们在这个方向上已经耕耘了一年，期间甚至把研究草稿喂给了Codex，并在OpenAI发布的前一晚已经贴出了部分结果。Buckmaster公开声明，OpenAI是在听说了他们的工作之后才开始行动的，并且从未正面回答那些Codex草稿是否被用于训练模型。
OpenAI则坚决否认，说自己“没有看过他们的任何工作”，也“没有访问任何特定用户的数据”，但同时也承认，无法排除使用数据可能已经“改进”了自家模型的可能。一个耐人寻味的细节是：既然OpenAI的模型“没有看到”用户的草稿，那为何又强调“无法排除”？这中间的模糊地带，恰好成了争议的裂口。
关于功劳的争夺，不幸地让这个本已震撼整个AI夏天的数学突破蒙上了阴影。过去几个月里，AI已经改变了数学研究的常规方式，而如今，一家前沿实验室的内部模型竟然比几天前才发布的公开型号还要强大得多。无论你之前对今年AI能力的上限做出过怎样的估计，现在可能都要重新画一条更高的线了。
问题并不在于OpenAI是否真的独立完成了证明，而在于当模型的能力已经完全超出公开可验证的范围，我们该如何相信“独立”这个字眼？当代码生成工具本身就由那些潜在竞争者训练而成，又有谁能为“灵感”划清界限？也许，未来的数学史上会同时记录两行字：一行写证明的胜利，另一行写信任的裂痕。而这裂痕，远比一个方程更难解。
当人们谈论大模型训练时，目光往往聚焦在预训练阶段成百上千张GPU的算力堆砌。但真正让模型学会“思考”的，往往是被忽视的后训练环节。今天，一群研究者带来了一个名为Miles v0.1的全栈系统，目标是让前沿规模的强化学习（RL）从少数巨头实验室的门槛，变成研究者和企业都能触及的日常工具。
Miles的设计哲学很朴素：每个组件都应可验证、干净且可定制。它继承了前代项目slime的简洁基因，但把整套RL训练循环拆解成流水线式的模块。这种设计并非为了炫技，而是直面现实——强化学习训练环中任何一环出错，都可能导致模型在试错中彻底跑偏。因此，Miles把准确性、效率、可靠性和可扩展性放在同等重要的位置。
从技术架构看，Miles搭建了一条完整的生产线。生成rollout（智能体与环境交互产生的经验样本）的引擎基于SGLang构建，能够高效处理大量采样请求。训练器则提供两个可选后端：NVIDIA的Megatron-LM和PyTorch FSDP，前者适合超大规模节点集群，后者对科研团队更友好。系统还支持三种权重同步传输方式，以适应不同的部署拓扑结构——无论是集中式机房还是分布式算力，都能找到对应的同步方案。
Miles的能力边界并不局限于全参数强化学习。它同样支持LoRA（低秩适配）方式的轻量级RL，让微调小模型或适配特定领域变得经济可行；支持on-policy蒸馏，将大模型能力迁移到小模型；也涵盖了常规的监督微调（SFT）。最关键的是，Miles实现了真正的on-policy rollout-training对齐——训练所用的样本严格来自当前策略，避免了旧样本带来的偏差。这套架构甚至扩展到了扩散模型领域，为图像生成模型的RL训练提供了同款基建。
论文的后半部分展示了一个极具说服力的实战案例。研究者在GLM-5.2 744B-A40B模型上运行了完全异步的智能体强化学习，任务是终端编码（terminal-use coding）。整个系统部署在64块NVIDIA GB300 GPU上，前30步测量的中位数步进时间仅为263秒。这意味着，一个拥有超过7000亿参数的最前沿混合专家模型，能在数分钟内完成一轮完整的“观察—行动—反馈—更新”迭代，异步流水线将GPU的空闲时间压到了极限。
Miles已经以开源形式发布，项目代码与官网均可访问。底层模型GLM-5.2同样规模可观——744B总参数、40B激活参数，这也暗示了这套系统正是为十亿级甚至万亿级参数的“巨兽”量身打造。对于饱受算力预算困扰的开发者来说，Miles的出现或许会改变“做RL先要有庞大工程团队”的旧认知。
强化学习如同驾驶帆船，既要把握风向，也要随时校准航向。Miles的诞生让更多人得以登上这艘船，在模型的智慧之海中驶向更远的水域。但风浪依旧——如何让这套系统在不同硬件栈上丝滑迁移，如何进一步压缩通信开销，乃至如何避免RL带来的奖励黑客行为，仍是悬而未决的命题。工具已经就位，探索才刚刚开始。
当机器人走进堆满杂物的房间，仅仅规划一条2D路线远远不够。对于双足人形机器人而言，每一次穿越都意味着躯干要倾斜、手臂要找支撑、步态要随时调整——这是一个三维空间里全身协同的难题。传统方法把导航简化为平面路径问题，却忽略了身体本身占据的复杂体积。如今，一项名为TANGO的研究给出了不同的答案：让机器人直接用自然语言理解指令，通过第一视角摄像头观察环境，一步到位预测出29个关节的联合动作，实现真正的全身导航。
研究团队完全在仿真环境中训练TANGO，他们合成出多种多样的无碰撞穿越行为：先用全局路径规划确定大方向，再以运动学方法生成全身动作，接着通过障碍感知的动作编辑修正姿态，最后用强化学习跟踪这些动态可行的轨迹。经过这样的流水线，TANGO学会了将语言与身体协调能力绑定起来。在大量的仿真实验中，TANGO在视觉语言导航任务上达到了当前最优水平，尤其是在需要与障碍物周旋的复杂场景里，它明显胜过了架构强大的模块化基线系统。
更令人兴奋的是，研究团队将TANGO零样本部署到了Unitree G1人形机器人上——没有使用任何真实世界的导航训练数据，机器人就能在堆满障碍的物理环境中，跟随着语言指引稳健地迈步、探身、通过。这让人忍不住想象未来：我们不必再为机器人精细测量每一处空隙，只需说一句“把那个箱子旁边的通道让开”，它就能自己读懂身体与空间的默契。技术跨越虚实的那一步，或许就从一句指令开始。
一个看似合理的修复方案，真的能解决代码仓库里的问题吗？对于编程智能体而言，答案往往藏在测试之中。然而，一个耐人寻味的现象是——如果让同一个智能体既写补丁又写测试，它很可能自欺欺人：补丁和测试中的错误相互"默契"，共同制造出虚假的成功信号。这种错误的一致性，成为自动化代码修复路上的一道隐秘陷阱。
为了跳出这个怪圈，研究人员提出了ExecCritic，一套将测试生成与代码修复彻底分离的智能体训练框架。它的核心结构如同一场精心编排的接力赛：首先，一个专门的"测试智能体"独立编写符合仓库规范的测试用例；随后，一个"失败即终止"的验证闸门严格审查这些测试，并冻结通过审查的版本；最后，"修复智能体"根据这些固定测试的执行反馈来打磨源代码——全程无权改动测试，只能适应测试的约束。
两位主角使用相同的Qwen-3.5-35B-A3B型号作为基座，却接受截然不同的专业训练。在第一阶段"学习测试"中，测试智能体要学会生成能区分正确补丁与错误补丁的行为有效测试；在第二阶段"测试促进改进"中，修复智能体则要掌握直接解决问题和依据反馈迭代修订的双重能力。这种角色分化和针对性的强化学习配方，构成了ExecCritic区别于传统端到端训练的独特之道。
实验数据揭示了一个发人深省的规律：测试质量直接决定反馈的效用。在业界标杆SWE-bench Verified基准上，如果固定使用基座测试智能体的测试，原始修复智能体的解决率反而从无测试基线状态的61.2%下滑至57.3%——差劲的测试不仅无益，甚至有害。而引入来自更强的GPT-5.6-sol模型的测试后，解决率攀升至65.3%。这充分印证了研究人员对测试质量的高度重视：反馈只有在测试真正捕捉了问题诉求时才能发挥正面作用。
更亮眼的结果出现在角色化训练之后。基座Qwen测试智能体生成的测试，将正确补丁从错误补丁中识别出来的成功率仅为22.2%，但经过角色化后训练，这一数字飙升至62.2%。当两个经过后训练的Qwen智能体协作时，整体能力达到72.6%的解决率——相较于原始无测试基线，提升了整整11.4个百分点。值得注意的是，这一成绩并不依赖于更强模型或Oracle反馈，完全靠的是内部角色分工与强化学习的精妙配合。
ExecCritic用实证提醒我们：在编码智能体的世界里，测试不是事后诸葛，而是决定成败的关键判官。当智能体学会用他人的标准审视自己，进步才可能真正发生。让写测试的专心写测试，让修代码的专心修代码，这种看似简单的分离，或许是通往可靠自动化编程的一条值得深挖的路径。
想象一下，你对机器人说：“帮我拿那个木质的红色小盒子。”它环顾四周，在一个堆满杂物的房间里，准确锁定了目标。这背后需要的，不仅是“看见”物体，更是“记住”它们，并在日后通过语言轻松“回忆”起来的能力。对于依赖语言指令的机器人而言，一个持久的场景记忆系统至关重要，它能让机器人跟随指令、再次访问之前的物体，并理解对话中提到的“那个东西”。
然而，现有的大多数语言引导的场景记忆检索，都侧重于空间关系（比如“桌子左边的杯子”）或指代关系（比如“我之前提到的那个”）。但在日常生活中，我们更常使用物体的多个持久属性来描述它，例如类别、材质、大小和表面外观。当你说“找一个不锈钢的大碗”时，机器人需要综合这些条件进行筛选。
科研人员将这个问题正式定义为“属性组合检索”，即用一个固定的、以物体为中心的场景记忆库，配合自然语言查询，来找出满足所有指定属性的那个物体。为了深入研究这项能力，他们设计了一套严谨的评估方案，使用固定的场景记忆和属性定义的目标，从而将“检索”这一核心环节与“感知”（比如识别物体）和“标注”（人工打标签）等容易产生干扰的步骤分离开来。
正是在这种挑战下，他们提出了一种名为FRAME的新方法。这个方法巧妙地将语言转化为与查询相关的属性权重，就像给每个属性（如颜色、材质）分配了一个“重要性旋钮”。接着，它利用学习到的“读取器”，从物体嵌入中估算出每个属性的证据分数。最终，FRAME会根据查询的描述，将这些证据聚合起来，对场景中的所有物体进行排序，选出最匹配的那个。
实验结果显示，在从未见过的场景和物体资产测试中，FRAME的表现优于其他几种代表性的场景记忆检索方法。更值得一提的是，它将物体评分阶段的计算简化为轻量级的矩阵-向量乘法，大大提升了效率。
这项研究将“属性组合检索”定位为语言引导机器人不可或缺的“场景记忆能力”之一。它让我们看到，物体的那些稳定属性，可以被转化为可组合的证据，支撑起准确且高效的多属性检索。当机器人不再只是被动地“看”世界，而是能主动地“回想”和“推理”世界时，它们才真正开始成为我们得力的居家或工作伙伴。未来，随着这类记忆能力的不断进化，机器人与人类之间的交流，也将变得更加自然和默契。
想象一下，一段视频里包含了数百帧画面，一个物体在镜头前不断移动、旋转、遮挡又重现。传统方法往往只能处理几十帧以内的短片段，一旦时间拉长，物体的轨迹就会在帧与帧之间“走丢”。最近提出的Point4D模型，却把目光投向了这个更遥远的战场——它能在跨越数百帧的长视频中，稳定推断出每个三维点的完整运动轨迹。
这项突破的关键，在于一种“聪明”的机制设计。过去的方法常常把轨迹预测与图像平面上的可见性捆绑在一起，一旦物体被遮挡或移出画面，预测就会中断。Point4D则别出心裁地引入了一个基于3D查询的运动解码器，它将轨迹预测从图像平面的限制中解放出来——模型直接预测三维空间中的终点位置，然后在下一段视频中重新查询这些3D点，无需反复重新投影或特征匹配。
更让人眼前一亮的是它对“视觉描述子”的再利用。研究团队发现，与其只依赖起始帧上的原始像素块，不如从轨迹上任意一个能看到该点的帧中提取视觉特征，再将这些特征用于后续匹配。这种灵活的“跨帧拾取”策略，让模型在遇到外观变化或短暂遮挡时更加鲁棒，性能显著优于死守单一参考帧的方法。
在覆盖超过200帧的多个长视频跟踪基准上，Point4D的表现均达到了当前最优水平，大幅超越了以往的前馈式4D重建方法。它不仅证明了“在更长的时间尺度上理解动态世界”是可行的，更点明了一个朴素却容易被忽略的道理：在纷繁变化的场景中，真正的稳定往往不是来源于固定不变的参照，而是来自于在不同时刻找到那个最清晰的自己。对于4D视觉乃至整个视频理解领域而言，这或许正是迈向“长远眼光”的又一步。
反向蒸馏：弱师亦可强徒原文
在大模型迭代的浪潮中，一个根本性难题始终萦绕：更强的下一代模型，能否从较弱的上一代模型中学习，并最终超越老师？这并非单纯的学术之问——当模型能力迈入新层级后，若每次都要从零开始进行昂贵的强化学习训练，成本将难以承受。传统蒸馏方法把弱模型当作优化的终极目标，学生被禁锢在老师的天花板之下，无法企及更高的成就。
研究者为此提出了一种名为“策略反向蒸馏”（On-Policy Reverse Distillation，简称OPRD）的思路。它并不把老师的输出当作标准答案，而是巧妙地观察老师在面对学生自己生成的数据时，其策略相较于原始参考策略发生了怎样的偏移。正是这种偏移，揭示了老师“想要变得更好”的方向。OPRD仅放大学生在该方向上被验证器（verifier）所支持的策略梯度，从而在不改变最优策略收敛点的前提下，加速学习的进程。换句话说，老师不再是一座翻不过去的山，而是一个指明方向的瞭望台。
实验结果显示，在连续代际模型迁移与多老师蒸馏场景中，OPRD相比现有的强化学习与蒸馏方法，能以更少的更新次数达到更高的性能。通过分析学生模型的响应风格发现，OPRD训练出的学生，其行为更接近那些仅凭验证器进行强化学习的模型，而非其弱老师——这证明弱老师的引导作用是为学生自身的优化“加速”，而非“改道”。即使在传统强到弱蒸馏中，OPRD也能有效融合验证器驱动与教师引导，且不依赖于教师与学生之间的能力大小顺序。
当弱模型不再强加壁垒，反而成为超越自我的阶梯，模型进化的路径也许将被重新书写。真正的传承，不是复刻过去，而是借助微光，奔向更远的未知。
在人工智能的疆域里，有一个问题始终萦绕在研究者心头：一个AI系统如何真正观察自己的能力，并将这种观察转化为下一轮的学习？这并非科幻式的空想，而是递归自我改进（RSI）必须跨越的现实门槛。如今，一个名为NeoHorse-1的模型家族，正试图用一套“边用边学”的精密机制，为这条道路铺下第一块基石。
想象一座繁忙的智能调度中心。NeoHorse-1并未采用单一巨模型应对所有请求，而是搭建了一个由异构模型组成的“能力池”，并配备了一个聪明的“路由大脑”。每当用户发出指令，路由系统不仅会决定调用哪个服务层级，还会默默记录下它对本次任务所需能力的预判、实际选择的模型通道，以及后续完整交互轨迹。这些记录没有沦为冷冰冰的日志，而是被精心加工成训练样本，其中保留了推理步骤、工具调用的交错痕迹，以及整个运行环境的上下文信息。
但数据并非照单全收。每一份样本都要经过结构性验证，随后经受六个维度的语义评估，如同产品出厂前的多重质检，最后还会被打上子场景级别的精细标签。这套筛选流程，确保了进入训练池的每一笔数据都具备清晰的价值坐标。
真正的创新在于，路由信号不仅仅是分配任务的交通警察，它还化身成了课程设计的老师。监督微调阶段被组织成三阶段的课程，其顺序正是由路由信号引导；这种引导还延伸到了在线策略蒸馏环节——在同样的进阶路径下，教师模型对学生生成的反应进行监督，实现了路由指导下的知识传递。更关键的是，能力引导分配机制会把每一轮评估反馈转化为下一轮训练的混合配方，由此形成一个完整的闭环：系统当前学会的能力，直接决定了它接下来的学习素材。这正是“评估-选择-更新”的自我改良引擎。
效果如何？数字给出了响亮的回答。在涵盖智能体工具使用、编码、指令跟随等十一项基准测试中，后训练让4B参数模型的宏平均成绩从58.94跃升至64.87，9B版本则从65.60提升至69.04。尤为引人注目的是，经过训练的4B模型，其整体平均分已大幅逼近未经训练的9B基础模型——规模劣势被训练智慧有效弥补了。
NeoHorse-1并非终极答案，但它提供了一个精巧的原型，证明了通过工具调用环境的中介，AI确实可以一步步观察自身、反哺自身。当一个系统开始从自己处理问题的轨迹中汲取教训，它便不再是静态的工具，而是一个持续生长的学习者。这条由日志、路由和反馈铺成的蜿蜒小径，或许正是通往更强智能那扇大门的一把备用钥匙。而钥匙的每一次转动，都在悄悄改写“学习”这个词的定义。
想象这样一个场景：一个机器人在完全陌生的房间中执行任务，它从未见过这个环境，也没有被额外训练过，却能准确预测自己每一步动作将会引发的视觉变化，仿佛在脑海中先行“预演”了一遍。这听起来像科幻小说的设定，却正是SyncWorld模型试图跨越的现实门槛。
长久以来，世界模型在机器人领域的应用面临着一个尴尬的困境——动作并不是一种“通用语言”。在像素组成的视觉世界里，机器人稍作位移、换一个摄像头角度、甚至换一种机械臂结构，同样的一组数值指令就会呈现为截然不同的画面变化。当研究人员把来自不同环境、不同视角的数据混合在一起训练时，模型内部的监督信号相互冲突，最终导致部署时的“致命伤”——泛化能力脆弱不堪。
SyncWorld提出了一条颇具巧思的突围路径：与其让模型“死记硬背”动作与画面的固定关系，不如教会它通过视觉证据来“解读”动作。这枚钥匙被称为“视觉校准片段”——由成对的画面与动作构成的短小片段，完整展示了当前环境下所有可控的自由度。仅需这样一段示例，SyncWorld便能在推理时于上下文之中即时建立“动作—视觉映射”规则，准确刻画当前场景特有的物理与视觉关联。
这一设计的精妙之处在于训练策略的转变。当模型使用包含视觉校准语境的样本进行训练时，它逐渐习得了一项核心能力：从画面变化中反推动作的意图。更值得留意的是，即使部署时没有显式的校准信息可供使用，模型也能调用此前累积的交互历史，沿袭经验完成对新环境的适应。
实验结果显示，SyncWorld在从未见过的场景中精确模拟行动结果的水平相当令人振奋，而仿真轨迹的能力也带来了直接红利——机器人无需任何额外训练，便能在测试阶段即时优化自己的策略。这种“即插即用”式的改进方式，避开了繁琐的参数迭代，让学习到的经验在陌生环境中显现出意外的迁移力。
世界模型在逼近“用想象代替试错”这一理想时，真正的瓶颈往往隐藏在基础假设之中。SyncWorld提醒我们：当数据、经验、历史都互为语境时，模型或许不需要被世界重新训练，它只是终于学会了，如何用自己的眼睛去理解世界的逻辑。这从一个侧面昭示着，通往通用机器人智能的路程，也许并不在于掌握更多动作指令，而在于理解动作背后的感知秩序与故事。
想象一个AI不再等待你说完才回答，而是像真人一样能随时倾听、插话、提问，甚至在嘈杂环境中也能自然交流。Gander就是这样一个端到端模型，它首次将全模态感知、实时交互与智能体能力统一在单一框架中。与传统轮询式对话不同，Gander持续接收视频、语音和文本等多模态流式输入，无论是在日常闲聊还是复杂工作流中，都能实现自然的全双工交互——用户可随时打断模型，模型也能主动给出中间反馈或追问。
为了实现这一突破，研究者为Gander设计了两大核心架构。其一是“小脑-大脑”协作机制：小脑负责实时交互和全模态对话，大脑则专注复杂推理与高阶智能体任务，两者通过工具调用和智能体编排运行时持续沟通。其二，小脑基于流式“思考者-说话者”架构，将用户输入和模型输出按块级扁平化为有序token流，从而以统一表示支持低延迟的连续交互。
研究团队从对话能力、全模态理解、交互能力和智能体智能四个维度对Gander进行了全面评测。内部人类评估显示，Gander保持了顶尖开源模型自然且富有表现力的语音对话能力，同时在多模态交互上表现出竞争力。更值得关注的是，它在真实场景中展现出强大鲁棒性——无论是背景噪声干扰、多人同场对话，还是反馈性插话（如“嗯嗯”“对”这类回音词），都能从容应对。
Gander的发布不仅带来了模型本身，还附带了完整代码和数据，旨在推动社区在实时多模态交互与智能体融合方向上的进一步探索。当AI学会“聆听”空气里的每一次停顿，人机对话便不再是一问一答的仪式，而是一场真正流动的协作。
想象一下，只需一句自然语言指令，就能让AI生成全新的语音，或是对现有录音进行精准修改——去噪、换情绪、改口音，甚至调整背景音效。这不再是科幻场景，而是一个名为AuK的开源基础模型正在实现的目标。
AuK的独特之处在于，它没有为不同任务分别设计专用系统，而是用一个统一的界面——自然语言指令加音频上下文——来搞定语音生成和编辑这两大类工作。为此，研究团队构建了一个庞大的训练数据集，包含约30.3亿条“指令-音频”配对数据，有效监督时长高达195万小时，覆盖五大任务族：语音生成、内容编辑、增强与分离、副语言编辑（比如改变语气或笑声），以及声学编辑（比如调整混响或环境声）。
为了让模型既懂语义又懂声学，AuK采用了一套精巧的架构组合：一个多模态大语言模型负责理解指令和语义条件；一个在语音、通用音频和音乐上联合训练的VAE负责声学条件；而生成核心则是一个混合整流流Transformer，它先进行双流MMDiT模块处理，再进入统一的单流DiT模块，最终输出高质量的音频。
训练过程同样讲究策略。模型先进行仅生成的预训练“热身”，再进入生成与编辑的联合预训练。随后，研究者采用互补的后训练策略：对开放式编辑任务使用人类反馈偏好优化，对语音生成任务则使用基于奖励的强化学习。为了降低推理成本，他们还用一致性初始化和任务路由的解耦DMD技术对模型进行蒸馏，推出了AuK-Flash版本。这个版本只需4步推理，无需分类器自由引导，在同等条件下比完整模型快4.5倍（墙钟时间）。
实验结果表明，AuK在零样本和指令控制的语音生成、通用指令引导的编辑任务上均达到领先水平，在信号级恢复任务上也表现不俗。研究团队公开了源代码和模型权重，以便其他研究者复现和继续探索。
用一个模型贯穿“生成”与“编辑”，AuK让语音AI变得更像一位全能音频助手。当声音可以像文字一样被自由修改时，创作与修复的边界也将被重新定义。未来，我们或许只需说一句话，就能让世界听见我们想让它听见的声音。
世界行动模型（World-Action Model）试图从视频生成先验中继承世界知识，再通过具身经验将其转化为可执行的控制信号。然而，现有系统大多是“铁板一块”——生成骨干、视觉表征、架构设计、信息流动、推理过程与训练数据紧密耦合，研究者很难分辨哪些设计选择真正关键，又为什么关键。
为破解这一困局，研究团队提出了OpenWAM，一个开放的研究栈，将世界行动预训练转变为可控的实验程序。它由两部分构成：OpenWAM-Infra将WAM设计空间分解为可组合的模块，统一了训练、推理、部署与评估流程；OpenWAM-Study则在这一基础设施上，通过受控实验回答三个核心问题——该继承什么、世界学习与行动学习如何互动、二者的协同如何规模化。
实验提炼出三条原则。第一，上游知识要通过足够强大的生成骨干和紧凑、信息丰富的潜在空间来传递。第二，世界与行动的协同需要专门的动作容量、明确的世界到行动信息流，以及同步联合去噪。第三，具身预训练主要提升的是域外泛化能力，而将自我中心人类数据与机器人数据一阶段联合训练，能同时整合世界覆盖与动作基础。
基于这些原则，团队构建了OpenWAM-α，一个在约6400小时自我中心人类与机器人数据上预训练的开放WAM，并在仿真与真实世界基准上进行了评估。在八个仿真基准和真实机器人实验中，覆盖从单臂、双臂操作到灵巧手的多种具身形态，OpenWAM-α均表现优异，从仿真到物理世界始终保持顶尖水平。团队还发布了完整技术栈，包括基础设施、评估协议、预训练模型和数据配方，以推动后续研究。
当世界模型不再是一个黑箱，而成为可拆解、可验证的实验对象，具身智能的进步便有了更清晰的路径。开放，或许正是通往通用行动智能的那把钥匙。
在飞机与汽车的设计中，准确预测空气动力学性能是降低油耗、保障安全的关键。然而，传统的计算流体力学模拟虽然精确，却需要极高的计算成本和专业经验，难以用于反复迭代设计和实时分析。近年来兴起的深度学习代理模型试图解决这一痛点，但始终卡在两个难关上：一是多数模型只在狭窄的流动条件数据集上测试，面对复杂工况时表现未经验证；二是它们往往把全局流动条件当作一个单一向量，均匀地注入到所有几何表面点上，忽略了机翼、车身等不同区域实际经历着截然不同的局部流动现象——这就像用同一把尺子去量所有形状，自然会丢失关键细节。
针对这些局限，研究团队提出了一种名为“流动状态注意力网络”（FSAN）的新架构。它的思路很巧妙：先把点云几何和流动条件分别编码，再将几何表面划分为多个“流动状态”——这个划分不是手工指定的，而是通过可学习的软分配函数自动完成。随后，流动特征会不断更新这些状态表示，而状态的变化又会反作用于点云特征，从而实现了几何与流场之间细粒度、按状态区分的互动。换句话说，模型不再对整片区域“一刀切”，而是能感知到哪些地方正经历湍流、哪些地方处于层流，并据此做出更精准的预测。
研究团队在两个公认的空气动力学基准数据集上对FSAN进行了严格测试。结果显示，在Emmi-Wing机翼数据集上，FSAN的相对L2误差比当前最强的基线模型Transolver降低了超过20%；在包含多种车型与复杂几何的DrivAerNet++数据集上，它比最强基线AdaField又降低了10%的误差。尽管FSAN的计算成本略高，但它以实实在在的精度提升，证明了自己作为复杂流动条件下神经代理模型的有力候选者。
这项研究的价值在于，它让我们看到了一种可能：将几何局部状态与全局流场动态地关联起来，而不是机械地“一刀切”，或许正是AI从实验室走向真实工程场景的关键一步。当模型能像工程师一样分辨出机翼前缘与尾迹区的不同脾气，空气动力学设计或许将迎来一个更快更智慧的循环。
想象一下，在一个绿茵场上，一个身高不过膝的人形机器人正在带球前进。它不仅要保持平衡，还要在奔跑中控制脚下的球，随时准备应对对手的逼抢。当球滚到面前时，它能迅速调整重心，将球稳稳停住；看到球门空隙，它又能果断起脚射门。这些动作对人类球员来说或许轻而易举，但对人形机器人而言，每一秒都充满了物理和算法的双重挑战。
长期以来，人形机器人的运动控制研究都在一个两难困境中徘徊：如何让机器人在长时间的任务中，同时协调平衡、移动、与物体互动以及技能切换？传统方法通常采用分阶段的多任务流程——先训练走路，再单独训练踢球，最后把不同模块拼装起来。这种“搭积木”式的做法虽然能应付单一技能，但当机器人需要连续完成停球、盘带、射门等动时，各个模块之间的衔接常常变得僵硬，难以在一个统一策略中实现多技能的联合学习和自然切换。
为了打破这一瓶颈，研究团队提出了一个名为SkillX的统一强化学习框架。这个框架的核心理念是：让机器人通过单一的、由指令控制的上层策略，学习并组合多种原子级足球技能。SkillX并非简单地堆砌代码，而是凝聚了三项关键设计：第一，技能特定的对抗式运动先验，让机器人能从动作数据中提取每种技能的运动特征；第二，技能特定的评论员网络，为不同技能提供更精确的反馈信号；第三，一个面向物体的时序编码器，帮助机器人感知和理解球的动态，从而预判球的运动轨迹、做出更及时的反应。
这三项设计的协同作用，使得机器人不仅在执行单个技能时表现出色，更重要的是能在长时间任务中灵活切换技能。在仿真环境中，SkillX展现出了稳健的多技能执行能力和长周期的技能组合能力。随后，研究团队将这一策略部署到了真实的Noetix E1人形机器人上，成功实现了从仿真到现实的迁移。这意味着，这台实体机器人在真实物理世界中，能够像在虚拟环境里一样，连贯地完成带球、停球和射门的动作序列。
人形足球机器人的每一次进步，都不仅是体育竞技的延伸，更是对机器人动态全身控制和自主学习能力的极限拷问。当机器人学会了在复杂场地中做出决策、切换技能，或许在不远的将来，一场真正的“人机足球赛”会让我们重新思考：运动的边界，到底在哪里？
在宇宙深处，存在一种由超轻粒子聚集而成的神秘天体——玻色星。它们不像黑洞那样贪婪吞噬一切，却能以波动的形态维持自身平衡。但当这些玻色星开始旋转时，一场微妙的动态博弈便悄然上演。一项最新的三维数值模拟研究，将目光锁定在由Gross–Pitaevskii–Poisson方程描述的旋转玻色星上，试图揭开它们在非线性演化中的不稳定性之谜。
研究发现，在早期非线性阶段，旋转玻色星并不会立刻崩塌或飞散，而是展现出一种奇特的“变身”节奏：它的密度结构在环状与双星状之间准周期地来回转换，仿佛一颗恒星在呼吸，或是两团物质在跳一支此消彼长的双人舞。科研团队没有止步于观察，他们进一步构建了一套系统的线性稳定性分析，定位出驱动这种失稳的关键扰动态。令人惊讶的是，粒子之间的排斥性自相互作用竟能显著延长旋转玻色星的寿命，像是给这场舞蹈加上了缓冲垫。
更精妙的是，研究者还提炼出一个三模哈密顿量模型，用以描摹早期非线性阶段的动力学行为。这个看似简洁的框架，不仅成功解释了模拟中观察到的准周期转换现象，还给出了与数值结果相当吻合的预测。从直观图像到定量模型，这项研究为理解旋转玻色星的复杂行为提供了一幅清晰而连贯的图景。也许在未来的某一天，当我们仰望星空时，会意识到那些看似恒定的光点背后，可能正上演着这样一场由量子波动主导的、既脆弱又坚韧的生命之舞。