伊利诺伊大学厄巴纳 - 香槟分校（UIUC）等团队近日发布论文，系统性剖析了 LLM 智能体失败的机制，并提出了可自我修复的创新框架 ——AgentDebug。该研究认为，AI 智能体应成为自身的观察者和调试者，不仅仅是被动的任务执行者，为未来大规模智能体的可靠运行和自动进化提供了理论与实践工具。
现在AI都懂文物懂历史了。一项来自北京大学的最新研究引发关注：他们推出了全球首个面向古希腊陶罐的3D视觉问答数据集——VaseVQA-3D，并配套推出了专用视觉语言模型VaseVLM。这意味着，AI正在从“识图机器”迈向“文化考古Agent”。
当 agent 开始学会“消费”，支付世界也迎来了重构的时刻。
近年来，基于流匹配的 VLA 模型，特别是 Physical Intelligence 发布的 π0 和 π0.5，已经成为机器人领域备受关注的前沿技术路线。流匹配以极简方式建模多峰分布，能够生成高维且平滑的连续动作序列，在应对复杂操控任务时展现出显著优势。
四个月前 Kimi 发布了 K2 模型，凭借优秀的质量以及先进的架构优化，一举打破了持续了几个月关于月之暗面的质疑。 我当时也写了两篇测评《Kimi K2 详测｜超强代码和Agent 能力！内附Cla
“用户”这个身份从人类转移到了Agent本身。换句话说，现在真正写代码的“程序员”，已经不再是人类，而是AI。
美国人工智能初创企业Perplexity宣布推出世界首个AI专利智能体（agent）——Perplexity Patents。Perplexity表示，其目标是带来人人可用的专利智能体，让知识产权情报触手可及。其瞄准的正是专利情报分析的行业痛点：长期以来，工程师、研究人员、专利从业者和企业领导者在进行专利检索时，往往需要结合关键词组合和对专利晦涩行文的掌握，才能获得全面的研究结果。
AI看视频也能划重点了！
静态编排 VS 动态编排，谁是多agent系统最优解？通常来说，面对简单问题，采用react模式的单一agent就能搞定。可遇到复杂问题，单一agent就会立刻出现包括但不限于以下问题：串行执行效率低：无法同时完成并行的子步骤（如 “同时爬取 A、B 两个网站的数据”）。
当前机器人领域，基础模型主要基于「视觉-语言预训练」，这样可将现有大型多模态模型的语义泛化优势迁移过来。但是，机器人的智能确实能随着算力和数据的增加而持续提升吗？我们能预测这种提升吗？
