往 Codex 里塞块无限画布，AI 改图终于能指哪打哪了｜附教程
往 Codex 里塞块无限画布，AI 改图终于能指哪打哪了｜附教程和 Codex、Claude Code 等 Coding Agent 沟通，很多时候就像站在许愿池边，对着池子里的王八扔硬币，嘴里念念有词，关键它还真给你兑现愿望。
来自主题: AI技术研报
6409 点击 2026-06-25 15:26
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
和 Codex、Claude Code 等 Coding Agent 沟通，很多时候就像站在许愿池边，对着池子里的王八扔硬币，嘴里念念有词，关键它还真给你兑现愿望。
今年2月，英伟达公开了一条内部AI工作流。
机器人已经学会看见世界，也开始学会摸到世界。但对于真实接触操作而言，仅仅感知当前状态远远不够，机器人还需要预测物理世界接下来会如何变化。擦拭、插接、拧紧，这些人类几乎凭感觉就能完成的动作，对机器人来说却并非易事：接触力度会变化，物体位置会偏移，反馈慢一步，就可能打滑、卡住或丢失。
太硬核了！全球首个搭载AI大脑的防爆机器人，正式接管加油站。自主定位、拧盖、提枪、注油，全套动作行云流水，24小时无休作业，具身智能终于在高危场景一战封神。
给定一段普通单目视频，FreeOrbit4D 可沿任意指定相机轨迹「重拍」整个动态场景，包括影视级的「子弹时间」环绕镜头。
UBC 和 Weathon Software 的研究提出，图像的美学对齐正在削弱艺术表达。
扩散模型又被玩出新花样了。
写代码、跑实验、改项目、迭代方案，现在的AI智能体样样都能搞定。
被一道数学竞赛题卡住很久时，高手往往能准确地判断：现在缺的是一个技术细节，还是整个思路从一开始就走错了？
DeNovoSWE是一个用于训练代码智能体从零生成完整仓库的数据集，包含4818个真实任务实例。它通过结构化文档和严格验证机制，帮助智能体掌握复杂系统构建能力，而不仅仅是修复代码。这为代码智能体迈向更高阶的软件工程任务提供了关键支持。
当 AI 智能体（Agent）从实验室走向真实应用，我们面对的安全问题也正在发生变化。
UBC 和 Weathon Software 的研究提出，图像的美学对齐正在削弱艺术表达。
近日，国际能源研究机构AixEnergy发布《Market Outlook》报告，提出一个值得关注的判断：AI基础设施首先是一项能源决策，其次才是一项技术决策。报告认为，决定未来全球AI版图的关键因素，正从芯片、模型和算法，转向稳定、低成本且能够快速接入的能源系统。海湾国家凭借廉价电力迅速崛起，美国受制于电网瓶颈，中国则依托新能源和产业链优势加速布局，东南亚正试图成为新的算力高地。
一个模型能模拟7种环境。
最近，我们都在关注旗舰级大模型的进步，其实本地运行的 AI 模型也迎来了重要的分水岭。
当初，Anthropic推出extended thinking的时候，把它包装成「让用户看到思考过程」的透明标杆。现在真相是：你看到的只是他们允许你看到的部分。那些被加密、被压缩、被锁在全局密钥里的内容，藏着什么？
6 月 11 日凌晨，小米 MiMo 团队公开了一个叫 MiMo Code 的项目，定位是终端编程 Agent，MIT 协议开源。官方宣传重点有三处，14 天 5 人团队投入的“vibe coding”开发叙事、Claude Code 之上的 SWE-Bench Pro 跑分。以及“无限上下文”的记忆架构。
今天几乎所有主流视觉语言模型（VLM）—— 无论是 Qwen-VL、InternVL，还是 LLaVA 系列 —— 都遵循着同一套经典架构：先用预训练视觉编码器（如 CLIP、SigLIP）将图像压缩为特征，再通过投影层把这些特征送入大语言模型。
大家好，我是最近疯狂研究短剧的袋鼠帝 最近的AI漫剧发展的是真快啊，各种爽文小说改编的AI漫剧播放量甚至已经超过了某些电影和电视剧。
近日清华大学于IEEE TPAMI发表论文，探讨了真机强化学习的安全性保障问题，提出了一套「安全探索均衡」新型机制，揭示了安全探索的理论最大边界，并攻克了其收敛性证明难题。
大模型推理能力越来越强，但答案对了，思考过程就一定好吗？
依赖于有限机器人数据和大量人类数据，也能让 VLA 模型更稳健吗？
刚刚，在维也纳落幕的机器人顶会ICRA 2026上，最佳论文奖（自动化方向）颁给了一支中国团队。
Google DeepMind在6月份对外分享了DiffusionGemma的技术报告，明确指向了一条与现有主流完全不同的演进道路。当大家都在绞尽脑汁让大模型逐词吐字的速度变快时，谷歌干脆把生成顺序改了。
这两天在赶工，鞭策 Codex 赶紧把 AGI Bar 的小程序弄出来，已经连续蹬了 80+ 小时了，预估再蹬 20 个小时就能蹬完
做科研的人应该都懂，论文配图真的很耗时间。
这篇文章有 530 万浏览。我想先弄明白:为什么是它?
近年来，个性化语言模型迅速普及。 从 ChatGPT、Claude 到各类垂直 agent，用户 “长期记忆” 功能也逐渐成为标配，它们被广泛部署在推荐系统、客户服务、情感陪伴等场景中。
机器人模型已经能根据“把杯子放进篮子”这类指令完成任务，但用哪只手？