4 月 10 日晚，灵初智能发布了大模型、数据集与合作计划：包括策略模型 Psi-R2、世界模型 Psi-W0，以及总规模近 10 万小时的人类操作数据。它想回答的问题也很直接 —— 当真机数据不再是唯一解，机器人还能靠什么继续 scaling？
具身智能独角兽Generalist，刚刚推出了最新的研究成果——新模型Gen-1。在包装手机和折叠纸箱这些精细活儿上，它把机器人的成功率从64%硬生生拉到了99%，几乎告别了手残职业病。
具身数据层的全球竞赛正在迅速升温。NVIDIA Research在2026年发布EgoScale数据与训练框架，在Ego-centric人类操作视频上训练VLA模型，用 20,854小时带动作标注的第一人称人类视频，观察到数据规模和验证损失之间接近对数线性的scaling law。1X收集人类第一视角及家庭行为数据，通过 Sunday项目采集百万小时级家庭场景视频。
三周前那个疯狂传言，如今被Mythos彻底印证？Anthropic或已完成史上最大规模训练，新模型性能或将达到预期的2倍，翻倍碾压Scaling Law！一场颠覆性变革正在降临，算力、能源成为终极筹码，创业公司恐遭毁灭性降维打击！
多模态大模型，到底有多“嘴硬”？ 浙江大学联合阿里巴巴、香港城市大
近期，复旦大学 NLP 实验室（FDU NLP）、北京大学知识计算实验室（KCL）联合美团 LongCat Team 提出了一种 Block Diffusion 推理模型 Test-Time Scaling 新框架 TDAR，通过引入 “粗思考，细求证” (Think Coarse Critic Fine, TCCF) 范式与有界自适应置信度解码
这两年，大模型大厂之间堪比军备竞赛。不论开源还是闭源阵营，为了在指标上领先对手，都在疯狂地卷 Scaling Law，卷算力，卷参数量，已经达到了近乎离谱的程度。
Anthropic CEO Dario Amodei在摩根士丹利会议上扔出一颗深水炸弹：Scaling Law根本没撞墙，2026年将迎来激进加速。他用棋盘稻米寓言做了个精准比喻——我们正站在第40格，前39格的所有震撼加在一起，不过是后24格的零头。这场指数级狂飙，没人准备好。
为了松绑参数与计算量，MoE 曾被寄予厚望 。它靠着稀疏激活的专家子网络，在一定程度上实现了模型容量与计算量的解耦 。然而，近期的研究表明，这并非没有代价的免费午餐 ：稀疏模型通常具有更低的样本效率 ；随着稀疏度增大，路由负载均衡变得更加困难 ，且巨大的显存开销和通信压力导致其推理吞吐量往往远低于同等激活参数量的 dense 模型 。
最强的大模型，已经把scaling卷到了一个新维度：百万级上下文。
