智源AREX自主研究智能体：从「盲目搜索」到「验证驱动」
智源AREX自主研究智能体：从「盲目搜索」到「验证驱动」当大模型逐渐掌握对话、推理、编程和工具调用之后，自主研究被视为人工智能领域的「The Next Big Thing」。
来自主题: AI技术研报
5288 点击 2026-08-10 14:42
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
当大模型逐渐掌握对话、推理、编程和工具调用之后，自主研究被视为人工智能领域的「The Next Big Thing」。
继Loop Engineering、Graph Engineering等概念进入讨论之后，一篇2026年7月底发布的论文又提出了一个更贴近Prompt本身的工程概念：Prompt Graph Engineering，提示词图工程。
1999年《黑客帝国》中科幻场景，刚刚成真了！哈佛+MIT博士领衔、OpenAI、Anthropic、Google DeepMind、xAI等40余人参与、共200多位顶尖科学家，发布MatrAIx，构建83亿个智能体，模拟全世界人类真实行为。
我做了一个骑行、跑步和徒步分析 Skill，叫 guizang-sports-skill（github.com/op7418/guizang-sports-skill）。
只做一次生成器前向，就能得到一张图，这是一步生成追求的效率。但想把采样步数降到 1，难题其实在训练端：怎样用足够稳定、简单的监督信号，让生成分布靠近真实分布？
过去两年，self-reflection、self-correction、self-play、agentic RL、skill learning、test-time adaptation、open-ended evolution、self-evolving agent等概念不断涌现。
世界模型是物理原生智能（Physics-native Intelligence，Phi）重要的组成环节。
2026 年 1 月，Floatboat 客户端把文件管理器、编辑器和浏览器直接做成 Agent 的运行环境，开创了 Agent 桌面工作台这一形态；4 月，FloatIM 把人与 Agent、Agent 与 Agent 接成一张办公网络，任务可以跨人、跨 Agent 交接而上下文不断；5 月，FloatSchedule 让 Agent 不必等人下指令，按日程自己开工。
由上海交大人工智能学院、深势科技、上海算法创新研究院组成的无尽前沿团队发布BigBang-V1——这是首个基于recursive self-improving原生方式训练出的基座模型。
近日，浙江大学 OmniAI 团队在 《Show, Don’t Tell: Evaluating Spatial Cognition in Generative Pixels Rather Than LLM Text》 中提出 ProVisE，让图像生成模型直接在图中回答空间问题，并将视觉答案还原为原 benchmark 可以评分的结构化预测。
这个框架名叫 Prime Agent，由 Prime Intellect 发布。官方对它的定义是：一个面向编程、研究和长时间自主任务的「自我改进 RLM harness」。RLM 是 MIT 博士生 Alex Zhang 等人去年 10 月发布的一项工作（参见《递归语言模型登场！MIT华人新作爆火，扩展模型上下文便宜又简单》）
近日，由华为2012实验室、华为云、终端、计算等团队联合构建的openJiuwen开源AI Agent平台发布了企业级分布式蜂群架构，把JiuwenSwarm蜂群能力，扩展到企业级分布式集群。
近日来自南京大学模式识别实验室（PRLab）的梁嘉骏、廖宇程，在司晨阳教授的指导下，联合新加坡南洋理工大学、英国帝国理工学院，提出连续扩散语言模型 AURORA-LM（Autoencoding Unified Representation for Continuous-Latent Diffusion Language Modeling），对连续空间下的语言建模作出了更多的思考和发现。
LightX2V团队面向Wan2.2-A14B推出LightWan2.2-A14B，以步数蒸馏、NVFP4量化感知训练和动态稀疏注意力压缩计算量，再用高效算子、细粒度卸载和多卡通信优化打通整条推理链路。
千诀科技联合清华大学团队，为神经网络提出了一把新的 “复杂度标尺”。
当下计算机视觉长期陷入“一任务一专用模型”内卷： 做深度估计要用DepthAnything，分割依赖SAM，人体姿态单独训练Sapiens，几何重建还得搭VGGT，各类网络骨干、解码器、损失函数完全割裂，研发与部署成本居高不下。
我们如何判断人工智能是否已经足够聪明，能够从事科学研究，实现端到端的自主科学发现？
你有没有想过，有一天你买东西，不再需要打开购物软件挨个搜索，而是直接对你的AI助手说一句“我想买一把适合初学者的吉他”，它就能跑遍全网，把最好的几个选项摆在你面前，还附带理由？
作为具身智能最主流的路线之一，VLA 快速发展的同时也因为其各种问题被诟病。其中最主要的痛点之一便是指令泛化能力。
2026 年被业内普遍视作 AI4S（AI for Science）的「智能体元年」。
让机器人把一只虾夹起来，再放进锅里。
Transformer 的上限在哪里？这个问题从 2022 年 ChatGPT 问世起，就开始被广泛讨论。
随着 AI 生图能力不断提升，如何让 AI 真正进入创作流程成为新的行业问题。兔展智能基于 UniWorld-Design 视觉 AI 大模型推出 RabbitVis，尝试推动视觉 AI 从图片生成走向可编辑、可交付的创作流程。
从 2D 像素到 3D 场景 Query，影溯正在尝试把三维内容生产推向可规模化调用的新阶段。
人类看图时，不会先在大脑中拍下一张「截图」，再闭眼推理。思考过程会不断引导我们的目光：找到一个线索，形成一个假设，再回到图像里验证它。
当下，一个逐渐清晰的共识是，具身智能的叙事正由「会不会做一个动作」，转向「能不能在真实世界里稳定完成复杂任务」。尤其是在刚刚过去的 WAIC2026 现场，这一点尤为明显，机器人不再满足于表演式的单动作演示，而是被期待走进产线、仓储和酒店客房，真正「做事」。
通过重写 Python、魔改 WebRTC 握手，GPT-Live 让Agent从单向对话进入「实时交互」时代。
多模态基础模型可以通过互联网规模的图像与语言学习「看」和「说」，但具身智能没有同样的捷径。机器人必须进一步理解物理状态与动力学，判断动作如何改变环境，并在真实世界中执行连续行为；这要求训练数据同时连接观察、状态、动作与物理后果。
想象一个刚上岗的实习生。教他做A任务，他学得很好；接着教他做B任务，他又学会了——但回过头再让他做A，他却忘得七七八八。
OpenAI宣称下一代AI模型解决了10个世界级难题，其中包括推翻了Connes刚性猜想。