2025年，风光无限的机器人们在Demo中大秀绝活，从叠衣服、工厂和物流站分拣包裹，到零售店卖货……它们忙碌的身影存在于各种各样的场景中。但回到现实世界，具身智能真正参与的生活和生产环节，却少之又少。
在日常工作和学习中，笔记管理一直是个让人头疼的问题。传统的笔记工具要么功能单一，要么需要手动绘制各种图表和整理格式。特别是当我们需要制作知识结构图、思维导图或者将内容转化为不同风格的笔记时，往往需要花费大量时间和精力。
3D模型的实例分割一直受限于稀缺的训练数据与高昂的标注成本，训练效果有待提升。
视频世界模型领域又迎来了新的突破！
北邮最新综述探讨了文生图扩散模型的可控生成技术，总结了在文本条件之外引入新条件信号的方法，从任务和方法两个层面梳理了可控生成技术。
随着大模型步入规模化应用深水区，日益高昂的推理成本与延迟已成为掣肘产业落地的核心瓶颈。在 “降本增效” 的行业共识下，从量化、剪枝到模型蒸馏，各类压缩技术竞相涌现，但往往难以兼顾性能损耗与通用性。
在家庭厨房自主使用洗碗机，在办公室边移动边擦拭白板——这些人类习以为常的场景，对人形机器人来说，却是需要调动全身关节协同运作才能完成的“高难度挑战”。
来自 Player2 的研究员们提出了 Pixel2Play（P2P）模型，该模型以游戏画面和文本指令作为输入，直接输出对应的键盘与鼠标操作信号。在消费级显卡 RTX 5090 上，P2P 可以实现超过 20Hz 的端到端推理速度，从而能够真正像人类一样和游戏进行实时交互。P2P 作为通用游戏基座模型，在超过 40 款游戏、总计 8300 + 小时的游戏数据上进行了训练，
简单到难以置信！近日，Google Research一项新研究发现：想让大模型在不启用推理设置时更准确，只需要把问题复制粘贴再说一遍，就能把准确率从21.33%提升到97.33%！
如果将2023年定义为AI的“奇点大爆炸”，那么站在2025年的终章回望，我们不得不承认：“百模大战”的硝烟已散，一个残酷而清晰的“双极化”新世界已然定型。2023-2025 这三年，全球 AI 应用市场完成了从“单点工具猎奇”向“双极化生态定局”的结构性跨越。
香港大学（The University of Hong Kong）与 Adobe Research 联合发布 Self-E（Self-Evaluating Model）：一种无需预训练教师蒸馏、从零开始训练的任意步数文生图框架。其目标非常直接：让同一个模型在极少步数也能生成语义清晰、结构稳定的图像，同时在 50 步等常规设置下保持顶级质量，并且随着步数增加呈现单调提升。
今天是一期硬核的话题讨论： Coding Agent 评测。 AI 编程能力进步飞速，在国外御三家和国产中厂四杰的努力下，AI 编程基准 SWE-bench 的分数从年初的 30% 硬生生拉到了年底的
我们对 Coding Agent 的评测，可能搞错了方向。 一个反复出现，但常常被忽略的现象是：用户对 Agent 的不满，往往不是因为它「做不到」，而是因为它「做得不好」。 「做得不好」集中表现在：
近期，来自墨尔本大学和华中科技大学的研究者们发布了一篇深度综述，从 MLSys 的思维出发，用一套新颖的「时间 - 空间 - 结构」系统行为视角对 KV cache 优化方法进行了系统性梳理与深入分析，并将相关资源整理成了持续维护的 Awesome 资源库，方便研究者与从业人员快速定位与落地。
这是一个拥有23.7k star的Skills开源项目。支持一键部署在Claude code、Codex以及最近非常火的Opencode。
大语言模型（LLMs）的爆发式增长引领了人工智能领域的范式转移，取得了巨大的工程成功。然而，一个关键的悖论依然存在：尽管 LLMs 在实践中表现卓越，但其理论研究仍处于起步阶段，导致这些系统在很大程度上被视为难以捉摸的「黑盒」。
2026 年 1 月过半，我们依然没有等来 DeepSeek V4，但它的模样已经愈发清晰。
胡宇航（网名 “U 航”），毕业于美国哥伦比亚大学，博士学位，首形科技创始人。长期专注于机器人自主学习的研究工作。研究成果发表于《Nature Machine Intelligence》，《Science Robotics》等国际顶级期刊。
机器学习部署在边端设备的时候，模型总是存储在云端服务器上（5G 基站），而模型输入输出总是在边端设备上（例如用照相机拍摄照片然后识别其中的目标）。在这种场景下，传统有以下两种方案完成机器学习的推理：
感谢AI！
AI 不再仅仅是操作和交互的对象，它开始成为 Coworker。
在3D角色动画创作领域，高质量动作资产的匮乏长期制约着产出的上限。
如果人类的大脑像现在的LLM Agent一样工作，记住每一句今天明天的废话，我们在五岁时就会因为内存溢出而宕机。真正的智能，核心不在于“存储”，而在于高效的“遗忘”与“重组”。
作者来自 Nanyang Technological University（MMLab） 与 SenseTime Research，提出 Prism Hypothesis（棱镜假说） 与 Unified Autoencoding（UAE），尝试用 “频率谱” 的统一视角，把语义编码器与像素编码器的表示冲突真正 “合并解决”。
RAG与agent用到深水区，一定会遇到这个问题： 明明架构很完美，私有数据也做了接入，但项目上线三天，不但token账单爆了，模型输出结果也似乎总差点意思。
一个智能驾驶系统，在迈向高阶自动驾驶的过程中，应当具备何种能力？除了基础的感知、预测、规划、决策能力，如何对三维空间进行更深入的理解？如何具备包含法律法规、道德原则、防御性驾驶原则等知识？如何进行基本的视觉 - 语言推理？如何让智能系统具备世界观和价值观？
今天，谷歌Veo 3.1终于迎来重磅升级，表现力直接爆表！ 这一次，谷歌特别优化了移动端体验。只需上传一些「素材图片」（ingredient images），就能轻松创作出更有趣、更有创意、画质极佳的视频。
2026 年刚开年，独立开发者圈子就炸锅了。
还记得那个穿着「Lululemon」紧身衣、主打温柔陪伴的家用人形机器人 NEO 吗？
提高大模型记忆这块儿，美国大模型开源王者——英伟达也出招了。
