搜索
为了打破多镜头长视频面临的高延迟、零交互困境，香港中文大学与快手可灵团队联合提出了首个实时流式多镜头长视频生成框架 ——ShotStream。该研究打破了传统双向架构的限制，将多镜头合成定义为基于历史上下文的下一镜头生成任务，用户可以通过动态流式提示词在运行时动态指导叙事走向！更令人振奋的是
GraphPlanner通过引入图记忆网络，将多智能体LLM的路由过程升级为动态工作流生成。不仅选择调用哪个模型，还决定每个模型应承担的角色，实现任务分解与协作规划。
来自北航、北大、美团的研究团队提出了Policy Improvement Reinforcement Learning, PIRL，以及对应的落地算法 PIPO。这项工作关注的是大模型 RL 后训练中一个非常基础、但长期被默认跳过的问题：一次更新在当前数据上看起来优化了学习信号，是否就真的说明模型策略变强了？
来自清华大学与腾讯的研究者提出了 Generalizable Predictive Prompt Selection（GPS）。GPS 的做法很直接：先训练一个小型、可泛化的 Prompt Predictive Model（PPM），让它预测不同 prompt 在当前模型下的难度；再根据难度和 batch 多样性选择训练样本，从而减少无效 rollout。
本文发现图生视频（I2V）模型天然适合重构动态交互过程，并提出 SCPE（Self-Correcting Process Editing） 多智能体系统自纠错框架：利用视频生成过程暴露失败原因，再通过分析、反思和工具书更新迭代增强提示，使 I2V 模型在复杂 HOI 编辑中显著提升交互准确性与推理能力。
团队提出了ShopX：一个面向agentic shopping的电商大模型。它不仅仅是在搜索框外面套一个会“说话”和“调用工具”的LLM，而是赋予模型直接进入商品空间的能力，让大模型成为商品履约的核心，学会在商品空间中规划、检索、排序、组合和生成结果，进而减少接口损耗。
研究团队提出了 XG-Guard (eXplainable and fine-Grained safeGuarding framework), 一个基于 GAD 且兼具可解释性和细粒度检测能力的无监督安全防护框架。目前工作已被 ACL 2026 Main Conference 接收。
蚂蚁集团旗下具身智能公司蚂蚁灵波，把这块最难的拼图拍上了桌：LingBot-VA 2.0——行业第一个具身原生预训练模型。所谓「具身原生」，一句话说清楚：不是拿现成的数字世界模型做嫁接，而是从数据、训练目标到模型架构，每一层都为「机器人在物理世界干活」而生—
今天分享一家很新的公司，Mecka AI，Mecka AI 是一家给机器人公司提供训练数据的公司。更具体一点，Mecka AI 做的是“人类动作数据”。也就是说，Mecka 做的事情很像“机器人时代的 Scale AI”。
Prime Intellect 是一家为企业提供算力及专业软件工具、助力构建 AI Agent 的初创公司，近日完成 1.3 亿美元 A 轮融资，估值达 10 亿美元。Prime Intellect 成立于 2024 年，其目标是赋予企业自主训练 AI Agent 系统的能力，无需依赖前沿 AI 实验室。