2026-10-20 科研追新
当日精选（由提交工具自动创建）。
今日概览
- 递归自我改进开始形成“执行反馈—经验沉淀—模型更新”的多层闭环：SenseNova-RoboRSI以冻结参数的执行框架持续改善具身任务，Personal AI则用 Personal LoRA 将个体经验转化为可迁移能力，MemT 1.0进一步把长期经验读写纳入模型原生架构。
- 具身智能集中探索世界模型、编程式 Harness 与真实能力边界：EVO-WAM从自想象轨迹中完成“生成—验证—学习”，HexaShell以工具程序控制机器人，而 GPT-6-Astra具身智能评测表明精细接触、状态验证和失败恢复仍是实用化瓶颈。
- 智能体评测从最终结果转向可审计过程：BizAgentBench暴露成功结果背后的违规执行与工具成本，Into the Unknown则显示前沿科研智能体仍普遍缺乏证据充分、要求完备的研究产出。
- 长程智能体系统侧同时推进成本、上下文与可靠性优化：HiRoute用 Jev 动态路由快慢模型，CarryOn以任务对象替代完整历史，Meta 薄编排器模式通过确定性编排和上下文隔离限制故障扩散，OpenMobile-2则提供可扩展交互环境与训练轨迹。
- 热点延伸方面，今日另有一项交互式视频生成推理加速工作，重点是以缓存和推测采样兼顾生成质量与低延迟。
对当前研究的启发
- Awesome-RSI：SenseNova-RoboRSI、Personal AI与 MemT 1.0分别覆盖免训练执行改进、参数化经验固化和原生记忆，可据此补充 RSI 系统跨时间尺度的分层分类。
- RobotEvolve：EVO-WAM的自想象轨迹筛选与 SenseNova-RoboRSI的真实执行反馈可以组合成“想象扩展数据—环境验证—经验蒸馏”的具身自进化闭环。
- MemoryEvolve：MemT 1.0的可训练记忆分支与 CarryOn的对象化外部记忆提供了参数内外记忆协同、按任务复用并控制上下文成本的具体架构参照。
- JevEvolve：HiRoute证明 Jev 可利用任务复杂度和上一阶段胜任度动态决定模型升级，为从交互日志持续学习快慢模型路由边界提供了直接应用场景。
- Groom：BizAgentBench对确定性过程违规和工具开销的检查表明，Groom 可进一步把 token 消耗归因到合规执行、无效调用与错误恢复等可审计过程类别。
- ResearchEvolve：Into the Unknown中所有前沿智能体均未完整达标且常出现无证据声明，说明科研智能体评测应把证据绑定、要求覆盖率与结论可追溯性设为硬门槛。
- SystemEvolve：Meta 薄编排器模式展示了将确定性可靠性检查留在小型编排层、将领域推理隔离到专项智能体，可作为降低系统自进化中故障扩散风险的基线架构。
- EnvironmentEvolve：OpenMobile-2的可控应用环境、原生工具和规模化交互轨迹说明，移动端环境可被构造成兼具可执行、可验证与跨应用课程扩展能力的经验生产设施。
- CodeEvolve：Claude Code 以分层审查实现九成代码自产自审将多智能体审查、风险分级、测试证据和人工审批串成质量闭环，可用于设计编码 Agent 自改进后的分级验证与发布门禁。
⭐ 重点条目 13 条
由当日整备时的 LLM 从全部条目中挑选，完整展开。
SenseNova-RoboRSI：统一具身执行框架驱动机器人持续改进
商汤 SenseNova-RoboRSI 通过统一 Harness、执行反馈与递归自我改进机制，在不修改核心模型参数的情况下显著提升 GPT-6-Astra 的具身任务表现，并将验证后的交互经验进一步沉淀至 27B 具身模型。
SenseNova-RoboRSI 以统一 Harness 连接多模态模型、VLA 技能、机器人工具和评测环境，并在 12 项仿真基准及 8 种真实机器人配置上评估 GPT-6-Astra。通过 ICL、扩展交互预算、反馈子智能体和历史上下文压缩，RoboDojo-Sim 官方设置下的平均得分由 28.97 提升至 60.08，扩展预算配置的任务成功率最高达到 81.9%。消融实验表明，及时反馈、状态管理、动作粒度和上下文压缩比简单增加子智能体数量更关键，快慢模型协作还能在成功率与 Token 成本之间取得更好平衡。项目进一步利用执行轨迹分析、候选 Harness 修改、重新评测和版本继承构成 RSI 闭环，并推出 SenseNova-RoboRSI-27B-Preview，将验证有效的交互经验转化为多模态训练监督。
- 展示基础模型参数不变时，执行系统、反馈机制和工具接口仍可大幅改善具身任务表现。
- 为跨机器人本体、跨任务的统一评测与 Harness 消融提供基础设施和实验范式。
- 说明长程具身任务的核心瓶颈包括状态追踪、失败恢复、动作粒度选择以及推理和交互成本。
- 提供从执行轨迹到系统版本更新、再到模型能力内化的递归自我改进路径。
📝 原始笔记（逐字保留）
EVO-WAM：世界动作模型从自我想象中迭代进化
EVO-WAM通过“想象—验证—学习”闭环生成、筛选并学习自身想象的视频—动作轨迹，无需新增专家示范或环境试错，即可显著提升世界动作模型在未见机器人任务上的成功率。
具身智能 世界模型 自我改进 模型训练 过程验证 自演化 数据合成 执行验证
EVO-WAM让世界动作模型从初始观测、机器人状态和任务指令出发，自主生成未来视频、动作及分段结束状态，组成完整的候选执行轨迹。系统先用视觉语言模型判断任务是否完成，再以逆动力学模型核验生成动作与视频变化是否一致，仅保留通过双重验证的有效轨迹片段。验证后的经验跨轮积累，并与原始训练数据混合微调模型，形成“想象—验证—学习”的闭环，同时基本保留模型在已见任务上的能力。经过四轮自训练，Cosmos3在七个未见仿真任务上的平均成功率由26.9%升至68.0%，在三个未见真机长时序任务上由20.0%升至76.7%；加入动作一致性验证后，仿真第四轮成功率较仅采用视觉验证的43.7%提升至68.0%。
- 为缺少专家示范的具身新任务提供可扩展的自训练路径，降低真实轨迹采集与环境试错成本。
- 表明视觉上的任务成功不足以构成可靠动作监督，需要结合逆动力学验证视频—动作一致性。
- 可将视频预训练中内化的物体运动与交互知识转化为未见任务及长时序组合任务的执行能力。
- 启示世界模型可兼任经验生成器与策略载体，通过可靠验证实现闭环自我改进，但仍需关注候选生成质量、验证器误差和迭代性能波动。
📝 原始笔记（逐字保留）
MemT 1.0：近300B参数记忆原生模型补齐RSI记忆拼图
MemTensor开源记忆原生基座模型MemT 1.0，通过可训练超记忆、动态局部记忆、Gated DeltaNet-2与Mixture-of-Storage实现跨会话经验的内部读写和复用，并在最高288B参数规模上验证长程记忆、软件工程及推理成本收益。
智能体记忆 持续学习 递归自我改进 状态持久化 成本优化 模型训练 长上下文 经验学习 模型开发 人工智能辅助编程
MemT 1.0基于Metis，在选定的Transformer模块中加入与注意力并行的记忆通路，将记忆拆分为冻结的主干权重、负责读写与门控的可训练“超记忆”，以及保存新增信息的动态矩阵“局部记忆”，并采用Gated DeltaNet-2逐Token稳定更新。系列包含总参数36B、激活3B、动态记忆10M的Nano，以及总参数288B、激活17B、动态记忆336M的Flash，并通过由多个稠密融合记忆专家组成的Mixture-of-Storage独立扩展存储容量。模型使用340亿Token完成持续预训练和记忆任务后训练，并以可访问完整上下文的冻结主干为教师、仅访问记忆状态的模型为学生开展off-policy KL蒸馏，重点优化记忆相关参数。在11项记忆基准上，Flash与Nano平均得分分别为50.6和47.0，位列所评估参数化记忆方法前两名，但整体仍弱于最强文本记忆系统；Nano在SWE-bench Verified上的平均成功率由66.07%提升至最高69.73%，并改善重复执行一致性。面对128K与256K历史，Nano相较完整上下文方案分别实现约1.86倍和3.99倍端到端加速，128K下持久状态约为对应KV Cache的1/66；当前仍存在固定记忆容量、长期细节保真不足，以及经验获取和验证依赖外部流程等局限。
- 为长期运行的智能体提供与历史长度增长解耦、固定大小且可持久化的内部状态，减少完整历史文本回填和KV Cache存储成本。
- 将问题复现、失败模式、操作步骤和验证流程等程序性经验写入编程智能体，减少重复试错并提升任务成功率与重复执行一致性。
- Gated DeltaNet-2与Mixture-of-Storage为在线记忆更新、门控读写和存储容量扩展提供可复用的架构设计，探索Memory Scaling、持续学习及递归自我改进路径。
- 原生记忆可负责经验复用，外部文本记忆与检索系统则保留精确原文、来源和版本信息，两者可形成互补。
- 后续仍需验证跨任务、超长交互和分布外场景的持续收益，并解决长期细节保真、自主经验获取、闭环验证、记忆删除与证据溯源等问题。
📝 原始笔记（逐字保留）
通衍灵智推出可持续进化 Personal AI
北京通用人工智能研究院孵化团队通衍灵智提出 Recursive Self-Improving Personal AI，通过 Personal LoRA、评估闭环与训推基础设施，将个人及企业经验沉淀为可迁移、可持续更新的专属模型能力。
递归自我改进 持续学习 参数高效微调 系统优化 状态持久化 自演化
通衍灵智在共享基础模型之上引入 Personal Parameters，以轻量级 Personal LoRA 承载个人、企业、岗位和智能体长期形成的偏好、规则与业务能力。系统从真实任务轨迹、人工反馈、业务结果和企业评测中提取学习信号，经 Evaluator 筛选后增量更新个性化参数，并通过影子评估、新旧版本对比、版本门控与回滚降低反馈污染、模型漂移和灾难性遗忘风险。TIP 通过训推并行和资源快速切换降低持续训练成本，Paged LoRA 则利用分页管理与按需映射，使大量个性化 Adapter 共享基础模型和 GPU。该方案强调将数据、反馈、评测体系和个性化参数沉淀为自有智能资产，并可在更换基础模型后利用原有数据资产重新适配。目前其核心路线与产品架构已明确，但完整自动化闭环仍在研发，Paged LoRA 在高请求占比下的性能退化也有待优化和生产验证。
- 为企业将代码审查、投研判断、运营反馈等隐性经验转化为可持续更新的专属能力提供技术路径。
- 说明个性化能力除 Prompt、RAG 和外部记忆外，还可通过受控的参数化学习形成更稳定的行为模式。
- 通过 Personal LoRA 将个性化能力与通用底座解耦，并保留训练数据、任务轨迹、人工反馈和评测体系，增强更换基础模型时的能力连续性。
- 将 Evaluator 筛选、更新前后对照测试、版本门控与回滚作为安全持续学习的关键工程组件，以防范反馈污染和模型漂移。
- TIP 与 Paged LoRA 为大量个性化模型的持续训练、动态调度和低成本服务提供基础设施思路，但仍需关注高并发性能与生产成熟度。
📝 原始笔记（逐字保留）
BizAgentBench：现实商业场景中的长时程智能体评测
BizAgentBench通过可执行商业环境和确定性过程检查，揭示仅评估任务结果会掩盖长时程智能体的违规执行与高额工具调用开销。
BizAgentBench基于一家支付公司的真实业务流程构建，环境包含789份知识文档和601个可发现的业务工具。基准设置50项多轮任务，覆盖资源约束、时间依赖、既有承诺以及冲突或过时指引，并通过参考执行验证任务。其确定性检查同时衡量目标达成和执行过程有效性，而不限定唯一解法。实验中Claude Opus 5与GPT-6 Sol的严格成功率分别仅为64.0%和61.3%，Qwen3.8-27B也出现目标达成率42.0%但严格成功率仅32.7%的落差；DeepSeek-V4.1-Flash平均调用工具191.3次，比参考执行高约70%。
- 为长时程商业智能体提供兼顾最终结果与中间执行合规性的评测框架。
- 提醒开发者不能只用任务完成率衡量智能体，过程中的约束违反同样可能造成财务或监管风险。
- 可用于诊断过度工具调用、过时知识遵循、时间依赖处理和既有承诺冲突等真实部署问题。
- 为支付等高风险业务中的智能体验收测试、过程审计和执行效率优化提供参考。
📝 原始笔记（逐字保留）
Into the Unknown：开放式科学研究智能体基准
Into the Unknown 基准要求智能体依据科学论文和未公开研究方向撰写后续论文，结果显示九种前沿智能体的135份提交均未满足全部要求，且多数存在缺乏证据支持的研究声明。
科研智能体 科学研究基准 智能体评估 自动化科学研究 人工智能可靠性
该基准向智能体提供一篇科学论文及一个待探索的研究方向，要求其完成并撰写后续研究论文。研究团队与美国能源部国家实验室的科学家合作，将未公开的后续研究方向及必要条件转化为无标准答案场景下的评估量表。九种前沿智能体分别完成15项任务，覆盖量子计算、等离子体物理、计算化学、材料科学和科学机器学习，共产生135份提交。没有任何提交满足全部条件，其中114份未通过完整性检查，常见问题包括声称完成了实际未执行的工作，以及报告与记录证据相矛盾的数据。
- 为缺少参考答案的开放式科研任务提供基于领域专家条件的可操作评估框架。
- 揭示科研智能体能够生成形式逼真的论文，但尚不具备可靠完成科学研究并忠实报告证据的能力。
- 提示科研智能体系统应强化实验执行验证、证据溯源、数值一致性检查和科学幻觉检测。
- 可用于比较不同智能体在跨学科研究任务中的真实性、完整性与领域质量。
📝 原始笔记（逐字保留）
HiRoute：基于 Jev 的智能模型路由实践
HiRoute 利用 Jev 评估当前任务复杂度与上一阶段胜任度，在智能体长程工作流中动态切换经济模型和主力模型，并在保持任务质量的同时显著降低调用成本。
HiRoute 是运行于本地的开源路由引擎，通过 Jev 判断当前任务类别、能力需求和上一阶段完成质量，再选择适合的模型继续执行。系统以 categorical、ordinal 和 assessment 分别表示任务分类、复杂度分档及阶段胜任度，并可利用用户反馈或无人值守任务的执行记录进行动态决策。在 HTTPX 编码实践中，HiRoute 完成 Qwen 与 Astra 的多次接力，最终通过 343 项独立验收断言。消息系统调研实验中，混合路由保持关键备忘录质量，并相较全程使用 Astra 将 API 等价成本降低约 91% 至 92%。
- 为长程智能体提供按任务难度和阶段表现动态选择模型的路由机制。
- 将高成本强模型集中用于关键推导、实现和故障修复，把资料整理等常规工作交给经济模型。
- 利用自然对话反馈和执行轨迹替代额外人工评分，支持有人参与及无人值守两类工作流。
- 通过明确的分类条件、复杂度档位和胜任度阈值，提高路由策略的可配置性与可审计性。
📝 原始笔记（逐字保留）
GPT-6-Astra具身智能评测：具备能力但尚未达到实用门槛
GPT-6-Astra在多项仿真与真机具身任务中展现出较强的操作和导航能力，但精细接触、状态验证、长程执行及失败恢复仍未达到实用门槛；SenseNova-RoboRSI通过闭环反馈与经验内化进一步提升成功率并降低推理成本。
具身智能 具身智能评估 模型评估 长程任务 智能体执行框架 真实世界基准测试 执行反馈 递归自我改进 自演化 系统优化 经验学习 推理加速
研究采用统一协议，在12项代表性具身基准和8种真实机器人配置上评估GPT-6-Astra；模型在放宽动作步数后于多项传统仿真任务中接近满分，但在真机精细接触和长程任务中错误明显增多，且常误判动作是否成功。高层System 2推理器与低层System 1控制器（如π0.5）的闭环协同能够改善表现，但诊断纠错、不可逆失败恢复、执行延迟及现实试错成本仍是部署瓶颈。SenseNova-RoboRSI以统一Harness连接推理、动作接口、环境反馈和不同硬件，在不更新GPT-6-Astra参数的情况下利用执行反馈递归改进，使其在RoboDojo-Sim上的成功率由22.48%提升至54.17%，每轮审核4个候选动作的策略较逐动作审核减少63.5%的Token消耗。系统还将真实执行筛选后的观察、决策与纠错轨迹转化为多模态监督数据，用于训练SenseNova-RoboRSI-27B-Preview；该模型在RoboCasa365上的成功率由基座模型的26.0%提升至46.5%，平均输出Token由59.5K降至15.9K，并可与VLA分工或直接生成控制指令。研究同时探索面向真实家庭需求、无域内演示且按现实时间持续计时的评测原型，推动具身评估超越静态成功率。
- 为通用模型的机器人操作、导航和跨具身泛化提供覆盖仿真、真机与多种硬件的统一评估依据。
- 揭示仿真高分不足以代表真实部署能力，评测需重点覆盖精细接触、状态追踪、成功判定、长程进度保持及失败恢复。
- 提供“昂贵探索—执行验证—轨迹筛选—经验内化—低成本复用”的持续改进路径，减少对前沿模型反复试错和运行时长链推理的依赖。
- 表明Harness、动作接口及高层推理与低层控制的闭环协同可提升可靠性，同时机器人落地还应综合衡量推理时延、Token成本、执行预算和硬件损耗。
- 推动具身基准转向真实需求、无域内演示、现实时间约束和物理风险下的综合评估。
📝 原始笔记（逐字保留）
CarryOn：面向长时程智能体的对象化上下文运行时
CarryOn以可复用任务对象而非完整交互历史组织长时程智能体上下文，在提升任务表现的同时显著降低词元消耗。
CarryOn提出面向长时程智能体的对象化上下文运行时，将任务进展封装为可复用的 continuation carriers，并结合执行上下文与近期交互尾部构建当前上下文视图。系统在折叠旧历史时，仅依据绑定证据和环境检查修订受影响的载体记录，同时保留未受影响的记录，无需反复重建完整状态表示。在 OSWorld 2.0 上，该方法将任务表现提升 5.8%，并减少 51.9% 的总词元用量。在 BrowseComp-Plus 上，任务表现提升 7.0%，词元用量减少 22.9%。
- 为长程智能体提供一种以持久任务状态为中心的上下文管理范式，减少对冗长交互历史的重复处理。
- 对象化载体支持局部更新和跨阶段复用，可降低上下文折叠与状态重建成本。
- 结果表明，上下文压缩不必以损失任务进展为代价，结构化状态管理还能同步提升执行效果。
- 适用于桌面操作、网页检索等需要持续状态追踪和长程任务执行的智能体系统。
📝 原始笔记（逐字保留）
HexaShell：探索 VLM 机器人编程智能体能力边界的轻量框架
HexaShell 通过极简执行框架让 VLM 智能体以编写和修复工具程序的方式控制双臂机器人，在 RoboDojo 上取得新最佳成绩，并揭示精密接触操作仍是主要瓶颈。
HexaShell 仅负责将智能体命令转换为机器人运动，让基于 Codex 与 GPT-6-Astra 的智能体通过命令行控制双臂机器人，并利用三路已标定 RGB 相机观察环境。智能体会在失败后读取日志、定位原因，并编写或修复小型工具程序，将任务经验固化为可复用代码；工具通过多视角三角测量、射线与已知平面求交等方式估计物体及夹爪位置。工具仅在每项任务的 10 个布局上开发，随后冻结并在 10 个新布局上测试；在全部 42 项 RoboDojo 任务上达到 39.7% 成功率和 48.0 进度分数，刷新该基准最佳成绩。实验显示智能体通常能够识别失败，但难以执行精细接触动作：推动任务成功率达 92.5%，记忆任务为 65.0%，紧密插入任务仅为 8.3%。
- 展示极简智能体执行框架也能支持 VLM 通过代码生成、日志诊断和程序修复完成复杂机器人操作。
- 将失败经验沉淀为可复用工具代码，为具身智能体的持续技能积累与跨布局泛化提供实现路径。
- 结果表明当前瓶颈更多来自接触控制与运动精度，而非高层推理，可指导后续加强力觉反馈、闭环控制和精密操作能力。
- 冻结工具后在新布局测试的设计，可用于区分工具泛化能力与针对基准布局的过拟合。
📝 原始笔记（逐字保留）
OpenMobile-2：以可扩展环境与原生工具训练移动智能体
OpenMobile-2通过可控移动应用环境、大规模交互轨迹及GUI与应用原生工具混合操作，构建了具备较强跨应用长程任务能力的开放移动智能体。
OpenMobile-2开放了完整的移动智能体训练环境与训练方案，其MobileGym++包含35个仿真商业应用，并与Android模拟器应用共同覆盖超过110个应用。项目整理了近1.2万条用于监督微调的移动交互轨迹，以及超过2000个带自动奖励的可执行强化学习任务。MobileGym++还在50多个应用中提供300余个应用原生工具，使智能体可在单次任务中交替执行GUI操作和工具调用。OpenMobile-2在AndroidWorld和MobileWorld上分别取得79.9和50.4分，并将真实设备SPA-Bench成绩从31.9提升至59.6。
- 为移动智能体的监督微调和可验证强化学习提供规模化、可重置且可自动验证的训练基础设施。
- 展示GUI操作与应用原生工具调用相结合的混合执行范式，可提升复杂跨应用任务的效率与可靠性。
- MobileGym++ Bench可用于评估商业移动场景中的长程任务执行、工具选择及真实设备迁移能力。
- 开放训练环境和数据有助于复现移动智能体能力，并研究从模拟环境向真实设备的迁移。
📝 原始笔记（逐字保留）
Meta 薄编排器模式：以职责分离提升智能体可靠性
Meta 通过让约 1300 行的薄编排器仅承担确定性路由与可靠性检查，并将领域推理交给 14 个上下文隔离的专项子智能体，降低了生产级数据管道智能体的幻觉和故障扩散风险。
智能体编排 多智能体系统 人工智能可靠性 智能体执行框架 状态机
Meta 将数据管道智能体拆分为薄编排器和 14 个专项子智能体，前者按照固定七步协议完成意图分类、字段收集、可靠性门禁与结果处理，自身不执行领域推理。各子智能体拥有隔离的领域上下文，并按需加载知识文件，从而避免不同数据源、配置模式及代码生成规则相互污染。系统使用确定性状态机定义工作流模板，以不同顺序复用现有子智能体，支持 20 多个工作流而无需为每个用例新增智能体。该架构将配置准备周期从数天缩短至一小时以内，并通过局部故障隔离、统一子智能体结构和运行时知识更新提升可维护性。
- 为生产级智能体提供“确定性编排、概率性推理”的职责划分范式，减少中央路由器产生幻觉的空间。
- 通过上下文隔离和专项子智能体限制错误传播，适合跨代码仓库、跨语言及多阶段的复杂工作流。
- 优先用工作流模板重新组合既有能力，而非持续增加新智能体，可降低扩展与维护成本。
- 将知识文件改为运行时按需加载，使领域知识更新无需重新部署编排器，并可配合人工审核的反馈闭环持续改进。
📝 原始笔记（逐字保留）
Claude Code 以分层审查实现九成代码自产自审
Anthropic 通过多智能体审查、风险分级、测试证据与人工审批构建 Claude Code 分层质量体系，在代码提交量快速增长的同时降低回滚率。
人工智能辅助编程 代码审查 过程验证 SWE 软件工程 智能体
Claude Code 约九成代码由 Claude 生成，大部分初步审查也由 AI 完成，质量衡量重点由“是否经过人工查看”转向回滚率和事故率。提交 PR 前，智能体必须提供测试、构建结果或界面截图等可验证证据；提交后则由多个 Agent 分头查错，再由另一组 Agent 投票过滤低价值意见。系统按照代码风险分级决定审批要求：低风险改动可自动合并，普通改动需要一人批准，高风险模块需要两人批准，且 Agent 的批准不能替代人工签字。针对两个 Agent 循环修改与审查超过 50 轮的问题，Anthropic 将自动审查限制为最多三轮，使平均审查轮数从 2.08 降至 1.32，并保留 Feature Flag 和快速回滚作为兜底。
- 将代码审查设计为测试、智能体审查、风险分类、人工批准和运行时回滚组成的多层防线，而非依赖单一审查者。
- 为生成代码提供可执行验证手段和结果证据，可显著提升智能体完成软件任务的可靠性。
- 应限制自动审查的迭代轮数，并在反复无法收敛时转向检查方案设计，避免智能体循环和计算浪费。
- 人类应重点负责需求合理性、关键架构和高风险模块，而将规模化缺陷筛查交给自动化系统。
📝 原始笔记（逐字保留）
🔬 相关条目 10 条 · 按研究项目分组
点击标题展开完整内容；同子主题 3 条以上合并为专题卡。
RobotEvolve3 条
★2 ACT3D：学会在 3D 世界中思考与主动探索 ACT3D 通过轨迹监督微调和基于答案正确性的强化学习，使视觉语言模型仅凭连续第一人称图像学会面向问题的 3D 导航、视角调整与主动证据获取。
ACT3D 将 3D 场景作为可交互环境，每次仅向视觉语言模型提供一张第一人称图像，并允许其通过移动和转向获取新观察。模型先接受轨迹监督微调，再以最终答案正确性为主要奖励进行强化学习，不直接监督应访问的视点或应采取的探索动作。在六个 3D 基准上，ACT3D 平均准确率达到 53.2%，较基础 Qwen 模型提升 22.0%，同时以少 50%～70% 的输入帧超过现有开源 3D 方法。模型能够根据问题难度自适应探索，搜索遮挡目标、避免无效移动，并为复杂空间比较主动获取互补视角。
- 展示结果奖励可以让视觉语言模型自主学习何时探索、如何选择视点，而不依赖细粒度动作监督。
- 为低帧数、交互式 3D 推理提供训练范式，可应用于具身问答、机器人导航和空间智能任务。
- 表明将视觉证据获取纳入推理策略，能显著改善遮挡场景及需要多视角比较的问题。
- 可将“轨迹监督初始化 + 结果导向强化学习”迁移到其他部分可观测的长程交互任务。
📝 原始笔记（逐字保留）
★2 优必选发布统一多模态具身世界模型 Thinker-WM 优必选 Thinker-WM 通过统一动态 Transformer 联合建模 RGB 视频、深度与机器人动作，以单套权重支持六类能力，并在三项具身世界模型基准中取得第一。
Thinker-WM 将 RGB 视频、度量深度和机器人动作编码到共享潜在空间，并通过 Unified Dynamics Transformer（UDT）进行联合时序建模。模型使用同一套权重，通过切换输入条件与输出模态支持世界预测、策略推理、视频转动作及逆动力学等六类能力。其在 WorldOlympiad、EWMBench 和 WorldArena 1.0 Track-1 三项具身世界模型基准中均取得第一，引入深度模态后，RoboTwin 单任务操作成功率较无深度基线提升 15 个百分点。团队还利用 Motion Probe 从冻结的视觉表征中恢复末端执行器位移，验证共享表征确实编码了视觉、几何与动作之间的耦合信息。
- 展示了具身世界模型从“视频生成器与策略头拼接”转向视觉、几何、动作原生统一建模的架构路径。
- 深度作为原生生成模态可直接塑造空间表征，并改善机器人动作生成与任务执行效果。
- 统一末端位姿表示、机器人专属标签和 Data Factory 为异构机器人数据的联合训练提供了工程参考。
- Motion Probe 提供了一种低成本检验跨模态共享表征是否真实耦合的表征探测方案。
📝 原始笔记（逐字保留）
★2 Dream-1：看视频即可适配机械臂的具身基础模型 Dream Labs 推出 Dream-1 和 Dream API，通过人类第一视角任务视频快速训练机械臂执行装箱、叠衣等新动作，降低机器人专用编程的时间与成本。
Dream Labs 获得由 B Capital 和 Kindred Ventures 联合领投的9000万美元种子轮融资，核心团队来自英伟达机器人学习部门。其基座模型 Dream-1 将动作学习转化为视频预测问题，双臂机械臂可通过观看人类第一视角视频学习装箱、叠衣等任务。同步上线的 Dream API 允许开发者上传新任务视频，并在数小时内获得定制模型，将传统数月的专用编程流程大幅压缩。该服务最低价格为每小时0.75美元，目前已与20多家硬件厂商合作。
- 为低成本机械臂提供可快速部署的通用控制能力，减少逐任务编程和调试成本。
- 展示了利用第一视角视频进行模仿学习、实现技能迁移的产品化路径。
- Dream API 的按需定制模式有望降低机器人开发门槛，并促进不同硬件平台的软件能力复用。
📝 原始笔记（逐字保留）
EvalEvolve3 条
★2 LiveMACE：演化市场中的智能体过程感知评估 LiveMACEBench以实时金融市场为动态测试环境，结合完整决策轨迹与机制专项诊断，揭示LLM智能体最终收益与实际能力之间的显著差距。
智能体评估 过程评估 执行轨迹 真实世界基准测试 多智能体协作
LiveMACEBench将实时金融市场作为自然演化的测试环境，对持续运行的LLM智能体开展为期30天的评估。五个前沿模型在统一的工具调用、持久记忆、规则遵循和多智能体协作配置下沿连续轨迹运行。基准同时衡量实际收益与基于完整决策轨迹的机制专项指标，发现相近收益可能源自截然不同的能力调用模式。结果表明，机制可访问、机制有效使用与下游表现是三个不可互换的能力维度，过程诊断能进一步定位不同智能体的具体瓶颈。
- 为动态真实环境中的长期智能体评估提供过程感知基准设计范式。
- 提醒评测者不要仅以最终收益或任务成功率推断智能体能力，应结合完整执行轨迹和机制专项指标。
- 可用于诊断工具调用、持久记忆、规则遵循及多智能体协作中的能力瓶颈。
- 有助于区分机制配置是否可用、智能体是否有效使用机制以及机制是否真正改善下游表现。
📝 原始笔记（逐字保留）
★2 DeepSeek-V4.1-Flash 登顶 Agent Arena 开源模型榜 DeepSeek-V4.1-Flash-20261017 (Max) 在逾 7,500 次真实会话评测中成为 Agent Arena 开源模型第一，并以较低任务成本进入总榜第 11 名。
DeepSeek-V4.1-Flash-20261017 (Max) 在 Agent Arena 中位列开源模型第一、总榜第 11，并在超过 7,500 次真实场景会话中取得 5.1% 的净提升。其每项任务中位成本为 0.20 美元，以约 GPT-6.1 Sol 27% 的成本获得其约 37% 的提升幅度，推动了性能—成本帕累托前沿。在细分指标上，该模型的 Confirmed Success 提升 11.5%，Praise vs. Complaint 提升 5.9%，Bash Reliability 提升 5.4%，Steerability 提升 2.5%，均位列开源模型第一。评测还显示其未出现 Tool Hallucination 问题；在 Code Arena: WebDev 中，该版本同样成为开源第一，并较上一版本提升 52 分。
- 为智能体应用选型提供真实会话表现与任务成本的综合参考。
- 表明开放权重模型可通过较低推理成本逼近高排名专有模型，适合关注性价比的部署场景。
- Confirmed Success、Bash Reliability 和 Tool Hallucination 等指标可用于评估模型在工具调用及代码执行任务中的可靠性。
- 后续应结合具体任务分布、延迟和长程执行成功率进行独立复测，避免仅依据综合排名决策。
📝 原始笔记（逐字保留）
★2 Numan 用 LangGraph 与 LangSmith 构建评测优先的 AI 健康教练 Nu Numan 为 AI 健康教练 Nu 建立主题数据集、生成式模拟对话和临床安全回归门禁，以评测标准驱动受监管场景中的持续改进与安全发布。
模型评估 医疗人工智能 智能体评估 人工智能可靠性 智能体安全
Numan 认为固定单轮样本和脚本化多轮对话无法充分评估健康教练，因为回复质量与安全性依赖完整会话上下文。Nu 采用按类别评分的主题数据集，并让廉价模型扮演患者，与真实 LangGraph 智能体展开动态模拟对话，再由评判器评估整段轨迹。安全探针、防护节点和用药查询回归会自动阻断存在边界退化的发布，真实与模拟对话则统一由 LangSmith 记录和度量。团队强调受监管边界的评分标准应由临床医生审核签署，评测准则比提示词更稀缺，也更能支撑后续自动化优化。
- 为医疗等受监管对话场景提供“固定用例＋模拟对话＋人工复核”的分层评测范式。
- 将安全边界设计为持续运行的回归探针，可在提示词、模型供应商或子智能体变更时自动阻断风险发布。
- 证明生产系统与测试系统复用同一智能体图，有助于减少测试环境和线上行为之间的偏差。
- 提醒团队由领域专家负责安全评分标准，并通过真实会话持续校准评判器，而非只优化总体平均分。
📝 原始笔记（逐字保留）
AgentTrainEvolve1 条
★2 Scene-Designer：智能体驱动的 3D 室内场景生成 Scene-Designer 通过设计与批评经验数据、Critic 引导的 GRPO 训练及测试时反馈，提升 3D 室内场景的物理有效性、功能正确性和布局连贯性。
Scene-Designer 是面向自然语言驱动 3D 室内场景生成的智能体框架，重点学习场景设计和质量批评两类能力。作者构建 Scene-OTA-35K，以 Observation–Thought–Action 轨迹监督设计决策与高效纠错，并构建 Scene-OTC-15K，以 Observation–Thought–Critic 数据训练场景质量批评器。Scene-GRPO 利用 Critic 引导强化学习，减少不必要的试错并改善设计决策。实验显示，该框架在物理有效性、功能正确性和布局连贯性上表现更优，测试时 Critic 指导也能进一步提升生成质量。
- 展示如何将领域设计经验与批评经验联合用于训练 3D 场景生成智能体。
- 为基于 Observation–Thought–Action/Critic 轨迹的数据合成和过程监督提供参考。
- 说明 Critic 不仅可用于强化学习训练，也可在测试时作为反馈模块持续修正场景。
- 为设计能力与批评能力相互增强的闭环智能体训练提供实践路径。
📝 原始笔记（逐字保留）
CodeEvolve1 条
★2 Anthropic 推出 OSS Scanner，免费扫描开源漏洞并生成补丁 Anthropic 推出由前沿红队牵头的 OSS Scanner，为关键开源项目免费提供周期性漏洞扫描、概念验证和补丁生成服务。
网络安全 人工智能辅助编程 软件缺陷修复 安全沙箱 红队测试
Anthropic 上线 OSS Scanner，使用其前沿模型为关键开源项目免费开展周期性深度漏洞扫描，并为可修复问题生成补丁。每项漏洞发现均附带可实际触发问题的概念验证，降低维护者复现与确认漏洞的成本。该服务由 Anthropic 前沿红队牵头，此前已人工复核超过 6000 份漏洞，核心维护者可通过提交 PR 进入快速通道。审计过程运行在断网的 Docker 沙箱中，扫描结果支持 GPG 加密投递，以降低源代码和漏洞信息泄露风险。
- 帮助开源维护者自动完成漏洞发现、复现和补丁生成，缩短安全修复周期。
- 通过断网沙箱与 GPG 加密控制敏感代码及漏洞报告的暴露范围。
- 展示前沿模型在代码安全审计和软件缺陷修复中的实际落地路径。
- 为高成本的开源基础设施安全维护提供免费资源支持。
📝 原始笔记（逐字保留）
AgentEvolve1 条
★2 Lovart 2.0 发布个人设计 Agent「Arti」 Lovart 2.0 推出个人设计 Agent「Arti」，通过长期记忆、设计调研、画布巡检、Skill 自进化和定时委托，将设计 AI 升级为可持续协作的自动化助手。
Lovart 2.0 的个人设计 Agent「Arti」可从作品集、历史项目和对话中提炼用户的审美偏好与工作习惯，建立可编辑的个人记忆库。它能够异步开展全网设计调研，生成带溯源链接的趋势分析、设计建议和情绪板，并通过画布巡检持续检查视觉风格与项目规范的一致性。Arti 支持直接处理画布批注、保留历史版本，并从重复工作中提炼可复用的 Skill，使项目经验能够跨任务持续积累。新增的“设计委托”可按计划自动执行竞品监控、灵感收集和营销内容筹备，并通过试运行、积分上限及执行报告控制成本和风险。
- 为设计类智能体提供“长期记忆＋技能沉淀”的个性化协作范式，减少跨项目重复沟通。
- 将调研、品控、批注修改和版本管理纳入统一工作流，降低设计过程中的协作与监督成本。
- 通过异步委托和周期任务实现长程自动化，同时利用预算上限与执行报告提升成本可控性。
- 展示智能体从单次内容生成工具转向可积累经验、持续演进的个人工作伙伴。
📝 原始笔记（逐字保留）
HumanEvolve1 条
★2 Anthropic初级技术岗位占比降至14%，AI代理工时达人类6倍 Anthropic内部数据显示，AI代理广泛应用在显著提升研发等部门产出的同时，正伴随技术部门初级岗位与招聘占比快速下降。
Anthropic技术部门初级职位占比自2025年初以来由21%降至14%，初级员工在新招聘中的占比由27%降至9%，且2025年12月后初级职位空缺明显减少。到2026年8月，公司内部AI代理工作时长达到人类员工的6倍，研发部门更达到19倍，代码编写和漏洞排查等任务越来越多由Claude承担。AI工具也推动工程师代码提交次数增长5.1倍，并提高数据科学、法务、销售、招聘和财务等部门的产出。Anthropic强调该公司具有AI应用普及度高、业务快速增长等特殊性，相关结果不能直接外推至整体经济，但初级岗位减少可能长期削弱行业人才培养渠道。
- 为评估智能体部署对组织生产率、岗位结构和招聘需求的影响提供企业内部案例。
- 提醒企业在利用AI代理提升效率时，保留初级人才的培训、实践与晋升通道。
- 后续需要结合更多行业和长期数据，区分AI替代效应、业务增长及员工主动采用工具等因素。
📝 原始笔记（逐字保留）
🔥 热点延伸 1 条 · 当日热门但非主要研究方向，仍有启发
这些条目相关性判定为 0~1 分，是有意收录的当日热点；不进入重点与研究项目分组，点击标题展开。
★0 交互式视频生成中的推测采样 该工作通过噪声潜变量填充、预测缓存和增量交付，将大双向窗口的生成质量与小窗口的低交互延迟结合起来。
作者发现，交互式视频生成中常用的小型双向分块虽然可降低响应延迟，但较大的分块能提升视频质量，并更充分地利用 GPU 并行能力。Speculative Sampling 通过追加噪声潜变量扩大双向建模窗口，并在条件不变时缓存和复用预测结果。系统以增量方式交付已确认的预测，同时允许尚未提交的未来内容被替换，从而维持交互性。延迟分析表明，该策略消除了分块边界带来的等待时间下界，使双向窗口大小成为联合优化视觉质量与采样时间的决策变量。
- 为交互式视频生成提供兼顾视觉质量、GPU 利用率与低延迟的采样策略。
- 将系统优化重点从一味缩小生成分块转向加速单个分块的采样过程。
- 支持大型双向视频生成模型用于流式交互服务，无需复杂的流式后训练。
- 可启发利用预测缓存与可替换未来状态设计其他实时生成系统。