搜索
OpenAgents、哥伦比亚大学等研究者构建多智能体协作评测基准AgentWorld，评测显示主任务最高完整成功率为Gemini 3 Flash的52.0%，并提出CCE指标分析协作贡献。
DeepSeek的神鬼二象性被字节Seed团队逮到了。
在语音助手、多用户共享的家庭助理等长期对话场景中，模型需要跨越多次会话记住用户的信息，但现有评测常遭遇两大难题：
从检索动作知识、寻找角色参考，到模拟运动和衔接镜头，一个经过强化学习的智能体，能给视频生成带来多大提升？
在与用户的实时对话中，AI能否及时感知情绪？模型给出的“高置信度”结论，又是否经得起推敲？
数据要让人看懂，通常得先从数据库里查出来，再画成图。文本到可视化（Text-to-Vis）做的就是这件事：用户说出想看什么，系统去库里查询，再用图表把需要的数据展示出来。
智能体时代，安全研究不仅要关心模型说了什么，现在还必须进一步回答：它做了什么、为什么这么做，以及这次的执行轨迹是否越过了当前场景明确规定的安全边界。
大模型解短题常能给出流畅答案，推理链一长，却可能每一步都看似合理、终点仍然失效。来自弗吉尼亚理工大学、威斯康星大学麦迪逊分校和达特茅斯学院的研究团队在 NeurIPS2026 论文中提出 SAGE：用符号闭包分析（SCA）解释长推理中的探索偏差与累积偏差，再把这一诊断变成训练时的结构引导。
普林斯顿大学陈丹琦团队在arXiv发布约4B参数模型QUEEN，通过门控交叉注意力连接Leela与SmolLM3-3B，并引入四阶段课程和迭代搜索蒸馏，使其棋力接近特级大师且能用自然语言解释着法。
哈尔滨工业大学（深圳）iLearn-Lab与新加坡国立大学LV-Lab提出免训练2-bit KV Cache量化框架QuantWM，改善视频世界模型量化后的时序闪烁与画质，并实现最高6.20倍缓存压缩。