EZ.AI Listen Daily

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。

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。

Abstract:World-Action Models inherit world knowledge from video-generative priors, and channel it into executable control signals through embodied experience. Existing systems, however, are monolithic: the generative backbone, visual representation, architecture, information flow, inference procedure, and training data are tightly coupled, obscuring which design choices matter and why. We introduce OpenWAM, an open research stack that turns world-action pretraining into a controlled experimental program. OpenWAM-Infra factorizes the WAM design space into composable modules with unified training, inference, deployment, and evaluation. On this substrate, OpenWAM-Study examines three questions through controlled experiments: what to inherit, how world and action learning interact, and how their synergy scales; and distills three principles: upstream knowledge transfers through a sufficiently capable generative backbone and a compact, information-rich latent space; world-action synergy requires dedicated action capacity, explicit world-to-action information flow, and synchronized joint denoising; and embodied pretraining principally improves out-of-domain generalization, with one-stage co-training over egocentric and robot data integrating world coverage and action grounding. Composing these principles, we build OpenWAM-{\alpha}, an open WAM pretrained on roughly 6,400 hours of egocentric human and robot data and evaluated across simulation and real-world benchmarks. Across the eight simulation benchmarks and the real-robot experiments, which together span embodiments from single-arm and bimanual manipulation to dexterous hands, OpenWAM-{\alpha} delivers consistently excellent performance, sustaining its top-tier standing from simulation to the physical world. We release the full stack, including infrastructure, evaluation protocols, pretrained models, and data recipes, to facilitate future research.

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。

在人工智能领域，语言生成几乎总是被看作一个按顺序展开的过程：自回归模型一个字一个字地往外蹦，扩散语言模型则用一条漫长的迭代精修轨迹取代了逐字串行。但有没有可能，把这段轨迹压缩到极致，甚至一步到位？一项新研究给出了肯定的答案。

研究人员推出了PlaidQ，一个仅有0.7B参数的连续扩散语言模型，专门面向代码生成任务。它的特别之处在于，能把自己的生成轨迹 aggressively（激进地）蒸馏成极少步数的去噪过程，甚至只要一步，就能高效产出代码。PlaidQ巧妙地将一个预训练的自回归模型改造成了一个作用在连续词元嵌入上的双向去噪器。训练中，它使用分布匹配来完成少步生成，并用成对轨迹监督来支持单步生成。

实验结果显示，在同等模型规模下，PlaidQ在代码生成上与离散扩散语言模型不相上下。而蒸馏进一步改写了质量与计算之间的权衡曲线：一个16步的学生模型在HumanEval和MBPP+上分别拿到了31.78和40.49的pass@10成绩，甚至超过了用512步采样的PlaidQ教师模型本身。更令人惊讶的是，在极端情况下，成对轨迹蒸馏让模型仅用单步去噪就在HumanEval上达到了7.07的pass@1，直接生成功能正确的程序。

这些结果共同指向一个结论：连续扩散不仅是语言的又一种表示方式，更提供了一扇窗口，让语言模型能够继承连续扩散建模在加速和蒸馏方面的成熟机制。代码生成只是第一步，这项技术为语言模型的生成范式开辟了一条少步乃至单步的实用路径。

当生成不再需要漫长的逐字推演，我们或许正站在一种新效率革命的起点上——毕竟，一步到位地写出正确代码，曾经听起来像是只属于未来的魔法。

可靠性的秘密藏在两层设计里：一个极简且递归定义的算子IR，用SymPy表达符号成本；一个快速解析卷起模式，可处理大规模参数扫描；再加一个慢速模调度模式，用于细粒度调度研究。这两种模式像显微镜和望远镜，各司其职。

最令人震撼的结果是，由代理从零重新生成的实现，能够以舍入精度复现经过人工审计的参考模型——包括DeepSeek-V3在TPU pod slice上的服务过程。这意味着，编码的每一个细节都被文档精确捕获，无一遗漏。

当代码可以被随时重新生成，真正值得长期投入的，是那份能说清楚“为什么”的设计叙事。面对迭代加速的AI系统，也许我们该换一种方式提问：不是“如何写出永不过时的代码”，而是“如何写出让AI替你重写代码的文档”。

在大模型预训练的世界里，层丢弃（Layer Dropout）曾是语言与视觉Transformer的“加速魔法”：它让训练更快、准确率更高，甚至让模型面对剪枝时更加坚韧。然而，当模型和数据规模不断膨胀，这种技术却几乎从大语言模型的训练配方中消失——有人说它会降低精度，但从未有人系统量化过它到底损失了什么，更别提如何弥补。

这项研究决定打破沙锅问到底：在一场内测超过2400次、横跨1.71亿到82亿参数、数据集规模高达1600亿token的庞大战役中，研究者用Cerebras CS-3系统反复验算，最终给出了一个反直觉的答案——层丢弃不仅不该被抛弃，甚至应该成为顶尖大模型训练的标配。

关键在于“怎么用”。论文发现，只要精心设计层的分布、时间表和学习率优化器参数，在相同训练计算量下，层丢弃反而能带来更低的损失。换句话说，当你想训练固定步数的模型时，它不但不拖后腿，还能为你省下高达25%的训练算力。这就像原本以为要多花一倍汽油才能跑完的路，突然发现调整挡位后还能省下一截油量。

故事的高潮发生在训练之后。层丢弃为模型留下了一个“可压缩”的结构，催生了多种推理优化绝技：提前退出、跳过中间层、自我投机解码……在几乎不损失准确率的前提下，推理速度最高提升了1.5倍。对于动辄服务百万用户的LLM，这意味着同样的服务器能撑起多一半的问答请求。

研究者用数据说话：从270M的小模型到8.2B的大模型，从零样本剪枝到动态推理，结论惊人地一致——层丢弃没有在大模型时代过时，它只是需要一个更加精细化的“使用手册”。

当计算成本成为横亘在每家AI实验室面前的现实墙砖，这种看似“退步”的正则化技术，或许会为整个行业争取到意外的喘息空间。毕竟，在智能爆炸的时代，省下的每一分算力，都可能点燃下一簇创新的火花。

标题
]

文本到动画：UniMate让任意3D骨架动起来

[
摘要
]

想象这样一个场景：艺术家制作好了一个精细的3D角色模型，骨骼绑定完毕，一切就绪，但要让这个模型真正“活”起来，还需要动画师手动添加运动数据。这正是当前3D内容生产中被卡住的瓶颈——自动绑定技术已能大规模产出动画就绪的资产，但驱动这些资产的运动生成依然是效率黑洞。

传统的学习型动画生成器受制于拓扑结构：它们要么依赖特定类别的模板，要么在推理时需要针对每套骨架进行微调，甚至必须提供参考动作，这极大地限制了通用性。面对人类、四足动物、鸟类、蛇，或者一辆关节铲车，传统方案往往束手无策，只能针对不同骨骼各搞一套。

来自研究团队的新成果UniMate，试图成为一把“万能钥匙”。这是一个统一的基础模型，核心能力只有一个：给定一个已绑定的3D资产和一句文本指令，它就能直接合成具有关节运动的动画，无需任何测试时优化，也无需针对新骨架重新训练。这不是简单的跨类别，而是直接跨越了拓扑结构的边界。

为了突破拓扑限制，UniMate引入了一个拓扑感知的扩散Transformer架构。它不是把骨骼当作一串无序的点，而是将层级关系统统编织进注意力机制里，通过三种巧妙设计实现：第一，利用图感知注意力偏置，根据成对关节的邻接关系和测地距离，告诉模型谁连接着谁；第二，提出谱旋转位置编码，将传统的旋转位置编码（RoPE）推广到任意运动学树，依靠图拉普拉斯算子捕捉骨骼的固有结构；第三，引入全局拓扑条件器，从静止姿态的骨架中池化出整个骨架的全局特征，作为生成动作的底层背景信息。这三管齐下，让模型真正“看懂”了不同骨骼的内在布局。

众所周知，大模型需要海量数据。研究团队因此构建了UniML3D数据集，包含13,006条动作序列，覆盖了双足、四足、鸟类、海洋生物、昆虫、蛇形乃至关节化的刚性物体，并进行了统一的规范化处理与文本配对。这保障了模型在数据池中“见多识广”。凭借这一训练，UniMate在生成质量、泛化能力和效率上，均超越现有的顶尖基线模型。更有趣的是，它解锁了一系列实用的新玩法：零样本跨拓扑迁移，让人的动作一秒映射到狗或昆虫身上；还能做中间帧插值（in-betweening），自动补齐动作过渡；支持动作扩展，以及用文本引导编辑已有动作。

当3D资产生成已迈入自动化时代，UniMate则让“让万物动起来”变成了一句可能只需要打一行字就能实现的咒语。动画的便利性，或许将在不久后，真正下沉给每一个有想象力的人，而我们已经窥见了动画生产挣脱人工桎梏的第一缕影子。

在人工智能探索计算机操作的道路上，一个关键瓶颈逐渐显现：现有的计算机操作智能体虽然在OSWorld、AndroidWorld等评测基准上取得进展，但大多只会盯着图形界面（GUI）一步步点击，动作轨迹冗长低效。而人类真实工作中的计算机操作从来都是“混合型”的——既要观察视觉界面，又要通过命令行（CLI）精准高效地处理批量任务。真正的智能体，必须学会在共享的应用状态上，协调这两种截然不同的操作方式。

然而，构建这样的混合环境困难重重。在真实软件上同时支持GUI和CLI，意味着每个应用都要耗费大量手工搭建成本。更棘手的是，现有智能体似乎天生“偏科”：擅长命令行的智能体缺乏视觉感知，一旦任务涉及界面布局或控件状态就寸步难行；擅长GUI的智能体则习惯用鼠标去点那些明明一条命令就能完成的操作，效率低得令人着急。

为此，研究团队提出了一个名为CUA-Universe的可扩展环境到数据流水线，它能将真实桌面软件改造成混合GUI+CLI环境。整套系统由三个协同工作的组件构成。第一个组件App-Forge负责“改造”：它把应用程序适配进可复现的虚拟机，并发现、包装或生成对应的命令行界面，成功扩展到了16个不同应用。第二个组件Task-Weave负责“出题”：从种子文件中的可复用操作出发，合成难度可控、类型多样的混合任务。第三个组件Path-Steer则扮演“教练”角色，引导智能体沿高效的混合路径执行操作，收集经过验证的轨迹用于后续训练。

实验结果表明，这套方法的成效显著。一个参数量仅9B的小模型，在训练数据驱动下，行为模式发生了质变：不再沉迷于低效的GUI点击，也不再死板地硬写命令行脚本，而是学会灵活编排两种操作方式。在CUA-Verse基准上，其得分提升39.3个百分点，操作步骤减少37%，消耗的Token减少60%；在OSWorld上，成功率提升16.8个百分点，步骤减少57%，Token减少44%；在OSWorld-MCP上，得分提升7.84个百分点，步骤减少27%，Token减少30%。

当一项操作既可以被鼠标点击也可以被键盘命令完成时，做出正确选择的能力，或许正是智能体从“会用工具”走向“精通工作”的关键转折。CUA-Universe用可扩展的方式证明了，混合操作不是锦上添花，而是通向更高效、更可靠计算机智能体的必经之路。未来的智能体不该偏安于某一种交互形式，而应像熟练的人类员工那样，在界面的直觉与命令的精准之间自由切换，找到那条最优的执行路径。

大语言模型在完成预训练后，还需要经过后训练这道"打磨工序"才能展现真正的推理实力。主流的强化学习能告诉模型答案的对错，却

在人工智能迈向持续智能的征途中，一个名为“通用持续学习”（GCL）的挑战始终如影随形：模型必须从不断演变的数据流中学习，既不知道任务边界，也无法重访旧数据。这远比传统学习场景更贴近现实，也更为棘手。所幸，预训练模型（PTM）携带了丰富的先验知识，为缓解标注稀缺和数据分布漂移提供了起点。然而，一个关键问题暴露出来：直接将预训练表征“搬”到下游任务，真的够吗？

研究者发现，这种“拿来主义”背后藏着两道深壑。其一，上游预训练与下游持续适应之间存在严重的“错位”——预训练所学未必契合眼前的数据流。其二，在模糊不清的数据流中，传统的输出对齐策略并不可靠，模型容易在混乱中迷失方向。

为此，研究团队提出了一种统一的后训练框架——MePo++，旨在为预训练知识与下游持续学习之间架起一座双向通道。这个框架由两个互补的组件构成：MetaPrep，通过伪持续序列上的无监督元精炼，提升表征的可塑性，让模型在新概念面前保持开放；StreamAlign，则以稳定预训练几何为锚，将不断演化的在线特征与它对齐，强化表征的稳定性。简而言之，在适应前改善表征的“学习力”，在持续学习中守住“定力”——两手抓，两头稳。

实验跨越多种预训练模型、数据集和持续学习基线，验证了MePo++的一致有效性与广泛适用性。它并非某种花哨的魔法，而是一次务实的统一：让预训练模型既有本领学新事，又不至于在时间洪流中忘了来路。持续学习的本质或许从来不是对抗遗忘，而是在流动中寻找一种平衡。当每一次更新都意味着一次小小的背叛，真正的智慧，也许就在于懂得如何温柔地保留过去，同时勇敢地迎接未知。

在数字世界的生产线上，一个崭新的分工正在成形：人类客户把需求交给AI客服，而企业开发者的角色，也开始悄悄地让位于能写代码的智能体。可问题是，当一家公司真的把构建整套AI代理系统的重任托付给另一个AI时，它究竟能否胜任？答案恐怕令人心头一紧。

这正是全新基准测试τ^τ-bench（读作hyper-tau-bench）想要回答的。它的设计者没有沿袭老路去衡量AI在解题竞赛和闲聊对话中的表现，而是直接把它扔进了一个近似于真实商业签约的沙盘。在这里，开发代理面对的不是被提前清洗好的标准题库，而是一家企业实际运转才会留下的杂乱记录、一位揣着需求不放的客户、一个必须按规矩来对接的生产API、一段需要继承和修补的旧代码库，以及一条清清楚楚的成本和服务质量红线。

这就像让一个AI在现实中接下一单外包：既要读懂旧代码，还得跟客户开会，又得在预算内让系统上线运行。它最终交付的就是一个完整可用的客服代理，而评分方式同样不含糊——直接把交付系统放到一群事先设计好的模拟用户面前去实战通关。结果表明，这还是块极难啃下的骨头。

围绕四大领域、共计53个具体任务，最强配置的AI组合“Claude Opus 5 配合 Claude Code”也仅仅在23.9%的模拟对抗中胜出。与之形成鲜明对比的，是研究者邀请专家亲手做了一遍同样任务而得到的82.2%的封顶参考线。三分之二以上的“险滩”，纵使是顶尖模型人物联手也无法独自渡过，差距就这样毫无遮拦地摆在了阳光下。

研究者进一步复盘了那些失败尝试，发现AI的“短板”和人类新手开发者惊人地一致：明明手握海量业务资料，AI却懒得深读，反而用一堆肤浅提问代替对记录的内化；面对揣着谜底的客户，AI几乎不怎么开口去澄清和沟通；在有限的算力预算和多种代理架构可选的前提下，它又显得小心翼翼，既不愿意尝试切换构造，也不肯在服务调用上多做权衡，总是把第一版碰巧能跑通的设计匆匆上了线。

这些共同指向一个耐人寻味的现象：会写单个函数，并不意味着懂交付一个系统。真正的商业合作，比的是在混沌信息里探明需求的能力、在庞大的旧代码上做手术的方法、在可控成本里跟客户周旋并交付成果的全局观。τ^τ-bench的价值，恰恰是把这种“与人合作构建AI”的复杂协作，压缩成了一把可量化的尺子。它提醒着所有炙手可热的编码代理：光会堆代码远远不够，真正的考验，藏在真实世界的隐晦需求和无尽的细节拉扯里。这条路还很漫长，且无人已站在终点。

想象一个堆满数百件物品的房间，每件物品都彼此遮挡，从任何一个视角都只能看清小小的一角。怎么把这个杂乱世界变成游戏、VR或机器人能用的三维模型？以往的办法往往只能重建出一整块残缺的“泥巴”，而想借助AI先验来逐个生成物体，又扛不住这种复杂场景。现在，研究者找到了一条新路：把单个物体的强大三维生成能力，硬生生扩展到一堆乱糟糟的观测视角上，让机器自己“脑补”出每个物体的完整形状，并放回同一个世界坐标里。

这项工作的核心思路很简单也很大胆：一个在单物体上训练好的模型，也能撑起容纳数百物体的拥挤场景。研究者选择了Pixal3D作为基底，给它加了一条“多视角条件通路”，让模型的生成不再只靠一张图，而是能同时参考多个带姿态的观测照片。有意思的是，模型从头到尾只在干净的单物体数据上微调过，没有见过任何“全家福”式的场景数据，但它却能在严重遮挡的大场面中自动“开枝散叶”，把一个个物体从背景里剥出来，补全被挡住的部分，然后拼成一个完整的组合式三维网格场景。

为了检验这种能力，团队还推出了一个名为UE-MeshyScene的新基准：它是一批用Unreal Engine生成的超高真实感杂乱场景图片，每个场景里都摆着几百个物体，并且带着逐物体的标注和真实网格模型。这样一来，算法表现好不好，就有了硬碰硬的标尺。从单物体、可控多物体到UE-MeshyScene的层层测试来看，这个新方法都比老方法更准，而且场景越乱、遮挡越狠，它的优势就越明显。

研究还不止于此。他们继续证明了这套管线不只适用于自己造的数据，还能把别的三维高斯泼溅世界，比如Marble和HY-World 2.0，直接转成带独立网格的组合式场景。这意味着，想从现成的沉浸式世界里抽取出一个个可交互、可编辑的物体模型，现在多了一条相当顺手的路。

或许，真正让人兴奋的不是这次又多刷了几个百分点，而是它揭示了一个耐人寻味的道理：让系统见识过“个体”的精致，它反而能在“群体”的纷乱中更从容地找到边界。复杂世界看起来千头万绪，但只要有一个足够好的起点，剩下的奇迹往往就藏在对观察的认真对待里。

在人类历史的漫长进程中，每一次重大技术变革都像一场无声的病毒传播——从语言到文字，从印刷术到互联网，新的认知工具一旦嵌入社会肌理，便再也无法剥离。如今，大语言模型正以同样的方式悄然蔓延，它不再只是实验室里的代码，而是迅速成为人类文化的一部分，重塑着信息的生产、传递与使用方式。一个令人不安的问题随之浮现：当我们越来越依赖这些“智能外脑”，人类自身的认知能力会走向何方？

一项研究提出了一个大胆的比喻：将大语言模型的普及过程视为一种“认知病毒”的传播。这个比喻并非贬义，而是强调其扩散的动力学特征——人们在使用大模型时表现出三种不同状态：未接触者、与模型协同使用者，以及对其产生持久依赖的使用者。这三种状态之间并非固定不变，人群会在其中转换，而转换的驱动力来自社会传播、个人恢复能力以及集体强化效应的复杂互动。

研究团队用数学模型模拟了这些状态间的转变，发现了一个关键现象：系统存在“引爆点”。当使用大模型的人数比例超过某一临界阈值时，微小的采用率增长就会触发剧烈的人口层面转变——大量人群从临时使用滑向持久依赖，如同多米诺骨牌般连锁倒塌。这种“失控动力学”意味着，集体性的认知依赖可能不是渐进式的积累，而是在某个临界点后突然降临的“相变”。与此同时，研究中还观察到了“技术锁定”效应：一旦社会整体陷入对某项技术的深度依赖，即便其弊端显现，也只是很难退回到先前状态。

但故事并未结束。同一套理论框架也指明了“认知免疫”的可能条件。所谓免疫，并非完全拒绝技术，而是通过降低人际传播速率和增强使用方式的“可逆性”来实现——例如，鼓励间断性使用、维持自主思考的练习、设计更透明的交互界面以减少盲目信任。这些措施能够像疫苗一样，在不必彻底隔离技术的前提下，提升社会整体的认知韧性。

值得注意的是，这项研究并非在否定大模型的积极价值，而是试图提醒：技术采纳的过程天然具有非线性特征。当我们在社交平台上频繁分享AI生成的回答，在职场上默认用大模型起草文档，在教育中允许学生依赖AI完成作业时，这些看似微小的选择正在共同塑造一个看不见的临界环境。等到某一天，当人们发现自己哪怕面对简单问题也下意识地打开对话框时，那或许不是个人的选择，而是系统已经越过了那个不可逆的拐点。

这项研究的意义在于揭示了集体认知转型的隐蔽机制。它提醒我们，拥抱人工智能的深度智能不能以牺牲人类自主性为代价，我们的目标或许不是避免使用，而是让每一次与机器对话，都不会成为大脑萎缩训练中的又一次重复。保持思考的肌肉记忆，也许才是这个算法时代最珍贵的免疫力。

在广阔的物理参数空间里学习偏微分方程的算子，从来不是件容易的事。纯数据驱动的参数化模型往往需要同时覆盖大量的输入函数和物理参数，才算见过世面；可即便如此，一旦遇到训练分布之外的陌生场景，它们仍可能悄无声息地给出灾难性的错误答案——没有预警，不留情面。

一项名为“方程重铸”的新方法试图打破这种沉默。它的思路别具匠心：不必针对每一个参数组合都重新学习一个算子，而是把原本依赖参数的算子学习问题，改写成一个“单一规范算子”的学习问题。那些因参数变化而带来的算子差异，不再由神经网络从头摸索，而是直接从控制方程本身解析地推导出来，并被“吸收”进一个有效源项之中。这样一来，当新参数出现时，模型无需再输入任何来自新域的数据，就能直接做出零样本预测。

研究团队在多参数、非线性以及奇异摄动等多种偏微分方程设定下验证了这一思路。结果表明，方程重铸不仅能支持跨参数区间的外推，还能将稀疏的、来自不同来源的数据集整合进同一个规范表示中，让以往难以放在一起训练的数据协同发声。更妙的是，它把迭代求解是否收敛作为一项“内置的警告信号”——如果迭代发散，模型就有理由相信自己已经走出了可信的边界，而不是继续硬撑下去。

这一框架的实战能力在核聚变领域高保真托卡马克模拟中得到了充分展现。它通过规范域映射，把跨越四种装置几何构型的电子温度数据统一起来，最终在一个联合训练的神经网络算子内达成一致表征，让不同实验装置的数据第一次可以在同一个模型里对话。

方程重铸为可复用的神经偏微分方程求解器指出了一条新路：既有方程引导的迁移能力，又具备数据效率，还能对自身的推理过程保持可监控、可感知的警惕。面对未知，它不再沉默地犯错，而是选择在失效之前先让人听见。

一个名为“苦涩教训”的命题，正在向整个数据系统领域投下一枚震撼弹。当大语言模型凭借端到端的训练方式，以惊人速度将过去需要精心设计的数据代理才能实现的能力一一内化时，一个尖锐的问题浮出水面：那些曾经不可或缺的系统组件，未来还有存在的必要吗？

这篇来自研究前沿的思考，给出一个颇具冲击力的判断——随着模型持续进化，许多为了弥补模型在特定任务上的短板而搭建的系统层，将越来越多地被模型本身所吸收、所取代。换句话说，你费尽心力为模型“打补丁”的中间层，很可能在未来某个版本里变得多余。这不是危言耸听，而是基于经验观察得出的趋势性结论。

但研究者并未就此止步，他们转而指出了一条更具生命力的研究方向：与其在单一任务上精雕细琢，不如将目光投向支撑数据代理跨多次查询的“持久语义上下文”。所谓持久语义上下文，指的是围绕数据环境本身，经过精心组织的语境信息——它不是一次性提示词，而是一种可以被反复调用、持续积累的数据资产。实验表明，这种上下文层在提升数据代理性能上展现出强劲的潜力，但同时也带来了棘手的系统级挑战。

真正的分水岭在这里：未来的数据系统，能否将持久语义上下文视为“一等公民”般的核心抽象，原生地加以服务和支撑？唯有如此，数据代理才能在庞大而复杂的知识语料库上真正游刃有余。为此，研究者勾勒出一幅充满未知的新地图——高效上下文数据结构的设计、存储方法、压缩技术，以及确保上下文知识完整与正确的语义一致性协议，每一个方向都等待着勇敢的探索者。

模型越强大，系统越要有自知之明。与其与模型的能力赛跑，不如转身去经营那些模型无法独自获取的语境财富。当算法不断吞并旧日的人工环节，真正值得托付的，或许正是那些让智能与数据产生深度联结的底层架构。这场此消彼长的演化远未终结，新的平衡点，恰恰藏在数据系统重新定义自身价值的勇气之中。

摘要：当AI在群体数据中训练，它学会了平均水平，却往往达不到专业人士需要为之赌上声誉的个人标准。无论是写作还是视觉创作，每个从业者心中那些“好”的尺度，恰恰藏在与流行的偏离之中。然而这些标准往往只可意会，难以用几条指令说清。于是，研究者把目光投向了一个看似平常却很少被利用的信号——用户与AI在不同任务间反复互动的记录。他们的想法是：虽然你一开始说不清自己要什么，但当你看到AI的产出时，你会知道哪里不对，而这些来回修正的痕迹，正是你个人专业准则最真实的投影。

在这项名为TAHI（test-time adaptation through human-agent interaction，通过人机交互进行测试时适应）的方法中，系统不再只在单次对话里临时猜度用户心意，而是把跨任务、跨会话的互动信号纳入AI的上下文和权重之中，甚至用一套会不断演化的“评分标准”模块，把用户每一次没说出口的偏好、每一次对结果的挑剔，逐渐固化成可复用的评价框架。换句话说，AI不再只是执行命令的工具，它开始学着像你一样给人挑毛病。

实验在写作和视觉创作这两个高度依赖个人审美的领域展开，覆盖了30位不同用户，累计完成600项任务。结果显示，仅仅经过几十次任务互动，AI在单人任务上的成功率就提升了4.5%到20.9%。更重要的是，那套演化的评分标准模块本身也成为一件趁手的批改工具——它发现的失败案例比单纯用语言模型或单纯用人来评判时多出16.0%到22.3%。

一个耐人寻味的副产品是：为某个人量身定制的AI，它的提升并不完全封闭。研究中，这些个性化代理所产生的改良，有多达8.8%的成功率提升能够跨用户迁移。这意味着，人与人之间对“好作品”的理解，或许没有想象中那般彼此隔绝，每一个人的苛刻打磨，都可能在无意间为另一个人点亮一盏灯。

当AI从“多数人想象中的高手”变为“懂我的搭档”，真正的挑战或许不在初始模型有多大，而在于我们是否愿意在一次次不够完美的来回中，持续教它看世界的角度。毕竟，每个专业人士的标准，都是趟过无数次“这不对、再试试”才沉淀下来的。而AI能走多远，可能取决于它多珍惜那些看似微不足道的纠正。

大语言模型在需要长链条推理的任务上表现出色，但这份聪明也有代价：模型层层展开思路时，每一层都要暂存历史信息，形成庞大的KV缓存，成为内存瓶颈。为了让模型在更长的推理中不“断粮”，研究者们想出了一个主流办法——给每个缓存令牌打分，预测它未来是否重要，然后只保留分数最高的一批。这套逻辑听起来天经地义，然而一项新研究却给出了一个令人意外的答案：那个“分数”本身，几乎帮不上忙。

研究人员干脆放弃打分，提出了一个简单到极致的方案：保留提示部分的缓存，然后在每个注意力头内部，对剩下的缓存令牌均匀随机地“抓阄”驱逐。他们把这个方法命名为Random Attention。结果令人瞠目：在四个不同规模和架构的模型、六个需要复杂推理的任务上，这种“随机抓阄”竟然与之前最强力的驱逐器表现相当，并且在vLLM部署环境下，服务吞吐量还比后者高出32%到43%。

为什么胡乱淘汰反而能和精挑细选打平？受控实验揭开了谜底。首先，整段缓存里最娇贵的是提示部分，一旦提示受损，模型就容易“失忆”。此前那些选择器之间的大部分性能差距，其实并不在于打分有多高明，而仅仅在于它们的选择信号有没有碰巧保住了提示。其次，模型的推理痕迹也有“自保”能力：它同时做了两层冗余。在文本层面，模型边思考边会把接下来需要的东西重新表述一遍；在注意力头的层面，不同的头各自保存一份推理状态的副本。于是，只要提示安然无恙，哪怕随机驱逐，也能大概率留下足够多的副本供模型续写，根本不需要什么分数来指点迷津。

这则研究像一个有力的提醒：在系统设计里，有时最复杂的算法并不比简单的随机策略更高明，因为真正的关键往往藏在结构的冗余之中。当我们在优化中绞尽脑汁寻找最优解时，不妨先想想——是不是已经牢牢护住了那个最脆弱的支点？随机带来的威力，也许正因为结构本身足够坚强。

在强化学习的传统框架里，优化目标通常是平均奖励。但对于生成式策略而言，平均值会掩盖一个关键差异：两种策略可能拥有相同的平均奖励，但产生罕见高奖励轨迹的概率却截然不同。这一点在训练和推理阶段增加采样次数时尤为重要，因为额外采样带来的收益，取决于策略是否保留了足够概率质量在高奖励结果上。

一项新研究提出直接优化这种“覆盖”能力。研究者不再只关注期望奖励，而是考察所有上尾部分：对于每一个奖励阈值，策略有多大的可能超过它？这相当于把一个连续的奖励转化为一族二元成功事件。基于这一思路，他们提出了尾部似然强化学习（TailRL），其核心是最大化超过随机选定奖励阈值的对数概率。这种方法的梯度会赋予罕见高奖励轨迹更大的权重，并且可以被理解为多种Best-of-(k)梯度的混合。

TailRL的优势在于实现简单——只需对优势函数做一处修改，就能兼容现有强化学习流程。在目标定位、迷宫导航、图形界面元素定位和代码优化等任务中，TailRL利用罕见的优质训练样本避开次优解，并且让模型在推理阶段接受更多采样时，能够获得比传统方法更明显的性能提升。这项研究提醒我们，当极端好结果难得且重要时，平均数字可能掩盖真正的机会，而关注尾部概率，或许能让智能体更善于抓住那些低概率、高价值的瞬间。

在数学的浩瀚星空中，有些常数像星辰般闪耀，却身披神秘的面纱。十九世纪，数学家Catalan引入了一个美丽而奇特的常数：从1的平方分之1开始，交替加减奇数的平方倒数，形成一条无穷无尽的级数。这条看似简单的数列收敛于一个约0.9159的数字，但它究竟是有理数还是无理数，却困扰了数学家一个多世纪，成为解析数论中著名的未解难题。

无数研究者试图揭开这个谜团，但始终未能触及核心。如今，一篇新论文宣称找到了答案。作者没有采用暴力计算或无穷尽的逼近，而是精心设计了一套"合适的权重"——这种策略在数论中常像调配合适的钥匙，专门撬开那些顽固的谜题。通过引入巧妙的加权结构，论文给出了令人信服的逻辑链，最终证明了这个备受关注的Catalan常数确实是无理数。

这一结果并非孤立的技巧表演，它背后延续着对特殊常数（如zeta函数值和π）无理性的长期探索传统。作者的工作就像在古老迷宫的高墙上凿开一道缝隙，不仅为Catalan常数的命运画上句号，更为同类问题提供了新的武器。当无数人曾在这些交错符号中迷路时，这位研究者找到了穿越迷雾的道路。

当然，数学的严谨性要求每一步都经得起同行评审的推敲。但若这个证明成立，它将把又一个曾经遥不可及的常数，稳稳地放进无理数的大家庭中。那些沉睡在级数中的神秘秩序，或许正等待更多这样巧妙的目光将它唤醒。就像无穷级数中的每一项都在自己的位置上发声，数学中的每一次突破，都为下一个待解之谜投下一束新的光亮。

在量子多体系统的深邃世界里，粒子间的相互作用编织出远超单个粒子行为的复杂图景。长久以来，科学家们借助多体纠缠来窥探这些系统的奥秘，而近年来，“魔法”（magic）这一概念异军突起，成为探测量子多体系统的新锐探针。所谓魔法，衡量的是量子态偏离稳定态（stabilizer states）的程度，而稳定态可以被经典计算机高效模拟。因此，魔法越强，系统就越难以被经典模拟，也预示着更丰富的量子资源。但一个更深层的问题浮出水面：在一个更大的量子多体系统中，局部的子系统何时开始“获得”魔法？这种魔法的涌现又能否揭示系统深层的物理结构？

一项新的研究从这一视角出发，深入研究了Kitaev蜂窝模型。科学家们首先找到了一个关键的温度阈值——低于这个温度，局部子系统开始展现出非零的魔法。令人惊讶的是，在魔法初现的临界点，那些能够最有效侦测魔法的观测算子，竟然构成了一组极其紧凑的算子空间。这组空间并非偶然，它仿佛是被精心编排的“密码”，在之后的温度演化中，持续准确地捕捉着局部热态的全部关键信息。

更奇妙的联系发生在对六位六边形子系统的分析上。研究者发现，同一算子空间竟可以独立地从局部子系统的对称性中推导出来，它对应着一种“对称分辨的plaquette代数”。当这些对称性被精确实现时，局部量子态完全位于此代数空间内，而此时一个简化的结论成立：局部的“鲁棒魔法”（robustness of magic）恰好等于全局的鲁棒魔法。这意味着，对于这个子系统，其魔法资源被完美地“定域”在这个代数结构之中。

这种约化描述并非魔法独享。研究者将同样的方法应用于真正的多体纠缠上，证明了该算子空间同样能作为其他量子资源的有效描述框架。进一步探索这些算子空间的代数性质，会发现它们拥有优雅的数学结构——有限维欧几里得约当代数，其元素可以被自然地解释为键算子和键环算子。

这项研究的普适方法论表明，局域魔法的涌现不仅仅是系统复杂性的标志，更像是一把钥匙，能够开启一扇通往系统深层有序结构的大门。它揭示了有限温度Kitaev自旋液体背后隐藏的紧凑、物理上有意义的算子架构，为理解量子多体系统中的量子资源开辟了一条崭新的约化描述途径。或许，在量子混沌的表象之下，总存在着某种简洁的秩序，等待着我们用智慧的探针去揭示。

机器翻译越来越强大，可我们反而越来越难判断它到底有多好。一直以来，科研人员靠标准基准数据集来测试模型能力，但随着模型变强，这些常规测试正逼近饱和——就像用小学试卷考大学生，分数再高也说明不了什么。更棘手的是，自动评估指标本身就不可靠，容易被“刷分”，给出的反馈也不够具体，研究者看了也不知道下一步该改哪里。就连被视为“金标准”的人工评估也并非没有瑕疵，它往往缺乏可复现性、客观性，且难以规模化。这一切，让我们难以真正追踪领域进步，也难以找到明确的改进方向。

为了破解这一困局，研究者推出了“最后翻译基准”。这个新数据集里的每一个测试样本，都是由人类撰写并通过同行评审的，形式涵盖文本、图片、音频和视频，专门用来“击穿”当前最先进的翻译模型。它的独特之处在于评估方式的革新：每个样本都搭配了手工编写的验证规则，精准指出该样本上可能出现的具体失败模式，让未来的评估既可信、又可执行，而不只是给一个模糊的分数。

这个基准不是一个静态的测试集，而是一个持续接收新贡献的“活”数据集。目前的版本是LTBv1，收录了2026年9月1日之前通过审核的贡献，随着新数据的不断加入，后续还会持续更新版本。它像一面移动的靶子，追着模型能力的水涨船高而不断升级，提醒我们：衡量进步的工具，也必须不断进步。毕竟，当模型快跑出我们视野时，比速度更重要的是，我们手里是否还有一把能量准它们缺点的尺子。