搜索
随着前沿模型进入长链推理、工具调用、代码修复与科研任务，一个关键缺口随之显现：模型不断生成和修改候选，但“新状态是否真的更可靠”不能只由模型自己判断。
一直以来，在Transformer架构中，注意力（Attention）与前馈网络（Feed-Forward Network，FFN）被认为是两个功能不同且互补的模块： 前者让词元（Token）彼此交互，后者对每个词元进行非线性变换。
对着屏幕说一句 “向左转”，画面随即展开新的视野；调整角色的动作，场景紧接着给出反馈。多模态交互要求视觉生成跟上人的操作，而漫长的等待会打断整个体验。
近期，全球顶尖 AI 实验室正在密集释放一个信号：AI 正在从帮助人类完成任务，走向参与自身的研发与改进。
只要和一个人聊得足够久，大模型就能成为他的「数字分身」吗？
2026年，Anthropic披露Claude已主导26%的研发，OpenAI宣布自动化研究实习生达标，智谱与MiniMax推进工程优化，但Weco AI的AIDE²实验尚未证明系统能提升自我改进能力。
研究团队提出7B审计员AgentForesight，可在多智能体任务运行中在线识别并归因关键错误，其AFTraj-2K Exact-F1达66.44，成功轨迹误报率仅2.37%。
英伟达联合MIT和牛津大学团队提出Physis-Lang，通过物理语言描述、自进化准则和能力导向的数据检索提升视频模型的物理理解与生成表现，其Cosmos3-Super和Cosmos3-Nano在Physics-IQ Verified分列第一、第二。
清华大学智能产业研究院（AIR）的一项NeurIPS 2026录用工作提出高阶动作监督，无需改动策略网络即可约束动作的一阶时序变化，并在OGBench及约1%数据的D4RL实验中提升小样本性能与动作平滑性。
让图像生成模型先把图片压缩到潜空间，再由生成器在潜空间中作画，已成为常见路线。为了挑选图像编码器和解码器，研究者往往先看“重建”——把原图编码后再解码，所得图片是否逼真。