清华研究生开源大一统世界模型：性能超越硅谷标杆40%！
清华研究生开源大一统世界模型：性能超越硅谷标杆40%！国产开源具身世界模型，直接秒了Pi-0.5，而且还是几位清华硕、博士研究生领衔推出的。这就是由生数科技联合清华大学，正式开源的大一统世界模型——Motus。
来自主题: AI技术研报
7171 点击 2026-02-07 14:09
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
国产开源具身世界模型，直接秒了Pi-0.5，而且还是几位清华硕、博士研究生领衔推出的。这就是由生数科技联合清华大学，正式开源的大一统世界模型——Motus。
过去一年，LLM Agent几乎成为所有 AI 研究团队与工业界的共同方向。OpenAI在持续推进更强的推理与工具使用能力，Google DeepMind将推理显式建模为搜索问题，Anthropic则通过规范与自我批判提升模型可靠性。
你负责写方法，AI负责画 Figure。 科研打工人，终于等来「画图解放日」。
刚刚，何恺明团队提出全新生成模型范式漂移模型（Drifting Models）。
近年来，Vision-Language Models（视觉 — 语言模型）在多模态理解任务中取得了显著进展，并逐渐成为通用人工智能的重要技术路线。然而，这类模型在实际应用中往往面临推理开销大、效率受限的问题，研究者通常依赖 visual token pruning 等策略降低计算成本，其中 attention 机制被广泛视为衡量视觉信息重要性的关键依据。
扩散语言模型（Diffusion Language Models, DLLMs）因其多种潜在的特性而备受关注，如能加速的非自回归并行生成特性，能直接起草编辑的特性，能数据增强的特性。然而，其模型能力往往落后于同等规模的强力自回归（AR）模型。
开年，DeepSeek论文火遍全网，内容聚焦大模型记忆。
在大模型时代，从代码生成到数学推理，再到自主规划的 Agent 系统，强化学习几乎成了「最后一公里」的标准配置。
效果好到刷屏的Nano Banana，学术特供版热乎出炉！
近日，美团推出全新多模态统一大模型方案 STAR（STacked AutoRegressive Scheme for Unified Multimodal Learning），凭借创新的 "堆叠自回归架构 + 任务递进训练" 双核心设计，实现了 "理解能力不打折、生成能力达顶尖" 的双重突破。
英伟达新论文让AI学会先盖房、再装修。
刚刚，谷歌发布了一项新的研究进展：他们用 Gemini 做了一次系统性的数学攻关实验，把目标对准了著名的 Erdős Problems 数据库里 700 个仍被标注为 open（未解决）的猜想。
受 Kimi K2 团队启发，SGLang RL 团队成功落地了 INT4 量化感知训练（QAT） 流程方案。通过 “训练端伪量化 + 推理端真实量化（W4A16）” 的方案组合，我们实现了媲美 BF16 全精度训练的稳定性与训推一致性，
面对同行评审，许多作者都有过这样的经历：明明回答了审稿人的每一个问题，态度也足够谦卑，为什么最终还是没能打动对方？
何恺明团队新论文，再次「大道至简」。
不久前在 AGI-Next 前沿峰会上，姚顺雨曾分享过一个核心观点：模型想要迈向高价值应用，核心瓶颈就在于能否「用好上下文（Context）」。
AI，是色盲吗?
让模型真正 “能行动”，往往需要一个可执行、可验证的符号世界模型（Symbolic World Model）：它不是抽象的文字描述，而是能被规划器或执行器直接调用的形式化定义 —— 例如 PDDL 领域 / 问题，或可运行的环境代码 / 模拟器。
Clawdbot（现改名为 OpenClaw） 体验下来，持久的记忆管理系统很是让人惊艳——全天候保持上下文，无限期地记住对话并在此基础上持续深化互动。
何恺明，再次出手精简架构。
如果将一台在视觉语言导航（VLN）任务中表现优异的机器人直接搬进家庭场景，往往会遇到不少实际问题。
今天，我们分享 MiniMax-M2-her 背后的技术思考。M2-her 也是服务星野/Talkie的底层模型。
语析Yuxi-Know 是基于大模型RAG知识库与知识图谱技术构建的智能问答平台，支持多种知识库文件格式，如PDF、TXT、MD、Docx，支持将文件内容转换为向量存储，便于快速检索。
起因是这样的， 当我还在跟Mac Mini版满血版Clawdbot PK的时候，发现有人统计了排名前十的Clawdbot常见任务，分别是邮件处理，日历管理（日程提醒和会议安排），控制Claude Code开发，每日简报等，
一张薄如纸片、能卷在手指上的柔性芯片（不是柔性印刷电路板，是柔性集成电路），能做什么？
大家好，我是鲁工。 Vibe Coding概念火了之后，顺带在很多领域兴起了Vibe的潮流。比如Vibe PPT、Vibe Video，以及我今天要聊的Vibe Researching。
去年下半年，模型界最大的惊喜莫过于Sora 2和Veo 3，他们已经把视频生成推到了新高度：光影完美，纹理细腻，甚至有着很高的时空一致性。
今天推荐一个 Implicit Chain-of-Thought（隐式推理） 的最新进展 —— SIM-CoT（Supervised Implicit Chain-of-Thought）。它直击隐式 CoT 一直「扶不起来」的核心痛点：隐式 token 一旦 scale 上去，训练就容易塌缩到同质化的 latent 状态，推理语义直接丢失。
怎样做一个爆款大模型应用？这恐怕是2026年AI开发者们都在关注的问题。当算力和性能不再是唯一的护城河，“爆款”意味着大模型要能精准地“抓住”每一名具体的用户，而个性化正是其中的关键技术之一。