搜索
大语言模型为什么能 scale？一个重要基础是，海量来源各异的知识，被统一进了同一种输入输出空间 —— 文本。输入是文本，输出也是文本，主干模型在这个统一空间中学习、组合与迁移知识。那么，具身智能要获得类似的泛化能力，通往 Physical AGI，它的 “原生统一空间” 是什么？
同一个 GPT-5.5，放进不同的系统里，做具身任务的表现可以相差悬殊。在 EmbodiedBench 上，直接使用 GPT-5.5 的平均成功率是 56.9%；模型参数一个不改，只让它周围的系统持续进化，这个数字变成了 72.7%。
一张 AI 生成的图，可以在美学、提示词对齐和人类偏好指标上拿到高分，画面里却藏着扭曲的肢体、相互穿透的物体，或不合理的物理现象。这些错误，并不总能从现有分数中看出来。
近日，OpenRSI Index 在 X 上引发关注。截至目前，项目发布帖已有超过 13.3 万次浏览，相关话题出现在 X 的 Today’s News 栏目中。
随着前沿模型进入长链推理、工具调用、代码修复与科研任务，一个关键缺口随之显现：模型不断生成和修改候选，但“新状态是否真的更可靠”不能只由模型自己判断。
一直以来，在Transformer架构中，注意力（Attention）与前馈网络（Feed-Forward Network，FFN）被认为是两个功能不同且互补的模块： 前者让词元（Token）彼此交互，后者对每个词元进行非线性变换。
对着屏幕说一句 “向左转”，画面随即展开新的视野；调整角色的动作，场景紧接着给出反馈。多模态交互要求视觉生成跟上人的操作，而漫长的等待会打断整个体验。
就在今天，陶哲轩公开了其在加州理工学院举行的最新演讲《Math 2.0》（数学 2.0）。
只要和一个人聊得足够久，大模型就能成为他的「数字分身」吗？
设想这样一个场景：你让机器人把桌上的杯子收进托盘。它已经看到了杯子，机械臂正朝杯子伸过去。这时，旁边的人顺手把杯子挪开了几厘米。
Crunchbase数据显示，截至9月29日，全球风投系AI公司今年已发起195起收购，较2025年全年增14%，OpenAI以今年10笔领跑，Nscale以16.5亿美元收购Anyscale成为披露金额最大的一笔。
研究团队提出7B审计员AgentForesight，可在多智能体任务运行中在线识别并归因关键错误，其AFTraj-2K Exact-F1达66.44，成功轨迹误报率仅2.37%。
英伟达联合MIT和牛津大学团队提出Physis-Lang，通过物理语言描述、自进化准则和能力导向的数据检索提升视频模型的物理理解与生成表现，其Cosmos3-Super和Cosmos3-Nano在Physics-IQ Verified分列第一、第二。
清华大学智能产业研究院（AIR）的一项NeurIPS 2026录用工作提出高阶动作监督，无需改动策略网络即可约束动作的一阶时序变化，并在OGBench及约1%数据的D4RL实验中提升小样本性能与动作平滑性。
让图像生成模型先把图片压缩到潜空间，再由生成器在潜空间中作画，已成为常见路线。为了挑选图像编码器和解码器，研究者往往先看“重建”——把原图编码后再解码，所得图片是否逼真。
人大高瓴 GeWu-Lab、智源研究院与燧行 AresoX 等机构提出 ROMA，构建 ROMI-2K、ROMA Bench 及 ROMA-7B，使机器人融合视听触力主动探索物体，并在 ROMA Bench 上以 72.9% 总体任务成功率基本追平 GPT-6 Astra。
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。
推开一块挡板，通道就此封闭；搬来一段坡道，高墙便有了越过的可能。
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：
9 月 22 日，以 FLUX 图像模型闻名的 Black Forest Labs 跨界发布了开源 7B 世界动作模型 FLUX 3 Action。据其官方博客，该模型在英伟达 RoboLab-120 榜单上超过了此前最强的开源模型 Cosmos 3 Nano，参数量却不到后者一半。一家做图像生成的公司跑来卷机器人控制，说明视频模型里积累的「物理直觉」正被越来越多的团队当作机器人大脑的底座。
多模态模型的视觉原生Harness，来了！
OpenAI最近真是频频往数学界扔重磅炸弹。
好家伙，世界动作模型（WAM）赛道，中国团队直接冲到了全球第一？！
拿起一枚生鸡蛋，手指需要施加恰到好处的力：既要防止滑落，又不能捏碎。拧一条湿毛巾，指尖的力道也要随着水分挤出不断调整。对人类而言，这些操作几乎出于本能。但如果只依赖视觉，摄像头拍得下手部轨迹，却捕捉不到手指接触的位置与按压的力度。
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？
不er，只有我一个人看不懂AI现在的说话方式了吗？
一道悬了59年的核聚变难题，GPT-6 Astra只想了20分34秒，就交出了答案。
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。