搜索
开源项目 Editable Design 结合视觉模型、HTML 代码与持续工作的 Agent，将 AI 生图重构为可编辑的设计文件，使文字可直接修改、图层可独立拖动，仓库展示了 14 组覆盖营销海报、信息设计等 6 类视觉任务的案例。
文章指出当办公Agent深度介入工作后，用户面临工作方式主导权被平台锁定的风险，认为模型开源不等于Agent开源，Agent Runtime开源才是关键，并以DeepSeek发布的Harness和网易有道开源的LobsterAI（含OpenClaw）为例，说明开源Agent Runtime能为用户带来数据主权、可审计性、连续性和可定制性。
AI 正在从一项核心技术，逐渐变成商业软件背后的基础设施。当模型能力持续提升、AI 智能越来越标准化之后，企业真正需要竞争的空间也开始向应用层移动。 a16z 最新发布的一篇报告中，讨论的正是这一变化
三星大模型团队联合牛津大学、北京大学提出TrOPD方法，通过信任域机制让端侧模型更稳定高效地继承大模型推理能力，在数学、代码、指令遵循、STEM基准上全面超越现有OPD方法，为前沿智能以更低成本走向数亿终端提供新路径。
北京大学与易鑫AI Lab合作论文被EMNLP 2026主会接收，提出大模型"读出瓶颈"（Readout Bottleneck）概念，指出模型隐藏状态已编码正确答案却被输出层偏置掩盖，仅用2个无标签参数修正即可在多项推理任务上将准确率从33.3%盲猜水平大幅恢复。
SimpleMemVLA由面壁智能联合华中科技大学等机构提出，将带时间戳的原生视觉历史直接作为机器人记忆上下文，在四项记忆基准取得SOTA并涌现视觉上下文学习能力，同时通过流式推理优化将60秒历史决策延迟从1.02秒降至0.68秒。
紫东太初开源的这个通用多模态大模型 ZDTaichu5.0-9B，简直夯爆了！
灵巧手从 demo 走向真实应用，关键不只是 “会不会动”，而是能否在 noisy depth、稀疏触觉、外力扰动和未见物体下稳定泛化。现有 in-hand manipulation 往往依赖固定物体、定初始位姿或理想传感器。而一旦遇到真实深度噪声、形状变化和接触状态不可见，这些策略就容易退化成近乎开环的 “手指套路”。
继 ICLR 2025 的 PolaFormer 之后，哈工大（深圳）与鹏城实验室合作的扩展版本 PolaFormer++ 近日被 IEEE TPAMI 正式接收。新版本在理论框架、特征映射设计和实验覆盖面上全面升级：首次给出判定特征映射是否具备「降熵尖锐性」的理论判据，并提出极性感知的通道级尖锐（PaCS）特征映射，在六大类视觉核心任务上全面验证了线性注意力的潜力。
AI完成任务之后，还能留下什么？
谷歌，可能已经破解了RSI！
一笔融资、一份技术报告，让一个过去五年鲜少公开发声的团队，逐渐显露出更完整的面貌。
9 月 3 日，OpenAI 正式发布 GPT-6 Astra。在 ARC-AGI-3（一个考验 AI 能否在陌生环境中自主探索、理解规则并规划行动的 Benchmark），Astra 拿下 99.9%，并在 96% 的关卡中达到或超过人类的行动效率基准。
最近Seed-2.1-pro又更新了。
RSI，彻底火了。
真实世界的时间序列，不仅被外部事件冲击，也被人为决策持续重塑。
大模型 Agent 进入浏览器、邮件、数据库和业务系统后，安全评估如果仍只检查最终回复是否包含有害内容，覆盖面会明显不足。Agent 需要规划步骤、读取外部信息并调用工具，风险可能出现在执行过程中的任一环节。
前不久，微信视觉团队开源了WeMM-Embedding。
盼了三个月，今天 Seed-2.1-pro 终于迭代了 图片
43页财报一句话变带图表网页。
在过去的几年里，LLM RL 系统的工作负载发生了巨大的变化。早期的 RLHF 围绕同步训练展开：模型按固定顺序进行生成、打分和训练，每个阶段之间有着明确的同步边界。如今，系统还需要处理异步生成、持续训练、多轮 Agent 以及与外部环境的交互 —— 那些在同步执行中原本隐含的状态、版本和故障边界，现在都必须显式地进行管理。
近期，由斯坦福大学计算机科学博士符梓鹏（Zipeng Fu）联合创立的新团队Reward AI，正式发布通用机器人策略OM-1（Omnibody Model 1），并公布了完整的Omnibody技术栈。
10B参数以内，空间具身能力同档第一的通用多模态大模型来了！
最近几个月，AI 视频赛道开始热起来了： Seedance2.0 发布后，AI 视频进入可用阶段，MiniMax H3 发布后，以 1/4 的价格，把 Seedance 2.0 的成本打了下去，AI 视频成本进入平价时代。
Seedance 2.5 让我这个半吊子的AI视频创作者都能上瘾玩上一个多月，就不用再多余说表现有多强了吧。
具身智能最近又多了一张榜单，而排在第一的，还是一个熟悉的名字：原力灵机 DM0.5。
当大模型已经能够快速生成文案、图片和视频，一个更进一步的问题是：Agent 能否从执行过的任务中积累经验，并在持续交互中改进后续行为？
一个 Agent 第一次没把任务做对。
AI 视频，正在变成一个可以边播、边演、边改的实时系统。
想象一下这个场景：一场多人线上会议，有人说话时画面自动聚焦到发言者；一段综艺素材，后期系统能自动识别谁在讲话并生成字幕；一段监控录像，系统能在人群中持续追踪正在说话的那个人。