搜索
当大模型 Agent 被部署到工具调用、长程任务和开放环境中，一个关键问题会随之出现：能否在不更新模型参数的情况下，将执行经验沉淀下来，并在下一次做得更好？
7 月 17 日，北京，2026 奇点智能产品大会主会场。吴甘沙站在台上，用一个极其东方的思维框架，拆解了一家物理 AI 公司如何在巨头环伺中活过十年——他把《孙子兵法》的“不败”与“不战”，和诸葛亮《隆中对》的“益州”“荆州”格局，嵌入了一套完整的创业竞争策略。
针对这一挑战，腾讯内容服务部 BAC 提出了一个名为 ProLaViT（Progressive Latent Visual Thought） 的全新框架。它的核心思想是：别急着下结论，先在连续隐空间里像人一样「步步推导」。 即让模型遵循 「定位 → 聚焦 → 分离」（Locate → Focus → Isolate） 的因果链，逐步收紧视觉注意力，最终精准锁定目标。
市面上已有几十种Agent记忆方案，有的基于向量检索，有的基于知识图谱，有的靠定期总结“压缩”对话，有的则完全依赖模型自身的上下文窗口。它们各有各的说法，但在系统层面，到底哪种方案靠得住？哪种方案在你的工作负载下既不贵又准？
7 月 16 日，伯克利博士后 Haven Feng 的一条推文火了。原因无他，结果很震撼：在 ARC-AGI-3 Public 集上，一套名为 [schema] 的智能体框架，与 Claude Opus 4.8、Fable 5 组合后达到 98.98% 的 RHAE；换成 GPT-5.6 Sol 组合，分数也有 95.35%。
随后，SpaceXAI 兑现了承诺，在 GitHub 上正式开源了这套智能体编程框架。该公司在一篇 X 帖子中表示：“开源 Grok Build 可以让任何人都能参与构建可靠且强大的框架。”开源不到 20 个小时，Grok Build 已在 GitHub 上收获 1.21 万颗 Star。
终于，现学现用的风也是吹到了具身智能。
WorldArena 1.0 的核心意义，在于将世界模型评测从 “好不好看” 推进到 “是否真的有用”。它不再只关注视频观感，而是把物理一致性、可控性、3D 准确性和具身任务功能性纳入统一评测框架，使许多看似流畅的生成结果第一次在机器人具身任务中接受检验。
Databricks的联合创始人兼CEO Ali Ghodsi最近整了一个大活。公司有1.1万名员工，AI相关的开销越来越高，到底该用哪个模型搭配哪种执行框架，才能在省钱的同时保住效果？自己动手做了一次大规模测试。这次测试基于Databricks真实的业务代码，覆盖3家主流云厂商，由3000多名工程师的实际工作产出支撑，涉及多种编程语言和任务类型。
为了打破多镜头长视频面临的高延迟、零交互困境，香港中文大学与快手可灵团队联合提出了首个实时流式多镜头长视频生成框架 ——ShotStream。该研究打破了传统双向架构的限制，将多镜头合成定义为基于历史上下文的下一镜头生成任务，用户可以通过动态流式提示词在运行时动态指导叙事走向！更令人振奋的是