搜索
三星与上海交通大学提出RoboICL具身上下文学习方法，通过冻结GPT-6 Astra模型并在推理时提供少量示范与机器人自身交互记忆，在RoboDojo 30项机器人操控评测中以50.64分全面领先PhysicalRSI等现有方法，并公开了929条可逐布局核查的执行记录及真实机械臂实验结果。
港科大团队在NeurIPS 2026上提出AccelEval基准，覆盖6个领域42项任务和43类CUDA优化策略，评测大模型能否从可信CPU程序生成端到端更快的GPU实现，其中Gemini 3.1 Pro在中规模通过正确性验证的任务上取得71.2倍几何平均加速比。
至知创新研究院开源320B大模型IQuest-Q1，该模型在代码生成、安全漏洞挖掘等评测中表现优异，并能自主排查训练Bug，在交通调度、仓库管理、电梯调度等真实场景中展现出强大的任务解决能力。
中国电信研究院与MemTensor等机构提出首个面向智能体记忆系统的操作级幻觉评测基准HaluMem，已被EMNLP 2026主会接收，该基准分别对记忆提取、更新和问答三个环节进行检查，并对Mem0、MemOS等六套系统实测，发现高召回率可能伴随虚假信息写入、低更新幻觉率背后存在大量遗漏、上游记忆问题最终会影响回答等核心现象。
至知创新研究院开源了采用稀疏 MoE 架构的代码与复杂任务导向大模型 IQuest-Q1，该模型总参数约 320B、激活参数仅约 15B，在代码生成、终端操作、智能体任务等多项评测中表现均衡，并展示了从前端交互、游戏开发到强化学习训练调试等场景的可交付能力。
LinkedIn 公开其 AI 职位搜索的多教师蒸馏训练基础设施，通过基于 SGLang 的定制框架结合在线与离线蒸馏方案，并叠加 LiGer、多节点训练、FSDP2 及 H200 集群等优化，实现约 8 倍训练加速，将 80 亿参数相关性模型和 17 亿参数互动模型的知识压缩至 6 亿参数排序模型，使职位搜索 NDCG@10 提升 24.48%。
丹麦奥尔堡大学AI安全实验室与Seafill开源社区联合发表论文，通过tool calling方法从GPT-6 Astra等前沿闭源模型中提取出隐藏思维链，发现Astra采用类似"心算"的压缩推理方式，省略基础计算与代数变形等中间步骤而直接给出关键结论。
中国人民大学代文林、孟澄研究员团队提出的ME-Decoding方法被EMNLP 2026接收，该方法在解码时同时利用token概率与embedding相似度，从集合层面筛选低冗余候选token，在GSM8K和GPQA上取得所比较方法中最高的平均准确率，端到端GPU延迟仅增加约3%。
阿里云在2026云栖大会上披露面向企业级AI Agent的Agent Sandbox技术架构，该沙箱以安全隔离、弹性供给、状态保持和大规模并发能力为核心，每分钟可创建10万个沙箱，并已在阿里云百炼、MiniMax、Moonshot Kimi等场景落地应用。
BenchJack 之后，reward hacking 检测还缺什么？ Agent 在 benchmark 上拿到高分，未必真正完成了任务。它也可能利用评测或奖励机制中的漏洞，绕开题目要求来提高得分。