清华大学联合无问芯穹开源具身智能云原生纳管平台RLark，5分钟接入、10秒启动任务
清华大学联合无问芯穹开源具身智能云原生纳管平台RLark，5分钟接入、10秒启动任务一架架飞机在空中有序飞行，按时起降，看似只是飞机自己的事情，实际上，它需要持续与机场、跑道、航线以及地面资源系统协同。
来自主题: AI技术研报
6037 点击 2026-09-24 13:56
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
一架架飞机在空中有序飞行，按时起降，看似只是飞机自己的事情，实际上，它需要持续与机场、跑道、航线以及地面资源系统协同。
OPC公司，因为人少，更得看重效率。
近日，IQuest Research 同北京航空航天大学、曼彻斯特大学等合作伙伴发布 ModularRSI，尝试让 Agent 根据自身执行经验，持续修改模型外围的运行机制——Harness。
AI助理开始进入日常。
最近，AI漫剧可太火了。
大模型训练拼的是算力，Agent训练拼的是环境。
这年头，实时生成的世界模型越来越会「造世界」了。
两年前，一段机器人炒虾的视频在网上爆火。
搜索结果里但凡出现 AI 摘要，用户点开普通网页的几率就几乎腰斩。Pew Research Center 对美国用户在 Google 上大规模浏览行为的分析发现：有 AI 摘要时，用户点击传统搜索结果的比例从 15%直接暴跌至 8%。
6天，2000多万，小米这场史无前例的「炼丹直播」终于尘埃落定。
谁还没有被GPT-6 Astra搓3D的案例狠狠刷屏啊！
过去一年，Agent 的讨论大多围绕模型本身展开：推理能力更强、上下文更长、工具调用更稳定。但进入真实工作流后，另一个问题开始变得更关键：Agent 的能力从哪里来，又如何被持续复用。
AI视频，已经开始挑战「实时造世界」了！
谁也没想到， AGI 随着 GPT-6 的到来竟然来得这么快。
当预训练将大模型带到新的能力起点，强化学习则通过持续的探索与反馈，不断激发模型在新环境、新任务中的推理与行动能力，决定它们还能走多远。
最近 AI 桌面换装视频突然爆火，Twitter 上随便一条就是百万播放。
自现代大模型诞生以来，“下一个Token预测（Next-Token Prediction, NTP）”就被奉为不可撼动的黄金律条。然而，逼着模型逐字死记硬背，真能学会宏观语义规划吗？
现在的 Agent 的产品越来越多，有些主打 Coding，有些事做日常办公，也有些用于情感陪伴虽然这些产品的用途不同，背后的工作原理其实都大同小异，便是 Harness 对上下文的自动化编排
随着编辑工具与生成模型的快速普及，「改图」正在变得越来越容易，篡改者可以在几乎不改变画面观感的前提下完成内容伪造，给内容真实性核验、平台治理与数字媒体信任带来新的风险。因此，图像取证与可信鉴伪证据，成为了内容安全中尤为重要的一环。
当Agent已经能够调用工具、使用技能并保存记忆，一个更进一步的问题是：这些能力怎样在任务中配合，又怎样从过去的执行中积累可复用的经验？
让 AI 生成一张海报已经不难。更难的是，让它围绕同一个设计目标持续工作：理解品牌与产品要求，生成初稿；发现标题、产品位置或整体风格存在问题后，知道应该修改哪里、怎样修改；同时保留已经确认的内容。等到下一次活动，它还能延续此前确定的设计偏好和有效经验。
人麻了！
当经典算法遇到 LLM，用概率预判代替盲目试错，或许才是架构演进的真正解法。
数学界重大突破！
AI办公这块蛋糕，中国电信可能要先切走一块了。
在社会变化的洪流中，LLM 能不能不断修正自己对社会的认知？
Codex、Claude Code等数字世界智能体，已经向我们展示出了一种全新且高效的工作方式：大模型理解目标，拆解任务，调用适当的工具，并根据执行结果不断调整计划，直到完成任务。
工具调用使大语言模型能够通过外部 API 获取信息、执行操作。训练这类能力，需要建立用户请求与具体函数调用之间的对应关系。一条合格的训练样本，不仅要符合函数定义，还要保证工具选择、调用次数和参数取值与用户意图一致。
桌面上放着面包、刀还有一个婴儿人偶。
科学进步正在明显放缓。