VA-Bench 测出大模型空间智能执行断层：目标识别接近满分，完整任务成功率仅约一半
VA-Bench 以观察、推理、行动、修正的闭环测试 12 个多模态模型，覆盖 14 类机器人操作任务共 280 个基础场景。表现最好的模型在目标识别与定位上达到 100%、操作语义理解达到 99.6%—100%，但 Qwen3.8-max、Opus-5 和 GPT-5.6-sol 的完整任务成功率分别只有 53.93%、52.86% 和 51.55%。
全部AI 动态
全部动态
今日 12 条机器之心AI 评估 · 50/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 50/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 AINLPAI 评估 · 69/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 69/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 微软与 UCSB 提出 ScholarEvolve：用论文进化 Agent Harness
微软与加州大学圣巴巴拉分校研究者公开论文 ScholarEvolve，从已发表 Agent 研究中提取改进思路，写入运行框架 Harness，再用真实任务检验，执行任务的模型本身保持不变。
elvis(@omarsar0)AI 评估 · 58/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 58/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 UT Austin 研究：编码智能体上下文压缩可能让运行更慢
UT Austin 对编码智能体中的上下文压缩做了一项研究，在 SWE-bench Verified 和 Terminal-Bench 上跑了近 35,000 次智能体运行，分别改变压缩方式、触发时机和压缩比例三个变量。
机器之心AI 评估 · 50/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 50/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 南洋理工大学安波团队研究：Agent Harness 如何按模型与任务组合选择
新加坡南洋理工大学安波教授团队发布报告《Finding the Right Fit: Model–Harness Interactions across Agent Tasks》。
cohere(@cohere)AI 评估 · 6/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 6/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Cohere 团队将在 WMT 2026 分享 North Small 翻译模型技术细节
Cohere 团队将在今年 10 月的 WMT 2026 大会上分享其翻译模型的技术细节，相关视频同步放出。推文同时给出完整技术报告链接 cohere.com/north-small-tr，团队研究员 Kocmi 也参与其中。
大模型智能AI 评估 · 30/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 30/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 把 Depth Anything 砍到 6M，DepthART 让深度估计跑进 Jetson
DepthART 将单目深度基础模型压缩到 6.0M 参数：用抗偏置数据采样从约 4400 万张候选图像筛出约 170 万张均衡数据，再以 Depth Anything V2-L 伪深度蒸馏到 TinyViM+DPT。
meng shao(@shao__meng)AI 评估 · 70/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 70/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 HuggingFace 与 LiquidAI 发布多 Harness 强化学习训练指南
HuggingFace 和 LiquidAI 团队提出一种多 Harness 强化学习训练方案，不改框架代码，在框架与模型之间加一个记录代理，让同一模型同时在四个真实框架里做 RL。
机器之心AI 评估 · 46/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 46/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 亚马逊与杜克大学研究：万分之一稀疏监督即可提升大模型推理能力
亚马逊与杜克大学研究发现，大模型后训练中每条 rollout 只保留一个 token 的梯度信号（占比约0.025%），学生模型推理能力反而显著提升。基于 Qwen3 的9组教师—学生配置及代码推理、Llama 系列、PPO-based RLVR 验证中均复现该现象，仅监督一到两个分歧最大的 token 即可匹配甚至超过全信号训练。极稀疏监督仅更新约10%网络参数，其机制仍待解释。
cohere(@cohere)AI 评估 · 17/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 17/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Cohere 提出 RCP-nDCG@10：不只看答案键，逐条评估检索结果相关性
Cohere 提出 RCP-nDCG@10，替代传统 nDCG 只给答案键内结果记分的做法，对每条结果按其真实相关性打分。该指标结果由人工审核员与 MTEB 背书。
Stanford AI Lab(@StanfordAILab)AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Stanford AI Lab 发布 SWE-chat v2：23 万条真实开发者与 AI 编程智能体交互数据集上线 HuggingFace
Stanford AI Lab 与 Joachim Baumann 发布 SWE-chat v2，包含来自真实开发者的 23 万条 prompt、覆盖 1.8 万次会话，已上线 HuggingFace。该数据集记录人类与 AI 编程智能体的真实交互，v2 在上一版基础上规模进一步扩大，团队将在 COLM 会议上介绍相关工作。
AK(@_akhaliq)AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Adaptive Reward Routing：面向音视频联合扩散模型的前向过程 RL 多奖励优化
论文提出 Adaptive Reward Routing，面向音视频联合扩散模型做动态多奖励优化，方法基于前向过程 RL（Forward-Process RL）。论文已发布在 Hugging Face Papers（编号 2609.37）。
Harrison Chase(@hwchase17)AI 评估 · 52/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 52/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Harrison Chase 点评 Google 多智能体证明发现论文的验证者独立上下文模式
Harrison Chase 点评一篇 Google Research 的多智能体证明发现论文，认为验证者从干净上下文起步的模式值得借鉴，探索者的推理无法说服验证者接受错误证明，探索者因此可以大胆尝试，由验证者筛掉错误方向，DeepAgents 子智能体拥有独立上下文也是同一道理。
AK(@_akhaliq)AI 评估 · 19/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 19/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 EgoTools：面向真实第一人称视频的工具中心推理
论文 EgoTools 提出面向真实第一人称视频的工具中心推理，论文已在 HuggingFace 上线（编号 2609.39…）。目前仅有论文链接与演示视频，未披露模型规模、benchmark 分数或开源情况。
lmarena.ai(@lmarena_ai)AI 评估 · 44/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 44/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 如何为后训练前沿图像模型设计奖励？LMArena 研究提出复合奖励方案
LMArena 研究指出人类偏好奖励对后训练图像模型必要但不充分，模型仍会奖励好看却丢细节或引入无关内容的输出，因此提出复合奖励：约 560 万对人工投票训练的 Bradley-Terry 奖励模型、由视觉语言模型评估自动生成提示词清单的忠实度奖励、约束奖励与反奖励黑客评分奖励。
Hugging Face(@huggingface)AI 评估 · 66/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 66/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Hugging Face 发布多 harness RL 指南：同一模型在不同 harness 得分 62% 与 33%
Hugging Face 团队发布多 harness RL 实践指南，指出同一模型同一权重在一个 agent harness 中得分 62%，在另一个中仅 33%。
大模型智能AI 评估 · 30/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 30/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 世界—动作模型综述：从预测未来到机器人闭环控制
MBZUAI、Caltech 等机构发布综述《World-Action Models for Robot Learning and Control: A Survey》，系统梳理世界—动作模型（WAMs）的概念、架构、训练与评测，核心是把未来世界预测与可执行动作生成连接起来。论文按语言接口、视觉编码器、预测骨干与动作解码器拆解 WAM，并区分联合预测与逆动力学两条路径，覆盖操作、导航与自动驾驶。
Epoch AIAI 评估 · 43/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 43/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Epoch AI 推出 ChatGPT 使用情况浏览器：基于 YouGov 5,000 名美国用户数据
Epoch AI 发布 ChatGPT 使用情况浏览器，基于 YouGov 提供的 5,000 名美国 ChatGPT 用户聊天元数据，覆盖约 830 万条消息、66 万次对话，部分记录可追溯至 2022 年 11 月 ChatGPT 上线后数周。
AK(@_akhaliq)AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 LongLive-Plug：面向视频生成的一次性通用蒸馏
LongLive-Plug 提出一种面向视频生成的“plug once-for-all”蒸馏方法，论文已发布在 Hugging Face Papers。该方法主打一次蒸馏即可通用适配，具体加速倍数与评测结果原文未披露。
AK(@_akhaliq)AI 评估 · 21/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 21/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Omni-IO Skills：让 AI 智能体实现 Omni-Native 的论文发布
论文 Omni-IO Skills 提出让 AI 智能体具备 Omni-Native 能力，论文已在 Hugging Face 上线。该工作由 AK（@_akhaliq）发布，配文包含演示视频，附论文链接 huggingface.co/papers/2609.31…。
AK(@_akhaliq)AI 评估 · 35/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 35/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 LEGO-Anything：面向 3D 场景重建的编码智能体
LEGO-Anything 提出用编码智能体（Coding Agents）做 3D 场景重建，论文已发布在 Hugging Face Papers（编号 2609.36）。该工作把 3D 场景重建任务交给编码智能体完成，具体方法与实验结果见论文原文。
Demis Hassabis(@demishassabis)AI 评估 · 53/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 53/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Google DeepMind 开源 SynthID Bio 为 AI 设计蛋白加水印
Google DeepMind 将 SynthID 引入生物学领域，推出蛋白质水印方法 SynthID Bio，让 AI 生成的蛋白质可以被水印标记。相关成果发表在 Nature 上，团队还实现了兼具功能性与水印的 AI 设计蛋白质的成功合成，并将 SynthID Bio 工具开源供研究社区使用。Demis Hassabis 称这是 AI 时代生物安全的关键一步。
Microsoft Research(@MSFTResearch)AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 微软新机器学习系统可提前 30-60 分钟预测极端空间天气损伤位置
一个机器学习系统能在极端空间天气风暴抵达前 30-60 分钟预测破坏可能发生的位置。极端空间天气事件会损坏地球电力系统，并降低 GPS 精度与卫星运行能力。
Hunyuan(@TXhunyuan)AI 评估 · 51/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 51/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 腾讯混元联合复旦、清华发布 ExplorationBench 探索能力基准
腾讯混元、复旦大学和清华大学的研究者发布 ExplorationBench，用于衡量 AI 系统的探索能力，并构建了规则可执行、与已知知识冲突的 Alien Worlds 环境。
AK(@_akhaliq)AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 SpatialClaw：重新思考智能体空间推理的动作接口
SpatialClaw 提出重新思考智能体空间推理的动作接口，相关论文已发布在 Hugging Face Papers。原文未披露模型规模、benchmark 分数或开源情况。
NVIDIA AI(@NVIDIAAI)AI 评估 · 43/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 43/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 NVIDIA 发布 Physis-Lang：为视频世界模型补上物理推理
NVIDIA 研究人员发布开源自进化框架 Physis-Lang，通过为视频描述加入物理解释来提升世界模型的物理推理能力。仅将物理推理加入提示词、不做重训练，NVIDIA Cosmos 3 的 PhyGenBench 分数即提升 5.62 分。论文与项目已上线。
Berkeley AI Research(@berkeley_ai)AI 评估 · 23/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 23/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Dextac-WAM 项目网站上线：新增真机演示、世界模型预测与触觉可视化
Dextac-WAM 项目网站新增真机演示、世界模型预测、触觉可视化、消融实验与详细说明，网址为 dextacwam.github.io。
Berkeley AI Research(@berkeley_ai)AI 评估 · 12/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 12/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 如何把触觉世界建模扩展到十指？一种手指与姿态感知的触觉压缩器
一种手指与姿态感知的触觉压缩器将10路指尖数据流映射为2个手部级潜变量，同时保留89.4%的融合前接触召回率，使训练速度提升2.26倍、推理速度提升1.29倍。该工作面向十指触觉世界建模的规模化问题。
Berkeley AI Research(@berkeley_ai)AI 评估 · 40/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 40/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Berkeley AI 开源 DexTacWAM：面向灵巧操作的视触觉世界-动作模型
Berkeley AI 人类智能中心发布 DexTacWAM，一个将预训练视频世界模型通过持续视触觉学习改造而成的视触觉世界-动作模型，用于多指接触预测与动作生成。
Microsoft Research(@MSFTResearch)AI 评估 · 35/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 35/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 微软研究院推出生物学多模态世界模型 Quine
微软研究院启动早期研究项目 Quine，一个面向生物学的多模态世界模型，通过跨生物尺度与模态连接洞察，帮助科学家在远超直觉可及的空间中进行计算搜索，并在进入实验室前对假设排序。实验结果会作为反馈，帮助研究者校准后续研究方向。
大模型智能AI 评估 · 40/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 40/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 ACL 2026 杰出论文奖 | PALU：在关键前缀上最大化局部熵，让大模型精准“失忆”
中国科学技术大学与新加坡国立大学团队提出 PALU（Prefix-Aware Localized Unlearning，前缀感知局部遗忘），从时序与词表两个维度做局部化约束：只干预敏感片段最前面的 N 个词元，且只对冻结参考模型选出的 Top-K logit 做局部熵最大化，并用 KL 散度约束非敏感词元分布。
Microsoft Research BlogAI 评估 · 63/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 63/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 微软研究院发布生物学 AI 研究系统 Quine
微软研究院发布 Quine，一个面向生物学复杂性的多模态世界模型加交互式 harness，连接科学工具、文献、湿实验与研究人员。该系统与 Broad Institute 合作用于胰腺导管腺癌研究，预测并优先排序数千种化合物以改变肿瘤细胞状态，从缩小搜索空间到筛出候选仅用一个周末，排名最高的化合物在多种湿实验中获得验证。
Thomas Wolf(@Thom_Wolf)AI 评估 · 34/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 34/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 NanoGPT 训练记录降至 39.9 秒，提出「按 flop 价值取舍」新范式
NanoGPT 训练纪录被刷新至 39.9 秒，比此前的 67.6 秒缩短 27.7 秒。该方案不再优化 matmul 或增加算子，而是逐 flop 判断价值。
LlamaIndex 🦙(@llama_index)AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 LlamaIndex 探讨 Jev 类模型在文档解析中的早期方案
LlamaIndex 探索了 Jev 及同类模型在文档解析任务上的早期方案，覆盖方向检测、语言检测、路由等场景。文档解析需要大量即时决策，这些任务正是其中的关键环节。
AK(@_akhaliq)AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 FuseReg：正则化层融合缓解表征自编码器的重建-生成差距
论文提出 FuseReg，通过正则化层融合缓解表征自编码器中的重建-生成差距。论文已在 HuggingFace 上线（huggingface.co/papers/2609.31…）。
Aravind Srinivas(@AravSrinivas)AI 评估 · 58/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 58/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Perplexity 披露 SPACE 沙箱 108 次越狱测试结果
Perplexity 安全团队花一个月攻击其运行 Perplexity Computer 的沙箱平台 SPACE，给 Opus 5、GPT-5.6 Sol、Kimi K3、Gemini 3.1 Pro 等 9 个模型 VM 内 root 权限，部分测试还提供完整沙箱源码，要求它们逃逸到宿主机或访问被网络策略拦截的 URL。
Perplexity(@perplexity_ai)AI 评估 · 52/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 52/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Perplexity 联合 Nvidia 等搭建沙箱，测试 9 个 AI 模型能否逃逸
Perplexity 宣布与 Nvidia 及 100 多家行业伙伴合作，建设用于隔离 rogue AI agents 的基础设施。其研究将 9 个 AI 模型放入 SPACE 并赋予 root 权限、要求它们突破环境，在 108 次运行中没有任何模型突破 VM 边界。
Yangyi(@Yangyixxxx)AI 评估 · 27/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 27/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 要求 Qwen 诚实作答并压低 "wait / maybe / perhaps" 概率，测试集准确率反而提升
有网友在 Qwen 上跑测试集发现，要求模型诚实作答、对自己说出的话负责，并在实验中压低 "wait / maybe / perhaps" 这几个词的概率后，Qwen 的准确率反而提高了。该实验由 Reddit 网友完成，相关帖子获得 2 条评论、2 次转发、7 个赞和 4109 次浏览。
METRAI 评估 · 24/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 24/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 METR 如何实现并评估面向安全评测的逐动作实时监控器
METR 开发并部署了一个基础的实时逐动作监控器，用 LLM judge 在智能体每次动作执行前审查，超过阈值即转人工审核并暂停评测，专注识别可能造成现实危害或试图绕过监控的行为。
AK(@_akhaliq)AI 评估 · 28/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 28/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 ProgramDistill：从交互式 Web 应用生成可验证的参考引导 SWE 任务
ProgramDistill 提出从交互式 Web 应用出发，构建可验证、参考引导的软件工程（SWE）任务。论文已发布在 Hugging Face Papers（编号 2609.18…），原始公告由 AK 在 X 上分享。
Thomas Wolf(@Thom_Wolf)AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 不用 IMU 也能实现人形机器人抗推行走：Blind Dexterity 只用关节编码器
Aditya Bhatt 等人的最新博士论文提出 Blind Dexterity，首次仅靠关节编码器实现抗推的人形机器人行走，无需 IMU 和力/力矩（F/T）传感器。该工作由 DFKI 与达姆施塔特工业大学（@ias_tudarmstadt）团队完成，论文已被 IROS 2026 接收。