搜索
中科院自动化所模式识别实验室开源MobileGym，运行在浏览器里的高并发安卓仿真平台，完全自定义，告别模拟器风控与真机成本，一个平台搞定Mobile Agent训练与评测，甚至还能玩原神！
今年，我们正在打开 AI 自我进化的大门，按下了通往 AGI 的加速键。
一个有灵魂，有记忆的 Agent，一次任务的生命周期包括以下步骤
过去，AI 研发基本是一条由人主导的流水线。
昨儿发了 Coze 3.0 的介绍说明，很多小伙伴看起来都没仔细看。
从 LLM 的超长文本处理、视频生成模型的以假乱真、Agent 自主规划与执行的日趋成熟，到 VLA、世界模型等开始进入物理世界，AI 正在不断拓宽其能力边界。
最近，前沿实验室 Mind Lab 密集发布了一系列关于 LoRA 与 PEFT（高效微调）的研究结果，似乎描绘出了另一条大模型「持续学习」的路径。在 Mind Lab 的视角中，PEFT 不再是对大模型全参数后训练的一种廉价平替，更是实现从 “基础模型” 向 “可持续学习智能体” 过渡的核心架构机制。
在具身智能训练中，“把计算全部塞进GPU”似乎成了唯一的提速密码，机器人运控并行训练的框架，IsaacLab、MuJoCoPlayground、mjlab都默认遵循这一范式，这些系统都牢牢绑定在NVIDIA生态中。
把一件皱成一团的衣服叠好，是家务，也是机器人操作里的“硬仗”。
2026 年初，各大 AI 厂商在上下文窗口长度上展开激烈角逐。Google 的 Gemini 3 Pro 已支持 100 万级 token 上下文，Meta 的 Llama 4 Scout 更宣称可处理 1000 万 token。GPT-5 系列也在快速推进长上下文能力。
上一篇文章，和大家聊了一下这个项目，做了一个整体性的复盘，但主要是以业务和团队等方面说的，但是实现方案和大模型相关评估上，说的不多，这篇文章，我们就在产品实现方案和大模型这块来聊一下。
本文团队长期从事负责任的人工智能与人工智能赋能社会科学相关研究，围绕视觉生成大模型安全治理、智能体安全等方向开展系统性工作，相关成果发表于AAAI、ICML、TMM 等国际期刊与会议。
AI模型在电脑上预测精度爆表，一到实验室就各种出错用不了？
材料研发的“试错时代”，正在被AI加速改变。5月21日，未来光锥「AI for Science 创变者说」第二期沙龙“AI+材料的千亿级机会”，邀请了三位学界与产业一线嘉宾，共同探讨AI+材料科学的前沿与实践。
紧跟DeepSeek价格战，小米掏出技术底牌！
大家最近应该都被云南大神MX-Shell花3000制作的《丧尸清道夫》刷屏了吧。他做的这个抖音400多万点赞的AI视频，真的非常牛逼。
你有没有过这样的经历：把聊天记录、用户反馈或内部文档丢给大模型时，总担心里面夹杂着真实姓名、手机号、邮箱甚至 API key，最后只能手动一条条删？或者团队在处理海量数据时，规则写的正则永远漏掉那些“藏在句子里的隐私”。
从大模型的提示词到智能体的 Skills，看着进化了，但又没有完全进化。
最近一两年，互联网上各种为RAG赛博哭坟的帖子不胜枚举。
每次听到「AI agent 商业化」，讨论的焦点几乎都是付款——agent 能不能帮我刷卡，钱怎么授权，协议怎么设计。
大语言模型正在成为人工智能系统的核心组件。从文本生成、数学推理到代码编写，单个大模型已经展现出强大的能力。
近年来，随着大模型从简单问答，走向深度研究、医疗咨询、多模态生成和长程 Agent 任务，一个基础问题变得越来越难回答：我们到底应该怎样判断模型输出的质量？
刚刚，上海创智学院副教授、智元机器人首席科学家罗剑岚带队，发布全球最大规模的开源预训练具身世界模型——τ0-World Model（τ0-WM)。整个τ0-WM参数量达到5B，预训练数据规模高达约3万小时。其中，真机遥操作数据第一次成了绝对主力，占到了1.78万小时。
大模型从“回答问题”走向“完成任务”，正在面临以下瓶颈：面向Claw Agents的数据、训练和评测都比传统environment training更难。为了解决该问题，中国人民大学、至知研究院等最新提出ClawGym——
来自 ETH Zurich 的 Florian Tramèr 团队在最新论文中抛出了一个出乎意料的问题：如果 AI"看到" 的图，根本不是你肉眼看到的那张，会发生什么样的后果呢？他们把这种现象称作 AI 权威清洗（AI Authority Laundering）。
清华大学经济管理学院的陈柯均博士生、张佳音教授、徐心教授与快手消费策略算法部合作探索完成了一项联合实验：从视频传递的价值观的角度，去理解观看视频后用户的行为和心理变化。
DeepSeek 研究员陈德里（Deli Chen）和 AI 合作的第二篇论文来了！论文地址：https://victorchen96.github.io/continual_learning_survey.pdf这篇论文聚焦 continual learning（持续学习） 与 self-iteration（自我迭代）。在陈德里看来，这是 AI 迈向 AGI 过程中极为关键的一步。
2026年5月，两篇重磅研究在一周内相继发表。一组来自加州大学伯克利分校研究团队，样本是美国 20 所公立研究型大学的 95,513 名本科生。研究发表在《Science》科学杂志上，主题是大学生如何使用生成式 AI，以及怎样用它作弊。
就在前两天，斯坦福大学等机构发布了一个名为 GPIC（Giant Permissive Image Corpus，巨型开放图像语料库）的数据集。
5 月下旬，NVIDIA 联合清华大学、多伦多大学和 Vector Institute 发布 Gamma-World，共一第一为清华大学电子系博士刘芳甫，核心 Research 方向是世界模型和空间智能。