EZ.AI Listen Daily
视频扩散和流匹配模型的生成过程因缓慢的迭代采样而计算代价高昂。当前最先进的加速方法严重依赖变分分数蒸馏和对抗损失，将扩散模型蒸馏为几步生成器。尽管这些方法能生成高质量视频，但训练损失难以优化，且容易陷入模式崩溃，导致视频多样性丧失和运动缺失。本文提出并行解码蒸馏，一种简化且可扩展的基于轨迹的蒸馏方法，用于加速扩散和流匹配模型的推理。PDD的架构和训练流程与任何预训练模型兼容，并支持可变数量的函数评估步数采样。它通过每次网络评估预测多个去噪步骤来加速生成，其核心理念是学习平均速度的表示，而无需使用雅可比向量积或有限差分近似来回归其导数。该方法在LTX-2.3文本到视频/音频、Wan 14B文本到视频以及Qwen-Image文本到图像任务上，以4-8步函数评估达到了最先进性能。更重要的是，PDD显著提升了生成视频的多样性。视频生成的速度与多样性往往难以兼得，但PDD似乎在两者之间找到了新的平衡点——不是简单的折衷，而是通过重新定义加速路径，让快速生成也能拥抱更多可能性。
当今的视觉语言模型（VLM）存在一个令人费解的“Moravec悖论”：它们能轻松通过复杂的离线视觉推理测试，却在最简单的流式感知任务上屡屡受挫，且处理效率极其低下。这就像是一个天才数学家能解出高深方程，却无法看清眼前飞过的蝴蝶。为了打破这一困局，研究团队推出了Mage-VL，一款针对实时多模态理解与交互设计的编解码器原生流式基础模型。
Mage-VL的突破口在于其核心定制分词器Mage-ViT。传统方法均匀采样每一帧，浪费大量算力在静止或重复区域。Mage-ViT则另辟蹊径：它只选取稀疏的锚帧，并在预测帧中——如同电影里的关键画面——利用运动向量和残差能量，精准锁定那些动态且信息量丰富的区域。在16x16的补丁级操作下，视觉令牌消耗直降超过75%，而时空上下文却完好保留。更令人惊讶的是，这个分词器是从零训练的：仅用约5.6亿张无标签图像和1亿个无标签视频帧，其性能就比肩甚至超越了那些需要数十亿图文对训练的旗舰编码器。
为了支撑如此大规模的自监督学习，Mage-VL建立了名为“AI4AI”的数据流水线：一方面通过提示-代码联合优化自动生成多模态字幕，另一方面利用AI驱动性能诊断来指导训练配方——这好比让AI自己当老师，边学边改进。而在架构层面，Mage-VL借鉴了生物启发式的双系统设计：一个轻量级的System 1事件门负责快速扫描环境、触发兴趣事件，一个因果System 2解码器则负责深入理解——一个像本能反应，一个像深思熟虑。两者协作，实现了真正的主动流式感知。
大量评测显示，Mage-VL-4B在静态任务上与Qwen3-VL-4B持平，但在视频理解和2D/3D空间推理上取得强势提升，端到端推理加速最高达3.5倍，并全面超越了15B参数量的Phi-4-reasoning-vision基线。除模型本身外，研究团队还总结了七大关键实证发现，涵盖预训练数据效率、可变分辨率缩放、编解码器系统加速、VideoQA监督微调冗余、运动-空间协同、AI4AI数据流水线，以及用于多模态强化学习的“零视觉监督微调”这一反直觉策略。
这些发现揭示了视觉智能的一个深层转向：与其让模型记住每一帧的像素，不如教会它感知世界的节奏。真正高效的流式理解，不在于算力堆砌，而在于知道何时该看、何处该精。当机器学会像生物一样自主选择焦点，视觉模型的进化可能才刚刚开始。
传统世界模型像一位“预言家”：它能看到动作如何改变场景，但当你想让场景变成某个样子时，它只会说“你得自己花大把时间去搜一个动作出来”。莱斯大学和谷歌的研究团队推出的INTACT，则彻底翻转了这一逻辑——它更像一位“翻译官”，直接把你的意图变成可执行的动作，无需任何搜索。
INTACT的全称是“意图到动作”，一个端到端的联合嵌入预测架构（JEPA）。核心思想很优雅：把世界变化本身看作一种“意图”。每一帧到下一帧的差异（物理意图）和当前帧到未来目标帧的差异（部署意图），都被编码为同一种高维空间中的“意图向量”。更精妙的是，模型用同一个四槽语法和共享参数来处理局部和全局的意图，并通过同一个预测器来学习动作规律，而非要求潜在空间中的点对点相等。这让意图和动作之间建立了稳固的“法律”——一种分布式的动作律，其条件均值直接就是零搜索策略，而随机采样则为多样性和可选的验证留出空间。
在官方LeWM基准测试的四个任务上，仅用一次训练、零搜索的模型就达到了85.78%、100.00%、97.67%和97.89%的成功率。如果配合基于直接计划的局部CEM搜索，仅用384个候选序列（而非9000个）就能达到96.86%的宏观成功率，采样量减少了23.44倍，同时比纯CEM提升了16个百分点。更惊艳的是，一个共享编码器在四个任务上达到了89.39%的E5 Direct宏观成功率，每个任务都优于联合训练的LeWM基线。模型还展现出惊人的可解释性：预测动作与专家动作的k近邻距离，直接跟踪了任务成功率，相关系数高达0.954。而每一次直接推理仅需2.9到5.5毫秒。
当世界模型不再需要“猜”动作，而是直接“读”出你的意图，机器理解人类的门槛被悄然降低了。或许真正的人机协作，就从这种不用说话、只需“心想事成”的瞬间开始。
在AI模型训练中，有一种常见的困境：学生模型一旦在推理初期犯错，后续所有生成都建立在错误的起点上，如同迷路的旅人沿着岔路越走越远。这种现象被称为“前缀失败”，是同策略蒸馏技术的顽疾。如今，研究者提出了一种名为Relay-OPD的接力策略，巧妙地绕过了这一障碍。
传统同策略蒸馏让学生在自身生成的轨迹上学习教师模型的监督信号，但学生推导出错时，后续的“错上加错”会使监督信号失真且浪费算力。通过分析失败前缀，研究者发现一个有趣的模式：当学生陷入错误方向时，教师模型更倾向于“转向纠正”，而学生则固执地“继续前行”。这种不对称性恰好成为无需人工标注的接力触发点。
Relay-OPD的训练过程如同接力赛跑：检测到学生“跑偏”后，教师短暂接管生成一段“教师腿”，随后学生继续完成剩余轨迹，整个混合轨迹成为优化目标。为了控制干预成本，系统设定了有限的接力预算，重点聚焦关键早期步骤，避免过度偏离学生策略。
实验结果显示，这一方法成效显著。以Qwen3-4B-Instruct-2507为教师、Qwen3-0.6B和1.7B的非思考模型为学生，在八个数学推理基准测试中，Relay-OPD在每个基准上都取得最佳或次佳成绩。对于1.7B模型，比标准同策略蒸馏平均提升5.73%，比最强基线FastOPD提升1.49%；0.6B模型同样表现稳定。更令人惊喜的是，训练轨迹长度缩短了超过50%。
当学生走错路时，与其让它一错到底，不如让老师及时拉一把，再放手让学生继续前行——这或许不只是训练模型的智慧，也是教育中值得借鉴的哲学。
Modus这个解码器-only的多模态模型，正试图改写“任何到任何”智能的通关密码。想象一下，在同一网络里，任何模态（图像、文本、声音、传感器数据等）都能作为输入，也能作为输出，且无需为每种任务单独设计解码器、损失函数或处理流程——这正是Modus的核心理念。以往的同类模型往往从零训练，依赖编码器-解码器或扩散架构，性能和灵活性受限于先验知识。Modus另辟蹊径，它所有模态都是平等的：输入的图像可以生成文本，文本可以生成波形，而波形又能反过来验证文本的语义属性，甚至通过中间模态实现链式生成。比如，一张照片可以先生成描述文本，再基于文本生成语音，整个过程全部在一个模型内完成，无需外部工具。更妙的是，它还能进行跨模态自验证——通过另一种模态对自身输出进行打分，从而实现自我纠偏。在多个基准测试中，Modus不需特定调优就达到了与专业模型和多任务基线相当的水平，甚至在某些场景下更具竞争力。这个模型的全部材料已经开源，它或许预示着未来的智能不再需要为每种感官分别造一个“大脑”，而是一个统一的解码器就能理解和生成世界的各种表达。当模态不再是鸿沟，真正的通用交互才可能悄然开启。
阿联酋副总统兼总理谢赫·曼苏尔·本·扎耶德宣布，该国将推出一个全新的AI平台，并将其整合到法院系统的每一个环节，以简化司法流程。官方称，这是全球首例将人工智能如此深度融入司法体系的项目。
这个AI平台将承担多项关键任务：读取案卷材料、检索相关法律和判例、起草法庭文件，甚至提供法律分析。然而，它并非完全自主运行——AI生成的所有内容都将由人工复核和验证，最终判决仍完全由实际法官作出。这是谨慎的边界设定：机器辅助决策，但人类保留最终裁判权。
整个部署分为两个阶段：第一阶段从今年9月开始，剩余功能将在随后的18个月内逐步上线，覆盖从案件立案到最终判决的全流程。这意味着，在不到两年的时间里，阿联酋的法院系统将经历一场从“人海战术”到“人机协作”的转型。
为什么这个举措值得关注？全球许多司法系统早已被堆积如山的案卷和缓慢的流程所压垮，AI作为提速工具几乎成了共识。真正引发争议的地方在于：当AI开始输出能够影响判決的法律建议——例如它推荐的判例、它援引的法条——这就在某种程度上步入了《少数派报告》中的领域，即机器在实质层面参与法律裁决。截至目前，世界上还没有其他司法系统愿意跨过这条线。阿联酋的尝试，等于在雷区迈出了第一步。
这个故事的核心并非技术本身，而是一个古老难题的新解法：如何既拥抱效率，又不牺牲公正？AI可以快速翻遍整个法律史库，但它能否理解一个案件背后的人性细节？当诉讼当事人得知，自己的命运部分由算法参与决定时，信任感会如何变化？这些问题的答案，将在未来18个月内逐渐浮现。
或许，这个平台最终会成为全球司法改革的灯塔，也可能成为警示。但无论结果如何，它已经迫使所有人思考一个重要问题：在一个由算法辅助甚至引导的法庭里，正义是否依然能被看见？
当几乎所有科技巨头都在为超级智能的“安全锁”焦虑时，Meta的CEO扎克伯格却给出了一个出乎意料的答案——开放。
在一篇发表于《华尔街日报》的专栏中，扎克伯格断言，超级智能将在“未来几年内”成为现实。但他没有沿着老路争论技术是否危险，而是提出了一个更尖锐的问题：如果超级智能真的会在实验室里被一小撮人或公司牢牢掌控，那才是不安全的根源。
他直接质疑那些坚信AI会消灭工作的人：如果你们真的这么想，为什么还在疯狂开发它？在他看来，真正值得警惕的并非AI本身，而是“极端集中权力”带来的安全悖论——为了安全，反而制造了更大的垄断风险。
扎克伯格预测，如果AI的访问权限广泛开放，未来的工作不会减少，反而会增加。因为开公司、创业的门槛会因为AI而显著降低，更多人会被推向创造与创新，而不是被机器替代。他说，AI最重要的贡献不在“自动化”，而在“发明”。这一点，与Meta的核心原则——个人赋权与权力平衡——一脉相承。
值得玩味的是，扎克伯格整篇文章从未直接提“开源”二字。这或许是有意为之。事实上，Meta的最新AI模型已经开始偏离早期Llama时代的完全开放策略。但正如Anthropic的Alexandr Wang所言，开放模型正在路上。Meta对超级智能的真正贡献，可能不在于模型本身有多强，而在于分发——它正试图将前沿级别的AI能力，嵌入到全球数十亿人每天打开的应用程序中。
当安全被解读为“封闭”时，我们或许忘了，历史反复证明，最危险的永远是那把只有少数人拥有的钥匙。扎克伯格没有给出答案，但他提出了一个值得所有人直视的问题：究竟谁有资格为全人类的未来设定边界？
在人工智能竞赛如火如荼之际，一封来自前沿实验室内部的公开信掀起波澜。超过1000名来自OpenAI、Anthropic、谷歌等AI实验室的员工签署了名为“控制前沿”的联名信，向美国政府发出呼吁：在AI自主研究能力即将实现的关键时刻，必须主动为这场狂飙设置“减速带”。
这封联名信名单横跨近十家顶级实验室，包括Anthropic联合创始人杰克·克拉克和克里斯·奥拉，以及来自OpenAI、Meta和Thinking Machines的首席科学家。与之前外界呼吁暂停AI发展的声音不同，这封信并未要求全面停摆，而是主张建立国际协作机制，让政府和实验室拥有在必要时选择放慢脚步的能力。
信函将矛头直指自动化AI研究带来的风险。警告说，当模型开始自主改进其他模型时，这种自我加速的循环可能“超出我们理解或控制的范围”。值得注意的是，OpenAI和Anthropic两家竞争对头罕见地在社交媒体X上表态支持。OpenAI发文称：“世界未来需要为AI进步的速度设定节奏。”
这些来自实验室内部的公开表态，与以往截然不同。过去，呼吁警惕AI风险的声量往往来自学界外部、安全非营利组织，或是已经离职的员工。而这一次，赛跑者自己开始要求裁判吹哨，大家看到这场竞赛正在逼近一个无法回头的临界点。
当冲锋在最前沿的团队主动要求放慢脚步，这本身就是最响亮的警钟。也许真正的智慧不在于跑得多快，而在于懂得何时需要停下来，看清楚前方的悬崖。
大语言模型凭借卓越的推理能力在推荐领域崭露头角，但现有方法多依赖显式的“思维链”，输出冗长的推理文本，导致响应迟缓。研究人员转而探索“潜在推理”，试图在连续的高维空间中高效思考，却卡在了两大难关上。
第一个难关是监督信号过于稀疏。潜在推理只能依赖最终的推荐结果来学习，中间的那些隐藏推理步骤没有得到精细指导，像在黑箱中摸索。第二个难题则是推理路径单一。用户兴趣本就丰富多彩，可潜在推理的确定性过程限制了模型去挖掘多元偏好的可能性。
为了破局，研究团队提出了LaRec框架。他们设计了一个“潜在预训练”阶段，通过步骤级对齐和过程方向对齐，为潜在空间中的每一步推理注入丰富的监督信号，相当于给模型装上了导航。接着，又引入了“个性化RL微调”。他们为每个用户分别构建了一个个性化高斯混合分布，基于其历史兴趣。在训练时，从这些分布中随机采样不同的推理起点，引导模型在潜在空间中穿越各色路径，高效捕捉用户的多面偏好。
实验在多个数据集上展开，结果显示，LaRec在保持相当效率的同时，显著超越了已有的基准模型。这让人不禁思考：或许在推荐系统里，真正的智慧不在于多说，而在于多想——在无声的潜在空间里，每一次思考都直击用户的心弦。
在机器人学习的世界里，数据采集一直是个两难选择：真实机器人遥操作精准但成本高昂，无机器人数据采集可大规模扩展却保真度不足。当前，研究界通常用后者做预训练，再靠少量真实机器人数据“锚定”进行后训练，以求部署时不掉链子。但一项新研究试图颠覆这一模式——能否将无机器人数据的保真度提升到极致，彻底砍掉那个费时费力的真实机器人后训练环节？答案藏在HiFi-UMI中。
HiFi-UMI是一套便携式数据生产系统，专为轨迹精度、夹爪相对位姿、时间同步和视角覆盖而协同设计。它采用头戴式离线立体惯性SLAM，不再依赖重建后的相对位姿，而是直接获取原生数据；共享微秒级GPIO触发，确保多相机精准同步；每只手配备两个广角摄像头，视野覆盖约200度。无需任何外部追踪基础设施，就能达到3毫米的工作空间内末端执行器精度。
基于这套系统收集的数据，研究团队挑战了一项重要实验：仅用HiFi-UMI演示进行后训练，然后直接在真实机器人上部署策略，不掺杂任何真实机器人数据。结果令人惊讶：在视觉-语言-动作和世界-动作-模型三个骨干网络上——StarVLA-QwenPI、OpenPI-pi_0.5和LingBot-VA——成功率与域内遥操作基线仅相差-2.5、+3.1和-0.6个百分点。最强策略在精密插入任务上达到85%的成功率，而对比之下，遥操作基线是在评估场景中收集的，HiFi-UMI轨迹却从未出现在该场景中。
更大的突破来自预训练。当使用同一数据集中4000小时演示进行预训练后，在十个未见任务上动作误差降低了41%；在StarVLA-QwenPI模型上，真实机器人成功率进一步提升了18.1个百分点。这说明，高保真无机器人数据不仅消除了后训练阶段的“真实机器人依赖”，还能在预训练阶段大幅提升泛化能力。
研究团队同时开源了HiFi-UMI-2K，包含2000小时的微秒同步、超宽视野演示数据，每段轨迹都经过自动重建和仿真回放验证，为机器人学习社区提供了一个大规模、高保真的资源库。
从依赖昂贵遥操作到纯粹无机器人数据驱动，这或许标志着机器人操作策略学习的一个转折点。当数据质量足够高时，规模会释放出更大的力量——而高质量与规模，不再必须用真实机器人的汗水来交换。
想象一下，如果大语言模型智能体能像人类研究员一样，从自己的错误中学习并迭代优化训练数据，那将是递归自我改进的关键突破。但现实是，即使最前沿的智能体，在成为“数据研究员”的道路上也步履蹒跚。为了精准衡量这一能力，研究者推出了RSIBench-Data——一个受控的基准测试，专门评估智能体在固定后训练堆栈中，如何像数据研究员一样自主诊断模型缺陷、设计并调整训练数据策略，并从模型检查点的反馈中学习。
在实验中，四个顶级智能体被投入六个涵盖软件工程、终端操作、科学问答和数学的基准任务。它们拥有固定的预算，使用Tinker等工具进行训练和服务，并通过Harbor和E2B沙箱进行官方评估。结果显示，智能体确实展现出了核心的数据研究能力：在58.33%的设置中，它们通过从反馈中优化策略，取得了比首次有效尝试更好的成绩。然而，这种进步并不稳定。更为关键的是，在那些已经达到最佳分数后仍然继续搜索的智能体运行中，有78.26%最终以更低的分数收尾，其余也只是恢复到相同的峰值。这意味着，一个看似强大的候选方案可能出现在运行的中早期，但随后的修订反而会降低性能。
通过深入分析智能体的行为轨迹，研究者总结了四种与更强表现相关的模式：做出准确的假设来指导数据修改；利用验证结果进行有依据的监督；生成与目标行为高度对齐的训练数据；以及妥善保留最强的模型检查点，避免因后续不佳改动而丢失成果。
尽管智能体能够做出有用的数据发现，但它们目前还无法将反馈转化成持续可靠的改进。这就像一个初出茅庐的研究员，偶有灵光一现，却难以稳定复现成功。RSIBench-Data为评估和培养智能体的研究能力提供了可测量、可审计的试验田。在通往真正递归自我改进的路上，从偶发成功到必然进步，或许还有一座需要精心搭建的桥梁。
一张照片，就能变成你手中的“游戏世界”？Wonder模型做到了。它接受单张图像或一段视频作为起点，构建出一个可交互的3D场景——用户像操作游戏镜头一样，自由旋转、推进、回访任意角落，场景会实时渲染出连贯的视频画面，最长可达分钟级，帧率稳定在16 FPS。这一切的背后，是三项系统级创新：第一，发明了“密集坐标场”作为相机控制信号，把用户的移动指令直接转译成空间对齐的运动线索，让模型准确“看懂”镜头要往哪里去。第二，设计了一套基于稀疏注意力的高效记忆机制，无论生成了多长的上下文，模型只需检索一小批相关标记就能快速回忆之前的内容，避免了计算爆炸。第三，改进了自强制蒸馏训练流程，让模型既能忠实响应操控指令，又不失去老师模型丰富多样的生成能力，还能长期维持场景的记忆一致性。值得注意的是，这个模型不仅能从静止图像开始，还能从已有视频中“重新取景”——相当于实时重拍一段动态场景，改变原来的拍摄视角。这些技术合力让Wonder成为一个可玩的视频世界，用户不再是旁观者，而是身临其境的探索者。
当视频生成从被动观看走向主动漫游，我们离“想象即现实”的交互式虚拟宇宙，又近了一步。
现有检索代理依赖查询相关度从文档中挑出前k个片段，但这对于复杂问题远远不够：它们无法定位、组合或验证所需证据。直接语料库交互（DCI）允许通过grep式探索进行精细操作，但缺乏相关性指引，常常让有用线索“迟到”，迟迟无法聚拢答案。近期方法尝试用相关度缩小搜索空间，可一旦进入交互，相关度依然无法告诉“grep先搜哪个文档”，也无法从大量匹配结果中区分哪些片段信息量最足、该优先呈现给大模型。
RARG（Relevance-Aware RipGrep Search Agent）正是为了打破这个困局而诞生——它把相关度变成交互执行的“前序优先级”。RARG提供从粗到细的三层指引：首先按全局相关度排列文档，让更可能含线索的文件先被ripgrep遍历；然后为每个文档预先标注与查询相关的段落作为入口点；最后对grep返回的匹配结果重新排序，让那些被文档级排名遮蔽的信息性片段浮出水面。在浏览类问答和推理密集型检索等挑战性子任务中，RARG大幅提升了准确率与效率的平衡点，比纯检索式或纯交互式代理都快且准。
相关性不再是事后筛子，而是搜索每一步的罗盘。当检索代理学会用相关度引导探索而非仅做最终过滤，复杂证据的拼图会在更短的时间里清晰浮现。
翻开一本数学教材，如果你像读小说一样从头翻到尾，恐怕很快就会迷失在符号和公式的迷宫中。许多人在自学数学时都经历过这种挫败感：每个字都认识，合上书却什么也没记住。其实，阅读数学文本需要一套完全不同的策略——它更像是一场与作者的智力对话，需要你随时停下来思考、验证、甚至反驳。这份指南最初是为大学一年级翻转课堂设计的补充材料，现在它成为任何数学爱好者的独立阅读手册。它告诉我们，数学阅读的本质不是被动吸收，而是主动构建：当你遇到一个定义，要尝试用自己的话复述；看到一条定理，要追问它为什么成立；面对一个证明，要亲手推演每一步。真正的数学理解，往往诞生于铅笔与草稿纸的沙沙声中。数学不是读出来的，是动手做出来的。
机器人要学会在现实世界中操作，不仅要听懂语言指令，更得预判场景会如何动态变化。最近大热的视觉-语言-动作模型虽然借助海量数据预训练，却像看静止照片学世界——它们的训练目标过于“静态”，对物理规律和时间因果的理解十分有限，真正操作所需的知识还得靠下游机器人演示数据从头学起。视频生成模型倒是带来了转机，它们通过预测未来帧，天然编码了丰富的时空先验。但现有的视频-动作模型要么把视频和动作预测塞进同一个主干网络，导致策略微调极其困难；要么在引导动作分支时，浪费了大量视频信息。
为此，来自北京大学、阿里巴巴等机构的研究者提出了DeVA——一个解耦的视频-动作模型。它的核心是“分而治之”：视频专家和动作专家各司其职，再通过多层次特征传输实现信息融通，并额外引入物理显著性引导（如物体可供性、深度图）。这种设计让策略学习更高效，同时保留了丰富的视觉表征交换。
实验在多个模拟基准和真实场景中展开。结果显示，DeVA仅用少量数据就展现出强劲性能，收敛速度远快于传统统一架构，而物理引导带来的性能提升清晰可辨。这提示我们：当机器人学着像人类一样预判“摸起来会怎样”“动起来会如何”，解耦与物理先验的结合，或许正成为通向通用操作的关键钥匙。
在概率论领域，一个困扰学界多年的Feige猜想近期迎来了突破口。研究人员提交了一份简短证明，直指这个看似简单的命题：对于n个独立的非负随机变量，每个变量的期望值都为1，那么这些变量之和小于n+1的概率，至少是(n/(n+1))^n，这个数值总是大于或等于1/e。令人惊讶的是，这个证明的诞生离不开一位特殊助手——GPT-5.6 Sol，它在一个关键环节提供了思路启发。
这项工作的起点并非凭空而来。此前，Vlassis和Thomas刚刚攻克了Gaffke猜想，该猜想关于一种无需分布假设的p值的有限样本有效性。正是这一突破为Feige猜想的证明搭起了桥梁。研究者巧妙地将原问题转化为一个关于次序统计量的问题，并利用Gaffke猜想的结论，为每个随机变量赋予了一个适当的随机排序，进而完成了最终的概率下界估计。
更值得注意的是，这项研究也引发了连锁反应。Ming、Ramdas、Shen、Wang和Waudby-Smith等人随后开展的工作，进一步揭示了这一证明背后更广泛的统计推断意义。从无分布假设的p值到非负随机变量的和概率，看似离散的数学问题，在AI的辅助下串联成了逻辑严密的链环。
数学本身是一场耐心的博弈，那些看似遥不可及的猜想，往往在无数步递进后豁然开朗。GPT-5.6 Sol的参与并非取代人类的智慧，而是在推演路径上提供了另一种可能性的镜片，让研究者得以看清原本隐没在迷雾中的桥梁。
数学界长期悬而未决的Feige猜想，最近被一项新研究彻底解决。该猜想由Feige于2004年提出，涉及独立非负随机变量和的概率下界。设X₁,...,Xₙ为独立非负随机变量，每个期望不超过1，记它们的和为S。研究证明，对于任意正数δ，事件S小于其期望加上δ的概率至少为某个明确的下界bₙ,δ。下界公式分为两种情况：当δ小于1时，bₙ,δ等于δ乘以(n/(n+δ))的n次方；当δ大于或等于1时，bₙ,δ等于(1-1/(n+δ))的n次方。这个下界对于每个n和δ≥1都是最优的，意味着存在某些随机变量分布使得该下界恰好被取到。特别地，由于当δ≥1时bₙ,δ至少为e⁻¹（约0.3679），研究结果肯定了Feige猜想在δ≥1情形下的成立。该证明由ChatGPT 5.6 Pro发现，它创新性地结合了两个领域的成果：一个是Vlassis和Thomas的精确Dirichlet校准定理（该定理解决了统计学中的Gaffke猜想），另一个是凸几何中的Grünbaum质心定理及其由Letwin和Yaskin在2024年给出的推广。这项研究不仅为概率论中的一个重要猜想画上了句号，也展示了人工智能在数学证明中的潜力。它告诉我们，在最不确定的概率世界里，看似微小的下界也能揭示出深刻的确定性结构。
在机器人操控领域，让模型学会触觉信息并有效融入预训练的视觉-语言-动作（VLA）模型，是数据层面和建模层面的双重挑战。数据层面，任务演示样本有限，限制了触觉表征质量，而大规模预训练又成本高昂。建模层面，现有方法要么只关注瞬时接触状态，要么用六维力/力矩序列建模时序交互动态，但高维触觉信号仍被忽略。为解决这些问题，研究团队提出了τ框架——一种受联合嵌入预测架构（JEPA）启发的触觉增强VLA模型。该框架从未来视觉监督中学习动作条件的时空触觉表示，并在有限数据下将触觉特征与视觉语言特征融合，用于动作生成。这种监督仅在训练时作用于潜在空间，部署时无额外开销。他们还发布了TacAura数据集，包含四种典型接触密集操控任务的同步视觉、本体感觉和基于视觉的触觉信号。实验表明，τ不仅超越现有模型，还能泛化到未见过物体和场景，显著提升操控性能与鲁棒性。从如何让机器人像人类一样借力触觉的疑问出发，这项研究在数据稀缺与高维信号间找到了突破口，证明未来视觉的引导能让触觉学习更高效。或许，触觉与视觉的真正协奏，才刚刚开始。
大语言模型在科学计算中常常“即学即忘”——从一道题获得的反馈经验，很难成为解题下一道题的持久能力。研究者发现，问题在于经验只是临时拼凑的代码修补，而非可迁移的计算逻辑；同时，弱模型可能无法直接理解抽象的解题步骤，形成“抽象-执行鸿沟”。为此，团队提出SciConsolidate框架，通过对比成功与失败轨迹提炼出跨任务的通用过程，并用失效驱动的无答案查询合成大量训练数据。更巧妙的是，他们让强模型将这些抽象过程具体化为可执行的代码，再用于标准微调。在SciCode评测中，直接注入过程让Qwen3.6-27B模型提升3.85子步骤和6.26主问题得分，但Qwen3.5-9B模型几乎无收益——验证了鸿沟的存在。然而，经过过程指导的具体化后，9B模型在无过程直接部署的条件下，比单纯微调控制组提升3.89子步骤和6.25主问题得分，比原始模型提升5.62和11.25分。这一方法为科学计算的自改进助手打开了实用之门。真正的能力增长不在于临时记忆，而在于将经验转化为可传承、可执行的智慧。
想象一下，当你输入一段文字，AI不仅能为你生成同步的音频与视频，还能让声音和画面在时间与语义上完美对齐——这正是当前多模态生成领域的前沿挑战。然而，大多数现有方法将音频和视频的变分自编码器（VAE）分开训练，导致两个潜在空间各自为政，缺乏跨模态对齐，使得后续的生成模型必须从零学习同步能力。为此，研究团队提出了OmniVAE，一个联合训练的音频-视频VAE，旨在精细学习音视频潜在表征之间的语义对齐。它不仅通过重构任务保持信息完整性，还引入段级音频-视频对比学习目标，捕捉时序语义对应关系，从而对齐两个潜在空间。同时，OmniVAE从各自模态的预训练语义编码器中蒸馏特征，增强每个潜在空间在下游任务中的可学习性。大量实验表明，这两种目标一致地提升了潜在空间的质量，直接转化为更高质量的文本到音视频生成结果，以及更精确的跨模态同步。这些发现凸显了学习统一表征作为全模态建模基石的重要性。当技术的洪流将每一种感官数据融为一炉，对齐不再是补丁，而是根基。
多轮长程规划是基础模型智能体的核心能力，但现有模型在不可控的互联网数据上训练，规划能力如何被获取、塑造和整合始终是个谜。为了解开这个谜题，研究者引入了一个统一可控的多轮环境，系统性地探索了规划能力形成的三个阶段。
在预训练阶段，他们发现数据格式、分布和质量至关重要。采用显式世界模型构建（通过链式思考状态转换建模）能显著提升长程泛化能力。有趣的是，仅靠原子技能不足以实现组合泛化，但少量的长程数据就能带来突破。不过，次优轨迹会严重损害性能——因为误差在长程中会不断放大，如同多米诺骨牌般连锁崩塌。
进入后训练阶段，研究者通过互信息区分了通用规划模式和任务特定规划知识。对于规划模式，他们识别出三种后训练应用区域：不必要的区域（已有良好基础）、有效区域（需要微调）和区域（现有方法无法支持）。在低质量和长程设置下，OPD（离线策略蒸馏）比GRPO（群体相对策略优化）拥有更广的有效区域，因为OPD能提供更一致的更新方向。而对于规划知识，从拥有不同知识的教师模型中蒸馏未见过程时，可能会损害学生原有的世界模型，而无法完全建立新知识——就像试图用陌生的解题思路去替换已经熟练的思维习惯。
最后是规划能力的整合阶段。多教师同策略蒸馏（MOPD）通过收敛到跨环境的共享规划模式来整合能力。兼容模式能实现跨环境泛化，部分共享模式支持持续学习，而完全冲突的模式则会导致严重的相互干扰。
这项研究揭示了长程规划能力形成的系统规律，从数据配比到训练策略，从单一能力获取到多元能力融合，每个环节都充满精妙的权衡。无论是模型的训练设计者还是智能体的应用开发者，都能从中找到清晰的路径指引——但切记，不同知识之间的冲突需要格外小心，因为并非所有的经验都能简单叠加。
在视频编辑的世界里，调整摄像机的内外参数——比如改变镜头焦距、移动拍摄位置——通常需要昂贵的3D重建或繁琐的人工操作。现有技术要么只能控制摄像机的位置和旋转（外参），要么依赖复杂的空间建模才能实现完整的相机功能，而且内外参数相互影响，让分离建模变得极为困难。
研究者提出了一个名为CameraAnything的统一框架，首次实现了对视频编辑中摄像机内外参数（包括位置、焦距、分辨率）的联合控制。他们采用了一种巧妙的“逐像素Plücker射线”注入技术，结合分辨率感知的3D旋转位置编码（3D RoPE），在自注意力机制中同时构建了相机条件和空间位置编码。这意味着模型能够在不裁剪或外扩画面的前提下，直接对目标潜空间进行编辑，同时控制相机位置、焦距及原生分辨率。
为了克服配对训练数据极度匮乏的难题，研究团队开发了一套可扩展的合成数据管道：通过结构化多摄像机录制构建动态场景，生成带有各种相机配置参数的同步视频。再配合正交训练策略，最终使CameraAnything能够在单一生成过程中实现富有表现力的视频“重拍”——包括任意视角控制、焦距调整、分辨率适配以及多镜头之间的过渡切换。
这一成果对电影级视频编辑和跨平台内容适配具有重要的实用价值。当创作者可以像操控真实摄像机一样灵活调整虚拟相机的内外参数时，那些过去需要昂贵实拍或复杂后期才能实现的镜头语言，或许将变得触手可及。技术的进步往往在不经意间拓宽了想象的边界。
想象一下，一段高质量视频的生成过程——它依赖于强大的扩散变换器模型，但其中隐含着一个巨大的瓶颈：注意力机制。当视频的每一帧都需要处理数以千计的图像块时，这些块组成的序列极长，导致注意力计算耗时惊人。为了破解这一难题，研究人员尝试了“训练-free动态稀疏注意力”，即只计算部分关键块，但现有方法始终难以兼顾效率与精度。
问题出在哪里？第一，现有方法需要为每个块计算一个“代理分数”，然后硬性选择固定数量的高分块——这像逼着厨师用固定比例的食材做菜，要么浪费要么不够。另一种是按累积分数动态选择，但预算分配失衡，而且计算代理分数本身消耗不菲。第二，被舍弃的块彻底丢失信息，就像删掉照片中的大部分像素，导致画质严重下降。
那么，有没有更聪明的办法？最新提出的Sol-Attn方法给出了答案：它将动态路由、稀疏计算和近似校正统一到了一个“在线softmax”过程中。核心机制是在softmax计算时实时设定一个阈值，只保留代理分数超过阈值的块——这相当于在烹饪时根据火候动态调整食材，不预先规划，但确保每一勺都恰到好处。更重要的是，它巧妙复用了那些被舍弃块的代理分数来近似它们的贡献，避免了信息完全丢失。
在图像和视频生成任务中，Sol-Attn展现出惊人的效率：对于视频生成，端到端加速达2.1倍；对于视频编辑，加速达2.3倍，同时视觉质量几乎不受影响。这意味着，在同样的时间预算下，创作者可以生成更流畅、更清晰的视频，或者更快地迭代想法。
这项工作的启示在于：在追求极致效率的领域，有时最浪费的不是计算本身，而是为了决定“算哪里”而产生的额外开销。真正的创新，往往藏在对“无用功”的再利用之中。
研究人员在探索扩散模型的在线策略蒸馏时，发现了一个隐藏的陷阱。传统方法直接对齐教师和学生模型在分类器自由引导下的预测速度，但这种方式在分支层面存在根本缺陷——正分支与负分支的误差可以相互抵消，导致看似良好的结果实则暗藏失衡。通过两种截然不同的实验场景，团队揭示了症结所在：当教师与学生的负条件分支共享相同信息时，朴素匹配尚能奏效；然而，一旦教师的负分支保留学生无法获取的特权信息，两者误差的同步下降就会被打破，出现正分支误差减小而负分支误差增大的恶性循环。这种失效模式被命名为负分支不对称。针对这一问题，研究者提出了正方向匹配策略，将正预测与CFG条件方向分别约束，从而切断误差补偿的路径。在密集到稀疏视频控制任务中，该方法显著降低了推理引导尺度的敏感性，实现了更稳定高效的知识迁移。这提醒我们，在模型压缩的微观细节中，分支间的隐秘互动可能成为性能瓶颈，而区分对待不同分支的贡献才是突破之道。
电影制作人发现，市面上所有的AI视频评测基准都无法衡量真正的电影工艺——那些获奖影片中精心设计的镜头语言、动态美学和节奏张力。北京电影学院与互金数字传媒集团联合成立了一个研究团队，从20种电影类型的获奖影片中逆向工程出1169个提示词，其中1056个是多镜头脚本，摒弃了以往单镜头测试的简单化倾向。他们建立的FilmBench基准引入了电影学院传统的三层专业分类体系：3个轴、12个组件、35个文本到视频指标和3个额外参考到视频指标。团队还开发了内部专业级自动评估代理FilmOps，在测试9个文本到视频模型和7个参考到视频模型时，该评估器在模型级别与人类排名的一致性达到Spearman相关系数0.95和0.96。结果令人警醒：所有模型的得分远低于以往网络风格基准，动态美学方面存在持续差距，并且从单镜头到多镜头的性能显著下降，较弱的模型差距更明显。这意味着，当AI视频生成技术宣称取得突破时，真正的电影级制作门槛依然未被跨越，而FilmBench成为了第一把精准测量这道鸿沟的专业标尺。
互联网上的海量图文，足以让多模态基础模型学会“看”和“说”。但对机器人这类具身智能体而言，这条路却走不通——它们需要的，是能够将感官与物理状态、动作行为紧密耦合的特殊数据。幸运的是，这些信号可以从五种互补的数据源中获得，它们共同构成一座“数据金字塔”。这座金字塔的底层是通用视觉-语言数据（互联网图文），最易获取但离真实机器人操控最远；向上依次是仿真数据（模拟环境下的动作日志）、第一人称和第三人称视频数据（记录人类操作的录像）、UMI式数据（通过便携式设备采集的示范操作），以及塔尖数量最少却“含金量”最高的真实机器人数据。
每一种数据源都有其独特价值，也伴随着缺憾：真实机器人数据与物理世界精准对齐，但采集成本极高，难以规模化；仿真数据可以大量生成，却往往存在仿真与现实的“鸿沟”；第一人称视频能捕捉人类灵巧操作的精髓，但缺乏精确的力觉和触觉信息；通用图文数据规模巨大、知识面广，却无法直接指导机械臂如何抓取一个鸡蛋而不捏碎。
在这座金字塔中，不同的“数据食谱”催生了三类具身基础模型：视觉-语言-动作模型、视觉-语言模型充当“大脑”策略，以及世界-动作联合模型。前两类模型善于感知、推理与规划，却需要在动作生成上进行妥协；后一类模型试图同时理解世界运行规律并生成动作，对数据多样性与对齐性提出更高要求。研究表明，混合使用多种数据源、并按特定比例进行预训练对齐，能显著提升模型在零样本或少样本场景下的泛化能力。
然而，构建下一个世代具身系统的路仍布满荆棘。六个待解的难题摆在面前：如何建设大规模触觉数据集，让机器人真正“感受到”物体材质与压力？如何收集失败与恢复数据——毕竟机器人犯错后如何自救，比完美执行一次任务更具学习价值？如何打造可扩展的数据采集流水线，让普通人也能像录制视频一样轻松为机器人贡献训练数据？如何跨过不同形态机器人之间动作空间不一致的鸿沟，让数据实现一次采集、多方复用？如何借助第一人称视频数据，攻克机械手灵巧操控的难关？以及，能否设计出更科学的数据配方，让有限的资源发挥最大效用？
当机器人不再只是互联网知识的复读机，而是开始从真实世界的每一次抓握、每一次跌倒与爬起中学习，我们或许正在见证一个新时代的起点——数据金字塔的每一层，都将成为具身智能通往自由的阶梯。
在人工智能迈向更大规模与更强能力的征途中，混合专家架构成为突破瓶颈的关键方向。如今，一款名为Kimi K3的新模型横空出世——它拥有惊人的2.8万亿参数，但每次推理仅激活1040亿参数，凭借原生视觉能力和百万token的上下文窗口，试图在编程、代理、推理和知识任务中占据一席之地。
Kimi K3的核心创新在于三大技术：首先，它采用Kimi Delta Attention（KDA）和Attention Residuals架构，确保信息在长序列和深层网络中顺畅流动，避免梯度消失或记忆稀释。其次，Stable LatentMoE机制让模型在896个路由专家中仅激活16个，大幅降低计算成本的同时保持表达力。最后，经过精心设计的训练策略和数据配方，使整体扩展效率相比前代Kimi K2提升了约2.5倍——这意味着用更少资源实现更强性能。
后训练阶段，Kimi K3经历了强化学习的全面洗礼。它不仅覆盖通用、代理和编码三大领域，还支持多个推理努力级别，从而学会在不同复杂度任务间灵活切换。这种训练方式带来了组合泛化能力：模型能将在编程中学到的逻辑迁移到代理场景，并稳健执行需要数百步的长周期任务。
为支撑如此庞大的模型，研发团队在基础设施层面也做了多项突破：算法与系统协同设计KDA以获得最佳硬件利用率；完美平衡的专家并行训练实现高效内存管理；针对百万token代理强化学习，他们设计了持续化沙盒状态和滚动的执行环境，确保智能体在长时间交互中不丢失上下文。
在全面评测中，Kimi K3的表现令人印象深刻：长程编程任务中，它能够生成完整且自洽的代码库；代理场景下，它能自主规划并执行多步骤操作；在知识问答和数学推理上，得分接近前沿水平；视觉任务方面，得益于原生视觉能力，它能够理解并分析图像内容。然而，开发者坦诚指出，其综合性能仍落后于目前最强大的专有模型——Claude Fable 5和GPT-5.6 Sol。不过，在所有纳入测试的其他开源及专有模型中，Kimi K3均实现了稳定超越。
最值得注意的是，团队决定完整公开Kimi K3的模型权重。这一举措不仅为学术界和产业界提供了研究超级混合专家模型的宝贵标本，也加速了前沿智能技术的普及与落地。当一个拥有2.8万亿参数的大脑被开源，它不会立刻颠覆行业格局，却为后来者点亮了一条通往更高山峰的路——而路的那边，或许就是人人可及的通用智能。
就在AI安全界还在热议上周OAI与Hugging Face的意外事件时，微软悄然抛出了一枚重磅炸弹——MAI-Cyber-1-Flash。这是微软首个专为网络安全打造的模型，直接嵌入其MDASH代理系统，目标只有一个：像猎犬一样搜寻软件漏洞。CEO萨提亚·纳德拉称它带来了“半价的前沿级安全”。
这个模型的表现堪称惊艳：在针对大型代码库的CyberGym安全基准测试中，MAI-Cyber-1-Flash与MDASH联手拿下了96%的得分，比Anthropic的Mythos高出整整12个百分点。更让企业心动的是成本——相比顶级模型，它宣称能将费用削减50%，同时在工作流中高效处理90%的任务。微软AI CEO穆斯塔法·苏莱曼直言：“代币成本现在才是防御者真正的枷锁。”他呼吁行业拥抱“持续、实时、成本高效的代理”。
微软还同步推出了Project Perception，一套由多个代理组成的团队——它们能自主模拟攻击、调查威胁，并修复漏洞。这意味着安全团队不再需要日夜盯着仪表盘，而是可以交给这些数字守卫去演戏、找茬、修补。
这场发布的时间点耐人寻味。一周前，OAI和Hugging Face的安全风波还在业界回响，微软的MAI-Cyber-1-Flash仿佛踩准了节拍——它可能是第一波聚焦型AI安全模型的先声，让企业手中的漏洞检测与修复变得更快、更便宜，也更自动化。安全竞赛的规则正在被重写：不再是堆砌算力，而是比拼每一枚代币的效能。
在人工智能开放权重模型的激烈争论中，Anthropic一直是关键的缺席者。直到最近，其CEO达里奥·阿莫迪终于打破沉默，发表了一篇长文，明确表明公司立场。他首先澄清了一个误解：“Anthropic从未主张禁止开放权重模型。”即使这样做“能保护美国AI公司免受竞争”，他们也不支持。相反，他真正推动的是芯片出口管制、蒸馏技术打击以及更广泛的安全测试——这些才是Anthropic一贯倡导的议题。
阿莫迪的发言恰逢一场风暴：由英伟达主导的、捍卫开放模型的一封公开信，签署者已从最初的25人增至50人，包括OpenAI和谷歌这样的重量级玩家。阿莫迪承认他“在很大程度上同意”这封信的内容，但他不认为开放权重模型会带来更好的安全保障，或者能真正帮助防御者。
为什么他的立场值得关注？因为随着中国AI初创公司K3逼近技术前沿，以及美国可能出台禁令的传闻四起，开放权重的争论已经变得非常喧嚣，而Anthropic此前一直缺席。阿莫迪的核心论点是：权重本身不是威胁，真正让独裁政权获得其担忧的AI力量的，是芯片获取渠道和蒸馏技术。他坚持，只有掐住这两个环节，才能有效管控风险。
在这场博弈中，阿莫迪试图走一条中间路线：不反对开放，但主张更精准的管控。这既不同于英伟达倡导的全面开放，也不同于某些激进派要求的全面禁止。AI的安全与竞争，从来不是一道非黑即白的选择题，而是需要更细微的认知和更聪明的平衡。
一场无声的AI军备竞赛迎来了一个意想不到的转折点。中国初创公司Moonshot AI近日正式公开了其最强模型Kimi K3的权重与技术报告，任何人都可以下载并运行这个拥有2.8万亿参数的庞然大物——这是迄今开源权重中规模最大的模型。而就在本月早些时候，K3刚刚发布便在多项基准测试中与Claude Fable 5和GPT-5.6-Sol激烈交锋，引发业界瞩目。
然而，“免费权重”并不意味着“免费运行”。这台模型的需求相当惊人：必须配备远超普通消费级硬件的重型GPU才能实现本地部署。与此同时，Moonshot还将核心组件如注意力机制内核和智能体基础设施一并开放，并采用许可协议允许任何人托管K3甚至对外销售使用权，这一步直接打破了传统大模型封闭授权的壁垒。
这场开源狂潮背后是政治与地缘的暗流。美国官方指责Moonshot通过“蒸馏”美国模型（即复制其输出）来构建K3，而北京方面则反驳称这是“典型的AI霸权行径”。当大洋彼岸还在争论如何应对中国开源模型的崛起时，K3已经以近乎前沿的水平，让用户无需等待权限或审批即可直接运行。前沿实验室仍在吝啬地限制顶级模型的使用，而Moonshot却将这样的系统无门槛地交到了所有人手中。
这或许会是未来人们回望时，认为行业真正发生转折的那个时刻。当技术不再被少数巨头垄断，当开放的力量与政治博弈交织，AI的未来将走向何方？我们能做的，也许只是握紧手中的算力，见证这场巨变。
SpaceX的星舰再次书写航天史新篇章，但完美与遗憾仅一线之隔。在最近一次试飞中，编号40的飞船成功部署了20颗星链V3卫星——这是星舰首次执行真实卫星载荷任务——并在太空中重新点燃发动机，最终顺利完成印度洋溅落。这一壮举标志着星舰具备了在轨交付载荷的实战能力，人类离太空大规模运输的梦想又近了一步。
然而，这场胜利并非毫无阴影。当飞船优雅地滑向海洋时，那枚巨大的超重型助推器却未能如愿完成着陆反推。由于“猛禽”发动机重启数量不足，助推器以惊人速度撞击墨西哥湾，瞬间化为碎片。这是继五月试飞中飞船级间分离失败后，助推器连续第二次遭遇着陆失败。SpaceX创始人埃隆·马斯克在数小时后迅速发表最新计划：在第十四次飞行中，将尝试用星舰基地的巨型金属机械臂直接捕捉飞船——这一“筷子”式回收技术此前仅用于助推器。
值得关注的是，这次试飞实现了三大核心突破：飞船完好无损地穿越大气层、释放真实卫星并完成轨道机动、在真空中成功重启发动机。这些技术节点是星舰从“能飞”迈向“能用”的关键阶梯。但助推器着陆意外的反复出现，暴露出猛禽发动机在极端工况下仍存在可靠性的隐忧。无论是对飞船还是助推器的“筷子”捕捉，每一个动作都建立在高精度的时序控制和发动机零故障的基础上。
资本市场迅速做出反应。SpaceX股价在试飞日收于115美元，较IPO后200美元以上的峰值已缩水近半，助推器坠毁消息传出后盘后继续下跌2%。投资者显然对连续两次的着陆失败保持着警惕。
星舰的故事从来都不是一帆风顺的直线上升。每一次爆炸都在重新定义工程极限，每一次成功都是对质疑者的有力回击。当一艘真正能运载卫星往返太空的庞然大物出现在地球轨道上，证明了比“成败”更重要的东西：人类正在以前所未有的速度将想象中的未来变为触手可及的日常。而阻碍这艘巨轮最终靠岸的，也许不是材料或设计的瓶颈，而是一台小小的发动机在毫厘之间的精准抉择。
在密歇根州一个名叫多瓦吉亚克的小镇，一场关于噪音的战争正悄然升级。街对面的30兆瓦AI与比特币数据中心自2022年起，像一台堵住的真空吸尘器，发出持续不断的尖锐嗡鸣——即使关上窗户、开着电视，那声音依然钻入耳朵。一位住了几十年的居民形容，这感觉就像是隔壁有台机器永远全速运转，从不停歇。
忍无可忍的居民们近日提起了拟议的集体诉讼，将运营商Alliance Cloud Services（母公司为Hyperscale Data）告上法庭，指控其构成妨害与过失。小镇直到今年3月才通过了首部工业噪音法规：白天65分贝、夜间55分贝。很快，市政就对Hyperscale开出了罚单。但CEO威廉·霍恩表示，这个站点正从加密货币转向AI和机器人领域，投资高达1亿美元，并已买下相邻土地作为声音缓冲带。
这起案件并非孤例。微软在威斯康星州投资73亿美元的数据中心附近，居民也提起了类似的集体诉讼。更令人担忧的是，其他地方的投诉指向一种“次声波”——它从来不会被分贝计捕捉，却在室内让人感到胸闷、烦躁。面对质疑，Hyperscale提出回购那些被噪音赶走的居民的房产。但对这条住了近百年家庭的街区来说，这个方案更像是一纸空谈。
当数据中心的算力轰鸣推进社区，数字繁荣的另一面是普通人关门也挡不住的生活侵蚀。技术的高速运转能否与静谧共存？这不仅是分贝数字的博弈，更是一种对居住尊严的拷问。
周一，苹果股价收盘创下历史新高，市值飙升至约4.93万亿美元，正式从英伟达手中夺回全球最有价值上市公司的桂冠。这一变化终结了英伟达长达13个月的市值榜首统治——正是这家芯片制造商点燃了人工智能浪潮，却在短短一天内跌落了宝座。
当天，苹果股价上涨约1%，而英伟达股价暴跌近5%，市值缩水至约4.78万亿美元。事实上，两家公司的市值在近期一直围绕5万亿美元大关反复拉锯：7月17日，苹果曾短暂超越英伟达，但随后双方再次易位。如今，苹果以更稳固的姿态重新登顶。2026年以来，苹果股价累计上涨约24%，而英伟达仅上涨5%至6%。这一逆转令人惊讶，因为在过去两年里，华尔街一直将苹果视为人工智能浪潮中的“落后者”，而将英伟达奉为AI基础设施爆发的最大赢家。
英伟达的最新下跌，源于市场传出其可能为OpenAI的数据中心提供约2500亿美元的财务支持。这一消息重新点燃了投资者对AI建设成本过高、回报不确定的担忧。过去两年，华尔街慷慨地奖励那些在AI基础设施上投入最多、销售最积极的公司。英伟达正是其中代表。然而，苹果的逆袭暗示了市场风向的转变：投资者开始青睐一种更“轻资本”的策略——通过将AI功能嵌入现有设备和服务，来获取价值，而不必像英伟达那样砸下重金去建设数据中心。
这场市值冠军的交替，不仅是数字的拉锯，更是两种商业哲学的对决。一边是押注于向世界卖出“AI铲子”的芯片帝国，另一边是用AI默默升级自家产品生态的消费科技巨头。市场的选择告诉我们，当狂欢的浪潮逐渐退去，那些懂得在喧嚣中静默耕耘的公司，可能才是最终的赢家。
当你在咖啡馆与朋友闲聊时，邻桌那副看似普通的黑框眼镜，可能正在默默记录你的每一个表情和每一句话。Meta的Ray-Ban智能眼镜终于实现了谷歌眼镜未能完成的梦想——让摄像头穿戴设备看起来如此自然，以至于几乎无法被察觉。然而，这种“正常化”正在引发一场关于隐私的恐慌。
在纽约、伦敦和华盛顿特区的街头，活动团体直接将Meta的广告海报覆盖上新的警告：这些眼镜是“监控设备”。他们用醒目的标语提醒行人，那枚微小的LED指示灯是旁观者唯一能意识到的录制信号——如果你没有注意到那点微弱的白光，你的一切都可能被记录。
Meta似乎意识到了危机。最新的隐私补丁规定，如果物理篡改眼镜的隐私灯，摄像头将自动禁用。但批评者认为，这不过是亡羊补牢。更令人担忧的是，Instagram已开始移除那些利用眼镜偷拍、骚扰不知情者的视频——这为社交媒体监管开辟了一个棘手的战场。
问题的核心在于，Meta自己正削弱着隐私保护。他们不仅探讨面部识别功能，还考虑引入始终开启录制模式，并放松对语音数据训练的控制。这意味着，一副眼镜不仅能记录你看到的，还可能识别你是谁，甚至收集你日常对话的语音样本。
Meta用时尚设计让谷歌眼镜的失败实验重获新生，但代价可能是将“任何人随时可能被录制或识别”的社会现实常态化。当技术隐入日常，信任便成了最脆弱的商品。如果不能在产品中建立可靠的同意机制，Meta不仅会丢掉用户信任，还会为苹果和谷歌打开一扇隐私之门的窗口——毕竟，谁都不想让自己的咖啡馆时光成为别人云端素材的一部分。
想象一下，你让一个机器人去拿起桌子上的杯子——这个看似简单的指令，背后却隐藏着两个截然不同的过程：首先，机器人需要驱动自己的电机、关节和控制器，将“拿起”这个抽象命令转化为真实的机械运动；其次，机械臂与杯子接触后，场景才会因为受力、碰撞而发生改变。传统的视频世界模型在预测未来画面时，往往试图同时学习这两个过程——但这样做既困难又容易出错。
研究者们提出的新思路是：把这两个机器人专属环节从世界模型中“拆”出去。就像搭积木时先把底座建好一样，他们设计了一套“机器人分解世界模型”。核心方法包括两步。第一步是“动作实现分离”：每个控制指令不再直接输入模型，而是先通过机器人自身的控制器和运动学计算，输出一条机器人现实可达的“名义轨迹”——这条轨迹位于控制信号与真实物理响应之间，既不会让模型去硬学如何驱动电机，也不会提前泄露机器人最终的真实位置。第二步是“机器人渲染分离”：这条名义轨迹再通过机器人的统一描述格式（URDF）渲染成可直接看到的几何图像，把机器人的形状、关节、外观全部变成显式的视觉元素。
为了让模型理解深度关系，研究者还特别采用了“末端深度+场景深度”的双通道策略——就像给模型配了一副能看清远近的眼镜，让它分清楚机器人的“手”是碰到了物体，还是仅仅在画面中和物体重叠。最终，不同视角、不同型号的机器人，都能被映射到一个共享的视觉世界里：这个世界的输入只有静态的RGB/深度背景图，以及渲染出的机器人几何图形。模型不再需要处理抽象的动作向量，只需要学习物体如何对“看到的机器人形状”做出反应。
实验结果显示，这种以渲染图像为接口的方法，显著优于传统的向量输入方案，甚至能泛化到训练中从未见过的机器人形态。更令人兴奋的是，它还能直接利用人类演示视频——通过将人的手部动作重新映射为机器人几何图形，模型就可以生成机器人执行相同操作的视频。
这或许意味着，未来的机器人学习不再需要依赖完美的动作编码，而是可以像人类观察别人做事一样——你不需要知道对方如何发号施令，只看他身体如何移动，就能学会模仿。当机器人的“身体”和“大脑”真正解耦，机器理解世界的方式，才更接近直觉本身。
想象一下，一个大语言模型能写出流利的文章，却在看到一张猫的图片时完全无感——这就是单模态预训练的局限。传统的多模态方法往往是在语言模型上后期拼接视觉模块，但这样做容易导致优化不对称，就像给一个只会识字的人临时配上一副眼镜，却期待他瞬间看懂世界。而原生多模态预训练，从零开始同时学习文字和图像，试图让模型从一开始就拥有“通感”能力。
然而，这种新范式的扩展规律一直是个谜。研究人员在固定计算预算下，系统探索了基于Transformer的视觉-语言模型的最佳规模：模型该多大？数据该用多少？他们发现，模型的最小损失遵循一条可预测的计算定律，而计算最优的模型大小和token数量则呈幂律缩放。有趣的是，语言目标与多模态目标展现出截然不同的扩展行为。语言分配律几乎不受数据组成影响——无论文本与图像的比例如何，语言学习稳定如常；但多模态分配律却高度敏感，甚至可以说“善变”。特别是，当数据中文本占比较大时，只有把模型做得更大，计算效率才会真正显现，最优资源配置因此向模型容量倾斜。
更深入的分析显示，数据组成不仅影响计算定律，还改变了分配指数。研究者由此推导出一条效率边界，能够精确指定模型大小、token数量和数据混合比例的最优组合。下游评估进一步证实：原生多模态预训练带来了正面的跨模态迁移——它提升了纯文本的空间推理能力，也让多模态上下文学习变得稳健。
这些发现意味着，从一开始就让模型“看”与“读”同时学习，不是浪费算力，而是对未来智能的巧妙投资。没有哪种感官可以孤立地成长，多模态世界终将返回一个简单的道理：融合，才是最高效的起点。
47家科技公司、风投机构和非营利组织联合签署了一封公开信，敦促美国政府不要限制开源AI模型。英伟达CEO黄仁勋率先在X平台发布这封信，最初只有25个签署方，OpenAI等关键角色缺席。但短短一天内，签署方数量翻倍，OpenAI、谷歌、AMD、思科等纷纷加入，唯独Anthropic未参与。信中指出，开源模型能扩大AI经济参与度、维持竞争活力、拓宽网络防御，并避免供应商锁定。他们还强调，模型蒸馏不应与盗用混为一谈，呼吁避免过早限制将AI创新推向海外。这封信的背景是中国实验室被指控从美国模型中提取情报，包括Anthropic的Fable模型。华盛顿的回应尚不明确，但压力已落在唯一未签署的实验室——也是从打击中获益最大的机构。人们已经开始要求答案。这场博弈表明，开源与安全的平衡仍是AI治理的核心难题，过于激进的政策可能适得其反。
当AI巨头们竞相追逐“最强模型”的桂冠时，Anthropic却悄然祭出一张反直觉的牌。它刚刚发布的Claude Opus 5，没有像以往那样在价格上层层加码，反而以Fable 5的一半成本，提供了近乎同等的智能水平。这个被官方称为“深思熟虑且积极主动”的新模型，旨在让那些被高昂定价挡在门外的人们，也能触摸到顶级AI的边缘。
在性能上，Opus 5交出了一份令人瞩目的成绩单。它在代理终端编码、知识工作、代理搜索以及计算机使用任务上，均达到了行业顶尖水平（SOTA），甚至碾压了Fable 5和GPT-5.6 Sol这两大劲敌。更惊人的是，在衡量通用智能的ARC-AGI-3基准测试中，它斩获了30.2%的得分——这几乎是第二名模型的整整三倍，并顺势登上了Artificial Analysis Intelligence Index排行榜的榜首。
如果说基准测试尚有争议，那么国际数学奥林匹克竞赛（IMO）的表现则更具说服力。Anthropic将Opus 5丢进了2026年IMO的难题中，结果它拿下了满分42分——远高于金牌线29分。这意味着，这个模型不仅能解题，还能像真正的人类数学天才一样，在高压下保持近乎完美的推理。
不过，Anthropic自己也承认，Opus 5并非在所有方面都无懈可击。他们形容新模型是“迄今为止最对齐的AI”，在发现软件漏洞方面，它和Mythos 5水平相当——但在编写漏洞利用代码时，明显落后于后者。这种坦诚的自我剖析，让Opus 5更像是一个温顺的巨人：它拥有强大的头脑，但更愿意用它来建设，而非破坏。
这背后的战略意图很清晰。Anthropic此前一直用Sonnet来对标Opus，现在，他们用Opus来对标Fable。Opus 5的定价为每百万tokens（输入/输出）5美元和25美元，与4.8版本完全相同。对于那些舍不得为Fable开出高价的人来说，一个可靠而强大的替代者终于出现了。
这不仅是技术的跃进，更是AI民主化进程中一次关键的破局——当最聪明的头脑不再只属于最有钱的买家，或许才是智能真正释放潜能的开始。
机器人想在复杂环境中完成精细操作，必须依赖触觉——那些摄像头捕捉不到的物理接触信号。但问题是，真实世界的触觉交互数据又贵又难收集，不同的机器人、不同的任务，数据差异巨大，难以规模化。面对这个困境，研究人员提出了ViTacWorld，一个动作条件的视觉-触觉世界模型。它的核心思路很巧妙：触觉信号直接源于物理接触，从模拟到现实的差距，比纯视觉观测要小得多。于是，团队一方面利用公共的真实触觉数据集，另一方面搭建模拟环境，生成了大量视觉、触觉和动作轨迹数据，先做大规模预训练，再用真实世界的策略运行结果进行微调，让模型更贴合下游操作任务。
ViTacWorld的工作机制类似一个预言家：给定机器人的动作序列，它能预测出时间对齐的视觉画面和触觉反馈，从而生成完整的视觉-触觉-动作轨迹。据团队所知，这是第一个用世界模型来生成机器人触觉轨迹并评估策略的框架。它兼任两个角色：通过合成新的轨迹来增强下游触觉策略的训练数据；同时，在受控的动作序列下，预测策略执行后的视觉-触觉结果，用于评估策略的好坏。在接触丰富的操作任务实验中，ViTacWorld生成的轨迹物理意义清晰，数据增强显著提升了策略表现，并且动作条件的策略评估也起到了有效作用。
触觉是机器人理解世界的另一种语言。当视觉的盲区被指尖的感知填补，机器人才真正学会“握得住”和“放得稳”。这项探索的意义或许在于：让数据自己说话，让模拟与现实之间的鸿沟，在触觉的桥梁上变得触手可及。
多模态模型试图为理解和图像生成找到共享的视觉token空间。离散方法通过共享码本统一接口，而连续管道却常依赖两套割裂的表示：用于理解的语义特征（如ViT）和用于合成的低层潜在特征（如VAE），导致潜在空间不匹配。为此，研究者提出Twins，一个通过通道维度串联ViT和VAE特征、并保持在相同token网格上的连续token空间——序列长度不变，注意力计算成本不增。然而，在扩散Transformer中联合建模Twins时，暴露出严重的优化失衡：模型能很好拟合ViT分量，却难以匹配VAE潜在分布的分布。这种失衡源于三个异质性来源：频率偏好、内在维度、以及条件对齐与条件无关不确定性。为解决该问题，团队为流匹配引入聚焦回归目标，加大VAE大误差维度的权重，从而在ViT和VAE分量间更好地平衡优化。在ImageNet上，该方法在没有无分类器指导的情况下，相比朴素MSE损失带来了高达10.57 gFID的提升。Twins还在多模态理解基准上表现出竞争力，并改善了重建保真度，缩小了理解导向与生成导向表征之间的差距。
理解与生成之间的鸿沟，并非天然不可逾越；当模型学会在频率与维度的棱镜中重新分配注意力，两种世界的边界便开始悄然消融。
在计算机视觉领域，单目3D重建已取得长足进步，但如何从一段普通RGB视频中同时理解三维世界的动态变化——即4D理解——仍是根本性挑战。现有方法大多将运动视为独立点的位移，例如稀疏点跟踪或稠密光流，却忽略了现实世界中运动的本质结构。想象一下，一辆汽车驶过、一个人挥手，它们身体上的所有点其实是一起移动的，遵循刚体运动的规律。这种运动本身具有几何结构：物理对象经历的不是混乱的位移，而是一组由SE(3）刚性变换支配的整齐轨迹。
基于这一洞察，研究者提出了SM4RT——一种结构化运动4D重建Transformer，它从端到端地完成三维重建与结构化运动感知。SM4RT的核心创新在于“运动的结构化表达”：它将场景中复杂的动态分解为一组紧凑的“运动基”，每个基对应一个随时间变化的6维旋量（即SE(3）中的旋量）。场景中每一像素的运动，则由这些稀疏的运动基和共享时间的逐像素分配权重来恢复。这就保证了同一物体上的点共享相同的刚体运动轨迹，而不是各自为政。
具体实现上，SM4RT设计了一个并行的运动几何编码器-解码器架构，能够从单目RGB视频的一次前向传播中，同时推断三维几何、世界坐标系下的运动以及场景的运动学结构。实验表明，SM4RT在运动重建性能上表现强劲，同时完美保留了场景运动的内在几何结构。它告诉我们：当计算机学会理解物体“如何作为一个整体移动”时，动态世界的感知将变得更加优雅和可靠。
我们不应再把运动看成无数个点的随机舞蹈，而应看到其中隐含的刚性骨架——那是物体在时空中的统一旋律。
大语言模型的训练正在经历一场静默的革命——从依赖人工设计和标注，转向一种由交互驱动的自我进化。但这场革命很快撞上了一堵墙：如何在保证任务多样性的同时，又能获得可靠的验证？现有方法要么被困在狭窄的领域里，靠环境反馈获得精确但局限的学习；要么打开自我生成的大门，却让不可靠的奖励信号像病毒一样污染训练循环。研究人员发现，“智能体技能”恰恰是那个被忽视的中间地带——每个技能都能在特定场景中提供深度、可验证的执行，而技能之间的动态路由则像变戏法一样，保持了任务空间的开放性。
基于这个洞察，他们提出了一个名为“技能自博弈”的协同进化框架。这个框架由三个角色组成：一个负责出题的提议者，一个负责解题的求解者，还有一个掌控全局的动态技能控制器。三者在一个强化学习的闭环中不断自我博弈：提议者根据动态抽取的技能，生成具有挑战性的任务；求解者在探索候选解决方案的过程中，不断突破自己的能力边界；而技能控制器则收集执行反馈，实时更新和扩展技能库。这种交互式的协同进化，巧妙地填补了结构化验证与开放式探索之间的鸿沟。
在工具使用和推理基准测试上的实验表明，作为一套强大的进化引擎，技能自博弈能够持续提升骨干模型的表现天花板。即便对于初始阶段与任务严重错位的模型，它也能催化出令人瞩目的逆转——就像在失败的棋局中突然发现一招妙手，扭转整个战局。相关代码已在GitHub上开源。
当AI自我进化的道路陷入两难，没有谁注定要被困在窄巷。技能的存在，让验证与探索不再是零和博弈，而成为彼此成就的共生伙伴。
想象一下，你只需说出“一个红色液体从斜坡流下，撞到蓝色方块”，电脑就能自动生成一段动态、符合物理规律的3D场景——这不是科幻电影。过去，这种4D世界的构建完全依赖人工：设计师要手动建模、调整材质、设置运动轨迹和光影，复杂又耗时。即便近年来AI生成模型发展迅速，它们仍难以保证生成内容在物理上的合理性和可控性。而现在，GS-Agent的出现可能改变这一切。
GS-Agent是一个端到端的多智能体框架，它的灵感来源于人类构建4D世界的过程，但用AI实现了全流程自动化。具体来说，GS-Agent将任务拆解为两大模块：实体管理和渲染配置。实体管理负责3D资产的挑选、材质调整、空间放置和运动控制；渲染配置则决定相机角度和灯光效果。多个具备不同专长的智能体通过代码与物理引擎实时交互，还能从多模态反馈中学习，不断迭代调整，直到最终生成的4D世界与自然语言描述高度吻合。
在实验中，GS-Agent展现了令人印象深刻的能力：它能从文字描述中生成包含液体、可变形物体和刚体之间丰富互动的场景，比如水流冲击布料、小球弹跳，并且这些物体的运动都遵循了物理定律。更值得一提的是，它还能实现电影级的相机运动和光照控制——这意味着创作者不仅能指定“发生什么”，还能控制“如何拍摄”。
GS-Agent的意义在于，它为4D世界生成提供了一种全新范式。它不再试图“凭空想象”一个世界，而是像人类工匠一样，按步骤、有逻辑地一步步搭建，同时借助物理引擎保证真实性。这或许预示着未来内容创作和物理人工智能的一条更可靠的道路：智能体不仅会模仿，更懂得如何协作与构建。当语言真正成为创造物质世界的工具，想象力与现实的边界正在模糊。
在真实世界中，AI agent的学习常常卡在昂贵的环境交互上——比如运行一次实验要几天，或者寻求人类反馈又慢又贵。上下文学习提供了一条捷径：agent能直接从自己的交互历史中学到东西，样本效率极高。但有个致命缺陷：一旦那些经验从上下文中移除，增益就消失得无影无踪。换句话说，它像临时的“作弊纸条”，看完就忘。
另一边，上下文蒸馏能把上下文信息“刻”进模型权重里，变成永久记忆。但人们一直没想清楚：怎么把它用在agent的交互历史上，同时又不需要牺牲环境交互的效率？这个问题被正式命名为“经验蒸馏”（Experience Distillation）。研究者开发了一套具体实现，核心要求是：只使用已经收集到的经验，不再额外和环境打交道。
他们用749个软件工程任务和6个文本冒险游戏做测试。结果是，经验蒸馏保留了上下文学习至少64.8%的收益——在两个领域表现都很稳。而传统的直接监督微调（把历史经验当标签硬学）只恢复了3.8%的收益，几乎等于白费劲。再跟经典强化学习基线对比：先用试错经验做上下文学习，再执行经验蒸馏，最终性能持平，但环境样本量少了至少9.6倍。
这意味着什么？Agent不再需要反复在真实世界里碰壁才能学会东西。它们只需要一次高质量的自省式试错，就能把教训真正记住。当记忆不再依赖临时“粘贴板”，学习才真正进入下一步：把一次的经历，变成永久的智慧。
在生成式建模的广阔天地中，如何对离散结构进行高效而灵活的概率生成，一直是一个核心挑战。离散流匹配框架提供了一种优雅的解决方案，它通过连续时间马尔可夫链来模拟离散数据的动态演变。然而，标准的因子化训练目标存在一个隐藏的问题：它暴露给模型的目标难度参差不齐，就像把正确答案和模糊线索混在一起——那些信息丰富的预测性token与高熵值、高度不确定的token被同等对待。研究人员通过实验发现，每个token的不确定性与其附近可用上下文的密度密切相关：当周围上下文丰富时，token的预测变得简单；而当上下文稀疏时，则如同在浓雾中猜字母。
基于这一洞见，研究者提出了一项极为简单的修改：对底层连续时间马尔可夫链进行上下文加权。这个上下文加权采样器几乎不增加计算开销，却能显著提升生成质量。同时，他们还设计了一种缩放交叉熵损失函数，重新平衡不同token的训练信号。在OpenWebText数据集上，这一方法将生成困惑度降低了高达63%。更令人印象深刻的是，该方案在生成质量上与强大的半自回归块扩散基线模型不相上下，同时保留了任意顺序生成的能力——这意味着模型不再被局限于固定的生成次序。
这项研究的核心在于揭示了局部上下文在离散生成建模中的关键作用。它证明，简单的上下文感知改进就能同时提升采样和训练效率，而无需复杂的架构创新。这似乎是一个温柔的提醒：在追求复杂算法之前，或许先听听数据本身在说什么——每个token周围的上下文密度，就是它自己的声音。
在生产环境中，AI代理的失败往往不是因为它们不会推理，而是因为它们在管理“思维上下文”时手足无措。想象一下，你正在和一位智能助手聊天，它不仅要记住你们聊过的每一句话，还要处理你给的复杂指令、调用各种工具，以及应对工具返回的冗长结果。随着对话深入，这些信息像滚雪球一样膨胀，代理逐渐被自己的历史记录淹没，每个来回的Token成本陡增，甚至开始遗忘关键细节——用户问过什么，工具返回了什么信息，跨对话的回忆更是支离破碎。久而久之，代理变得迟钝、答非所问，成为一个既贵又低效的“记忆黑洞”。
常见的解决思路是把这看作一个存储和检索问题：把历史记下来，需要时再找。但研究者认为这种视角太狭隘了。代理的“思想”不是一个静态的仓库，而是一个动态的生命周期——从决定记住什么，到提取和结构化信息，为不同类型的数据选择合适存储，在保留来源的同时进行整合和遗忘，判断当前什么最相关，预判下一步需要什么，最后在预算限制内压缩上下文而不丢失关键内容。更重要的是，在严肃的生产环境中，这些操作不是为单个用户服务，而是跨越组织层级的复杂协作。
研究者将这门新学科命名为“Agentic Context Management”（ACM），并把它分解为五个核心原语：架构（规划上下文的结构和流动）、摄取（提取并结构化信息）、范围界定（确定哪些上下文在当前和未来相关）、预测（主动预判下一步所需）、以及压缩与整合（在保留精度的前提下精简上下文）。他们同时做了经济分析：朴素地累积所有信息，Token成本会随对话长度呈二次方增长；简单的摘要虽然能把成本降到线性，却会带来精度断崖式的下降；只有经过验证的压缩方法才能真正实现线性成本与保真度兼得。
作为实现范例，研究者介绍了名为“Maximem Synap”的多租户服务，它把上述五个原语落地为统一平台。在配置说明的设定下，该服务在LongMemEval数据集上取得了92%的准确率，在LoCoMo数据集上取得93.2%。但研究者也指出，现有基准测试还没有覆盖三个关键维度：延迟（上下文管理是否足够快）、Token效率（能否以更少Token做更多事）、以及上下文抗腐化能力（随着时间推移，上下文信息是否会被错误信息污染）。而更大的前沿在于决策级和组织级上下文管理——让代理不仅能管理当前对话，还能在多个决策点之间、甚至在整个组织层面协调记忆与遗忘。
一句话，不能让代理背负不该背的包袱，也不能让它丢掉该记住的钥匙。学会管理“想什么”，和学会“怎么想”同样重要。
在量子计算的竞技场上，中性原子技术正悄然绘制一条通往“实用量子优势”的路线图。这并非简单的性能竞赛，而是一场从硬件到理论的系统性跃迁。科学家们首先厘清了“实用量子优势”的真正含义——不是证明量子比经典计算“更快”，而是解决那些对人类社会真正有价值、但经典计算无法胜任的问题，比如新药研发、材料设计或大规模优化。为了不让这种优势沦为空中楼阁，研究者同步制定了验证标准：任何宣称的“优势”必须通过透明、可复现的测试，杜绝“自说自话”式的论断。
在算法层面，团队不再迷恋抽象的量子加速，转而设计那些能够直接与产业需求对接的算法，确保每一次量子计算都脚踏实地。硬件革新是这场战略的核心：中性的原子处理器正在从数百量子比特向数千规模迈进，同时探索多种量子比特编码方式——比如将信息编码在原子能级或里德堡态中，以适应不同应用场景。逻辑量子比特的性能被要求“越挫越强”，即便在噪声环境下也能通过纠错稳定运行。更令人振奋的是“连续重载”技术：不再一次性地制备所有原子，而是像给打印机加纸一样，边计算边补充新鲜原子，从而突破计算时间的物理极限。快速读出技术则让每一次测量结果能以纳秒级速度获取，为实时纠错铺平道路。
光学控制的集成化是另一大突破。传统的光路系统庞大且不稳定，而片上集成光子技术将激光、分束器、探测器压缩到毫米级芯片上，不仅降低了系统复杂度，还提升了控制精度。与此同时，量子纠错与电路编译的理论创新成为“硬件之外的翅膀”：新的纠错码能更高效地对抗相位噪声，而编译工具则将复杂的量子算法自动映射到真实硬件布局上，自动规避物理限制。
最后，研究团队预见了单一系统的天花板。一台量子计算机无论多强大，都可能受限于量子比特数量或相干时间。因此，分布式量子计算被纳入蓝图：通过量子网络将多个中性原子处理器互联，让它们像超级计算机集群一样协同工作，既克服了单个系统的规模瓶颈，又为大规模容错计算提供了冗余路径。这相当于从“单兵作战”转向“联网军团”，为量子计算的未来打开了更多可能性。
即便前路漫长，这份规划透出一种审慎的乐观：中性原子技术凭借其天然的长相干时间和高保真度操作，正从实验室的“潜力股”变为产业化的“实战派”。当硬件、算法、网络三者形成闭环，实用量子优势或许不再是遥远的预言，而是正在发生的变革。
理解视频中的运动是视觉学习的一项基础挑战，因为帧与帧之间的变化交织着两种动态来源：相机运动和物体运动。长期以来，这种分解在表示学习中未被充分探索，部分原因在于这些因素在自然视频中紧密耦合，难以分别进行监督。然而，恢复这种分解对于学习鲁棒的运动表征至关重要——它能将有意义的物体动态与相机引起的视觉变化区分开来。
本研究探索了能否从预训练图像视觉 Transformer（ViT）的冻结特征中恢复出这种结构化的运动表示。研究者提出了结构化动力学模型（SDM），它通过未来特征预测，显式地将时间变化的主导来源与残差动态分离开来，而不是用单个纠缠的潜变量或非结构化的、空间密集的过渡令牌来表示视频变化。训练过程结合了真实视频上的自监督学习与合成Kubric数据上场景动力学的弱监督。
为了评估SDM，研究者构建了名为ProbeMotion的新评估套件，涵盖合成和真实视频，包含相机运动、物体运动以及两者组合的动态场景。实验结果显示，SDM在使用全局CLS或平均池化特征的骨干基线中表现更优，并且在多个探测任务上与强监督表示（如VGGT）相比毫不逊色——尽管其使用的监督信号要弱得多。这些结果表明，预训练的图像模型可以很容易地被重新用于结构化的视频动态表示，为学习和分析潜在视频动态提供了有用的归纳偏置。
每一次镜头移动与物体运动交织的瞬间，都藏着理解世界变化规律的密码。当模型学会区分“谁在动”与“怎么动”，距离真正理解视觉叙事就更近了一步。这或许意味着，我们不必从零开始构建视频理解体系，而是让沉睡在静态图像中的知识，被时间之河唤醒。
摘要
在生成式AI领域，流模型一直是可控生成的有力工具，但一个根深蒂固的局限始终存在：它们要么只能在固定维度的连续空间中运作，要么只能处理固定长度序列。想象一下，当你希望模型生成一张图片，但输出图片的尺寸根本无法预先知晓；或者你想让模型写一段文字，但句子的长度也是生成过程中自动决定的——这恰恰是当前方法难以跨越的障碍。
一项新研究提出了一个优雅的解决方案——Expanding Generative Flows（EFlows）。核心思想非常直接：让生成过程本身具有“可扩展性”。传统流模型在固定维度空间里推动概率密度，而EFlows定义了一组跨越维度逐渐增加的分布之间的流。这个“扩展插值”通过向当前状态添加条件噪声来扩充状态空间，相当于在生成路径上不断打开新的坐标。
基于这一构造，研究者进一步推出了Expanding Flow Maps（EFMs），一种更高效的几步生成模型。EFMs的核心创新在于将任意两个时间步之间的映射拆解为两个可学习的操作：一个是“扩展算子”，根据当前状态向状态空间添加新的坐标或令牌；另一个是“传输算子”，将扩展后的状态沿插值路径向前推送。两者组合，就形成了既扩展又去噪的统一映射。当扩展算子被简化为恒等映射时，现有固定画布的流模型就成了它的特例。
值得注意的是，该框架不仅适用于连续空间，还被推广到了离散单纯形上，从而能够生成可变大小的图结构和可变长度的序列。这意味着，无论是图神经网络要预测不同大小的分子，还是语言模型要生成不同长度的文本，输出尺寸本身变成了一个可学习、可控的自由度。
这套方法将生成模型从“固定画布”的束缚中解放出来，为需要动态输出规模的任务提供了理论基石。它提醒我们，真正的生成自由不仅在于内容，更在于形式——当模型可以自主决定输出的大小，它才更接近人类创作中那种随需而变的灵活性。
现代AI代理，比如Claude Code、Codex和OpenClaw，都依赖一套精心设计的“推理框架”来驱动多轮对话、调用工具和连接外部系统。这些框架功能强大，却也成了训练时的绊脚石——开源基础设施的SFT/RL（监督微调/强化学习）堆栈根本没法原生处理那种带状态、多进程的推理过程。OpenForgeRL正是为此而生，一个开源的端到端训练框架。
它怎么做到的呢？核心思路是“解耦”。OpenForgeRL用一个轻量级代理来拦截推理框架的模型调用，一边正常服务，一边这些调用被记录下来，转化成标准RL代码库（比如veRL）能用的训练数据。同时，它用Kubernetes编排器把每次模型生成都跑在独立的远程容器里。这样一来，无论推理框架多复杂、环境多多样，都能大规模训练。
研究人员终于可以在真正的部署环境里，直接训练、研究并改进自己的代理了。OpenForgeRL在多种复杂场景下做了验证：从基于工具/爪子的代理，到多模态GUI浏览器和电脑操作代理。只用了几百到几千个任务，就取得了亮眼成绩：OpenForgeClaw在ClawEval上达到31.7的pass^3和55.9的pass@3，在QwenClawBench上达到33.7。OpenForgeGUI在OSWorld-Verified上拿下37.7，在Online-Mind2Web上达到63.0，在WebVoyager上冲到72.3。几乎所有基准测试中，它都超越了同等规模的开源模型，在GUI任务里甚至能打平或超过比它大好几倍的模型。
更有趣的是框架选择带来的差异。研究者发现，有些推理框架（比如ZeroClaw、OpenClaw、Codex）学起来比另一些难得多。强化学习则显著提升了代理的可靠性——它会自我验证、覆盖更多工具、一步步完成复杂计划。但有一个关键能力依然薄弱：错误恢复。代理一旦跑偏，就很难自己拉回来。
技术的边界在不断扩展，但真正让AI从“会干活”到“能纠错”之间，还有一段漫长的路要走。