我把 DeepSeek Harness 的代码做成了可视化教程
我把 DeepSeek Harness 的代码做成了可视化教程今天想和你聊聊 DeepSeek Harness。
来自主题: AI技术研报
9521 点击 2026-08-19 15:42
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
今天想和你聊聊 DeepSeek Harness。
用 AI 做视频的同学总有这样的痛苦：提示词也不是没认真写，运镜方向、人物走位、画面构图交代了一大段，但模型给出的画面总是差着一截，运镜偏了几十度，人物走到中途消失，镜头速度前半段稳后半段飘。
ScienceDiscovery 是基于 Agent OS（JiuwenSwarm）开发的一款面向跨学科、全流程科研场景的一站式 AI 工作台，解决科研场景面临的工具碎片化、大模型科研幻觉两大痛点问题，打造 AI 辅助科研新范式，加速科学发现，广泛应用于各行各业。
随着视频扩散模型能力不断提升，从单张图像出发、按照用户指定的相机轨迹生成新视角视频，正在成为 World Modeling 的重要技术路线。
科研的链条很长。文献读不完，方向想不清，实验一轮接一轮，论文改到深夜。过去两年，大模型已经能读论文、写代码、改文章，但它们大多以问答工具的形态散落在各个环节，替研究者节省的只是零碎时间。
大模型机制可解释性研究中，一直存在一个颇具反差的现实： 为了理解一个已经训练好的模型，研究者往往需要先训练一套新的稀疏表示。
视觉 - 语言 - 动作（VLA）模型已成为端到端自动驾驶的主流技术路线，但基于自回归（AR）解码的现有架构面临双重结构性瓶颈：其一，逐 Token 串行生成导致推理延迟随序列长度线性增长，严重制约实时部署；其二，训练阶段依赖真实前缀的 teacher forcing 机制，使模型在推理时暴露于自身生成的误差之上，引发长时序累积的曝光偏差（exposure bias）。
图像生成模型正从「会创作」转向「可操作」。
机器人撬开啤酒瓶盖，白色泡沫顺着瓶口涌出来。
玩 AI 视频有一段时间了，经验说不上多，但有一件事我算是想明白了：提示词这条路，走到头也就那样。
可能很多朋友还不知道，豆包已经今非昔比了。
今天，Symbiosis Robotics（共生知行）放出了一段新演示。
从物理视频生成到运动迁移，再到可控世界建模。
端到端策略模型在物理世界频频失灵，研究者转向 “大模型智能体 + 工具调用” 自救，试图在动态物理世界中持续学习。然而，这条在线学习路径在物理世界仍未真正走通。
Gemini 领跑，GPT表现平平，国立清华、英伟达提出双奖励孪生网络，告别算力焦虑。
视频世界模型跑久了，往往面临三个问题： 画面发灰发糊或者过曝过饱和、场景悄悄换了地方、显存先撑不住。
Transformer的许多关键技术，在一场会议上集体塌房了？！
机器人走出实验室后，训练数据不再只是 “多不多” 的问题：环境能否覆盖真实世界的尺度、遮挡、接触和运动，直接决定策略能否落地。Real2Sim 因此重新受到关注 —— 如果普通视频也能变成可交互的仿真场景，采集成本会比人工建模或专用设备低得多。
赛博义父Tibo，真·有求必应！
过去三年，AI 内容生成行业经历了几轮密集的技术迭代。从文生图到文生视频，从几秒的短片到分钟级的长视频，每一轮升级都让生成内容的质量和时长向前推进一步。
过去几年，大模型推理系统优化的核心目标一直围绕一个问题展开：如何让 GPU 更高效地计算权重、激活、KV Cache 等高维张量？从并行策略、请求调度、显存管理到算子优化，学界业界大量优化技术不断提升模型推理效率。
当机器人把书放进抽屉，它看到的是一串二维图像，然而真正需要完成的，却是一段发生在三维空间、持续随时间演化的动作。
请想象这样一种居家场景：当你戴着 AI 眼镜在厨房准备晚饭，用刀切菜时，它会立刻提醒你注意安全；当你连续几天形成举着手机长时间录像的习惯时，它会主动建议你换一种更省力的记录方式。
这两天，我在 AI 漫剧里彻底种田上瘾了。
A社刚发了一项新研究，讲了件很有意思的事：Agent其实和丧尸一样，可以互相传播一种“思维病毒（Mind Viruses）”，而且过程中有些病毒还会发生变异。研究人员先给一个Agent植入某种想法，随即它开始私信队友、发展“下线”；新感染的Agent又会修改自己的长期记忆，把同一套想法继续传给下一位。
近日，北京航空航天大学洪晟教授团队在信息处理领域顶级期刊Information Processing&Management（IPM）上发表了最新成果。他们提出了一套名为BGA的噪声免疫神经蒸馏框架。实验显示，该框架在面对复杂的工业互联网（IIoT）加密流量时，不仅能精准识别隐藏深度极高的恶意指令，且推理延迟低至0.28毫秒，达到了“免疫级”的防干扰能力。
本文主要介绍来自该团队的最新论文 Teaching Vision-Language-Action Models What to See and Where to Look，目前该论文已经被 ECCV 2026 正式接收，相关代码和模型已全部开源。
功能型SSD在这条数据链中的合理角色，不是自行判断一段经历是否值得记住，而是在Runtime已经给出对象和策略后，靠近数据执行确定性工作。例如按租户选择密钥，按生命周期放置数据，压缩与去重可缩减的对象，维护索引页与元数据，优先完成即将被推理使用的回载，并把尾延迟、写放大和介质健康反馈给上层。语义决策留在Agent和Runtime，数据执行尽量靠近介质。
当大模型逐渐掌握对话、推理、编程和工具调用之后，自主研究被视为人工智能领域的「The Next Big Thing」。
继Loop Engineering、Graph Engineering等概念进入讨论之后，一篇2026年7月底发布的论文又提出了一个更贴近Prompt本身的工程概念：Prompt Graph Engineering，提示词图工程。