搜索
苹果研究团队提出 Internalized Visual Thinking（IVT）后训练框架，通过在训练阶段联合学习文本答案与未来帧隐空间表征、在推理阶段完全移除未来视觉预测过程，使模型在主动视频推理任务上相比 Visual CoT 获得超过 5 倍的推理加速，且在六项评测设置中均优于 Answer-Only SFT。
微软与UIUC合作研究StudentSim框架，基于真实学生数据训练个性化学生模拟器，具备behavioral fidelity和guidance responsiveness两项能力，在国际象棋等三个领域验证其优于现有基线，并可作为AI教师强化学习的高通量奖励信号。
让GPU学会给三维世界“排队”。
戴森发布售价3899元的AI可视成像电动牙刷CameraJet，将电动牙刷、冲牙器、内窥镜和AI图像识别系统集成于同一手柄，通过刷头内置微距相机和基于47万张牙齿图像训练的算法自动识别牙缝并向其喷出漱口水，将于9月7日开启预售。
强化学习与可验证奖励（RLVR）已成为提升视觉语言模型（VLM）推理能力的标配手段。但一个隐蔽的问题始终存在：最终答案的奖励信号，只告诉模型「答对了没有」，却从不告诉它「答案应该从图像的哪个区域得出」。答对，可能是因为真的看懂了图，也可能只是语言先验的捷径、数据集的偏差，甚至是一次幸运的瞎猜。
Agent 经常遇到这样一种幻觉：你给模型接入了终端，下发了一个复杂的 debug 任务，看着它顺藤摸瓜排查了几个小时，最终完美修复了依赖冲突，甚至连测试用例都帮你补齐了。
去哪训练、拿什么学、怎么考？这是物理AI从实验室走向现实世界的三个核心问题，现在有了系统性答案。
前DeepMind AI Scientist团队创立的Inherent获5000万美元种子融资，其基于Qwen3.6-27B后训练的科研判断系统Faraday在AI for Science预留测试集上以0.791的平均得分超越Claude Opus 4.8与GPT-5.5 Codex。
大视觉语言模型（LVLM）把语言理解扩展到了图像等多模态输入，同时，也带来了更隐蔽的攻击面。
由两名00后大学生创办的美国AI训练数据公司AfterQuery五个月内估值从3亿美元升至32亿美元，其数据已用于英伟达Nemotron 3 Ultra模型训练，并与Thinking Machines Lab、Legora及部分中国AI实验室合作。