搜索
南芥智能发布模型群体智能技术报告，披露Mio 1.0 Lite在9个公开benchmark中平均得分77.15/100居首、平均每请求成本0.06元最低，其SinapisAI平台已公测并收录484个模型。
厦门大学ASC Lab团队提出的FlowMAS获NeurIPS 2026录用，通过GFlowNet、好奇心驱动模块和信息引导优化模块自动生成多样且低成本的大模型多智能体工作流拓扑，并在六个基准实验中取得领先成绩。
STILL被NeurIPS 2026正式接收，这一首个内容感知的同层混合注意力架构通过自显著性分数按内容选择token，仅用0.04B训练token即在16K上下文下实现80%显存削减和83%预填充加速。
Sharpa以22自由度Sharpa Wave灵巧手为硬件平台，通过融合人类与遥操作数据、解耦运动与接触控制及开展触觉跨本体学习，系统推进灵巧操作的数据、模型与硬件协同研究。
普林斯顿大学、得克萨斯大学奥斯汀分校、多伦多大学、NVIDIA和智元研究人员提出WorldOracle，并于10月16日开放评测平台；七种模型的真实执行对照显示，其机械臂轨迹较准但物体运动易偏离，长序列预测表现也会明显退化。
清华大学MADSys实验室与趋境科技主导提出开源KTransformers-FineTune（KT-FT），让CPU直接参与MoE专家计算并优化布局与线程调度，使LoRA微调吞吐达到传统卸载范式的2.5～21.2倍。
香港科技大学周子杰团队与华为 2012 实验室理论部提出 BalanceRoute，通过建模与短期负载预测减少 MoE 模型解码的跨组同步等待，其已部署于 MathBot-Pie，并在 96 张昇腾 910C NPU 实验中使解码吞吐提升约 15%。
苹果与卡内基梅隆大学团队提出SSR（Selection-based Structured Reasoning），让多模态搜索Agent从预定义选项中选择推理，在7个benchmark上将每轮推理延迟降低超90%，同时保持相当的任务成功率。
会写代码的 Agent，正在走向物理世界。
如今的大模型再聪明，输出内容也是一个字一个字往外蹦。有没有一种可能：真正的 AGI 不是这样？
训不起2.8T的K3，玩够了124M的nanoGPT，想试试十亿参数、万亿token的预训练，门槛有多高？
过去几年，“基础模型” 已经彻底改变了自然语言处理和计算机视觉。一个很自然的问题随之出现： 物理世界是否也能拥有类似的基础模型？
从视觉观察到策略生成，再到物理执行与完成判断，CodeActionBench 在统一条件下评测通用多模态 Agent 的机器人操作能力。在双臂仿真评测中，GPT-6 Astra (Codex CLI) 的尝试成功率达到 73.3%，Claude Opus 5 在 Reference harness 和 Claude Code 下分别取得 49.3% 和 45.3%。
视觉语言模型已经进入办公助手、内容审核、机器人和智能终端等场景。
模型的思维链，让AI学会了用文字一步步推理；但科学家的思考，还发生在分子的三维空间、基因序列和实验曲线里。
具身智能公司辛苦训练的「机器人大脑」，要被 GPT、Claude、Gemini 抢饭碗了？
大语言模型的生成过程天然具有自回归特性，即模型基于已有上下文逐 token 预测并生成后续内容。随着模型规模不断增大，单步前向计算的开销也随之增加，使得自回归解码面临较高的推理延迟。
之前刷论坛的时候，经常看到有大佬用一张照片，就能推理出你人在哪。
让视频生成模型沿着相机轨迹不断探索一个场景，并不算最难。真正困难的是：当镜头绕了一圈再次回到原点，房间的布局、家具的位置和墙面的纹理，是否还与最初一样？
包馄饨，对大多数人来说很简单：一手托皮，一手挑馅，对折，捏边，收口。很少有人意识到，这个过程里手掌始终在承托一张随时会变形的面皮，手指在不断感受馅料和面皮的回弹，两只手还要在恰当的时机交接。
Agent 执行长程任务时，代码、工具输出和交互记录不断累积，上下文也跟着变长。
人类每天都在完成丰富的手部操作。通过头戴相机记录下这些过程，能为具身智能提供大量示范。
不er，印象中非常吃算力的「游戏世界模型」，居然就这样被塞进一张RTX 5090里了？！
某乎上有篇热帖，如何看待由 Opus 5.5 生成的各类科普视频爆火？
机器人 RSI 时刻远远未到达，先看一个动作：机械臂把碗放到盘子上，再抓起杯子，放进刚刚移动过的碗里。
大模型做 In-Context Learning（ICL，上下文学习）时，通常会先从示例库里检索若干 demonstration，再把这些示例和当前问题一起放进 prompt。
AI数学圈最近是真热闹。
任务很简单：把一个加热后的杯子放进柜子。一个智能体先把杯子放进微波炉，再放进柜子，随后陷入反复查看柜子的循环。这个无效行为重复了 36 次，直到耗尽行动预算，任务仍然没有完成。
近日，清华大学电子工程系数据科学与智能实验室在 AI for Science 方向提出面向智能体符号回归（agentic symbolic regression）的运行时框架 SRHarness [1]，让 AI 更可靠地从观测数据中发现公式；同时构建机制发现基准 MechBench [2]，系统评测 AI 能否进一步揭示公式背后的机理。
把杯子放进微波炉里，这一人类几乎不用思考的日常动作，机器人却可能在杯子放不稳、夹爪碰到门框这样的细节上频频出错。