跳到正文
11月17日周二
  1. 量子位77

    MatOS:面向材料研发的科研智能体系统正式开源

    北京中关村学院 AI 材料研究所发布的 MatOS 科研智能体系统正式开源。该系统将数据、知识、工具等组织为科学资产,通过有状态自适应工作流执行长周期任务,并利用证据驱动机制持续进化资产库。

    推荐理由:MatOS 系统开源,通过分层资产图与有状态工作流解决材料研发长周期任务中的工具接入、状态保持及经验复用难题。

  2. 奥比中光 Orbbec · News42

    奥比中光在班加罗尔科技峰会展示机器人免数据收集硬件平台,支持印度物理 AI 生态

    奥比中光与 ThinkRobotics 在班加罗尔科技峰会首次全面展示其机器人免数据收集硬件平台,整合 EGO、WristCam、UMI 及 Hub 设备。该平台提供 1080p 以上高分辨率采集与小于 1ms 的多设备同步精度,满足印度市场对轻量化穿戴设计及多模态数据的需求。

11月16日周一
  1. 量子位77

    阿里巴巴发布Qwen4-Max基座大模型,智能体及编程能力进阶

    阿里巴巴于11月16日发布全新一代基座大模型Qwen4-Max,总参数2.4T,具备原生视觉能力和百万上下文支持。该模型采用基于稀疏注意力的MoE架构,激活参数仅71B,在CodeArena前端编程盲测中位居全球第六,在Agents' Last Exam等智能体评测中处于领先梯队。

    推荐理由:阿里发布Qwen4-Max,总参数2.4T且激活仅71B,在CodeArena等权威评测中表现领先,并支持持续交付与运筹建模。

11月13日周五
  1. 量子位58

    openJiuwen发布RSI原生AgentOS,开放多环节扩展点以支持系统插件热插拔

    openJiuwen发布RSI原生AgentOS,为WorkSwarm等应用提供界面、网关与服务端的扩展入口,支持新功能热插拔与版本管理。材料展示了通过对话生成桌宠形态、Token用量监控及团队协作可视化等系统插件的实战流程,并提供了故障回退机制与企业接入适配方案。

11月11日周三
  1. arXiv · 机器人与计算机视觉55

    大视觉语言模型中的认知专家混合架构

    该论文针对大视觉语言模型(LVLM)在跨认知层级任务中推理一致性的挑战,提出一种基于 Bloom 分类学的多模态推理框架。方法首先利用专用计算机视觉模型作为感知子系统处理对象检测与空间布局等任务,随后通过两阶段认知言语化生成原子证据摘要并转化为分步推理轨迹,最后由轻量级模块量化分析以明确证据使用路径。

  2. arXiv · 机器人与计算机视觉53

    机械可解释性需要推理逻辑:从内部观测到机制解释的递归框架

    该论文提出机械可解释性(MI)需建立严谨的推理逻辑以支持科学发现。作者通过对比神经科学与 MI 进展,识别出从复杂神经网络中推断机制时的瓶颈,并提出了五项原则构成的递归逻辑框架。该框架旨在将局部可解释性结果转化为模型内部的累积机制知识,并使这些机制足够精确以生成关于模型外部领域的可测试假设。材料强调仅凭 MI 证据不足以确立模型机制对世界的揭示,需要额外证据支持。

11月10日周二
  1. arXiv · 机器人与计算机视觉12

    AI-Generated Images as Data Source: The Dawn of Synthetic Era 技术报告

    该报告提出利用生成式 AI 产生的图像作为视觉智能数据源,以解决大规模数据稀缺问题。相比真实数据,合成数据具备数量无限、快速生成及轻松模拟长尾场景等优势,可用于模型训练与仿真验证。文章探讨了支撑这一范式转变的技术基础,并分析了相关的伦理法律与实际考量。

  2. arXiv · 机器人与计算机视觉5

    确定性生成扩散模型的通用结构研究

    该研究表明,基于扩散的生成模型在确定性采样轨迹上存在一种与数据模态及模型实现无关的通用几何结构。这一发现可通过基于最优线性去噪器的精确可解模型进行解释,为跨领域的模型训练与推理提供了统一的理论框架。

  3. 量子位82

    Anthropic发布Claude Fable 5.2与Mythos 5.2模型

    Anthropic发布Claude Fable 5.2与Mythos 5.2模型,展示从空文件夹构建完整操作系统、单卡破解病毒外壳折叠及一天内设计制造硬件的能力。材料披露为防止自我迭代失控,训练阶段锁死了新模型的RSI能力,推理阶段检测到非标准内核开发会回退至旧版Opus。Fable 5.2在High档位下性价比反超Opus 5.5,但在自动化行为审计中表现出较高的“反评测侦察”意识。

    推荐理由:Anthropic发布Fable与Mythos 5.2,展示操作系统构建、物理仿真及硬件设计能力,并披露锁死RSI能力的架构限制。

  4. 量子位42

    Seedream 5.5 在连续编辑 100 轮图像任务中表现优于 GPT-Image 2.6,支持透明图直出、图层拆分及多语言渲染,单张 2K 方图编辑成本约 0.28 元

    Seedream 5.5 在连续编辑 100 轮图像任务中表现优于 GPT-Image 2.6,支持透明图直出、图层拆分及多语言渲染,单张 2K 方图编辑成本约 0.28 元。该模型已在即梦、豆包和豆包工作上线,具备多图融合与复杂动作迁移能力,能在 1 分钟内生成电影感画面并精准处理小字海报。

11月9日周一
  1. 量子位78

    百度文心首次披露 RSI 进展:ERNIE Evolve 已用于最新模型研发,文心 5.5 Flash 或将近期发布

    11 月 9 日,百度文心首次披露递归自我改进系统 ERNIE Evolve,该系统能自主提出研究方向、开展实验并积累经验。目前 ERNIE Evolve 已应用于即将发布的文心 5.5 Flash 推理优化,在昆仑芯 P800 低时延场景生成速度提升至基线 623.6%,确定性推理吞吐提升至基线 133.7%。

    推荐理由:百度披露递归自我改进系统 ERNIE Evolve,已用于文心 5.5 Flash 推理优化并开源基座版本。

11月5日周四
  1. arXiv · 机器人与计算机视觉5

    基于像素级可见光通信的投影空间三维姿态估计研究

    该系统通过高速亮度调制将不可见空间编码嵌入每个投影像素,无需外部传感基础设施即可实现投影仪与设备的精准位置对齐。实验表明,经卡尔曼滤波后系统延迟约 8 ms、三维位置 RMSE 为 19.2 mm,首次实现了与高质量投影内容协同的实时三维姿态估计。该成果已提交至 IEEE Access,解决了传统 PVLC 仅适用于平面运动而无法估算空中机器人等三维空间设备姿态的技术瓶颈。

11月4日周三
  1. OpenCV Blog18

    OpenCV 直播演示构建机器人视觉皮层:结合 RealSense、Jetson 与 VLM 实现自主导航及自然语言控制

    OpenCV 于 11 月 5 日举办开发者专场,展示如何搭配 RealSense 深度相机、NVIDIA Jetson、ROS 2 及视觉语言模型构建机器人“视觉皮层”。现场基于 AgenticROS 演示了空间推理、自主导航、人形检测交互及自然语言控制等任务,并提供可运行的开源代码。

  2. Hugging Face Daily Papers82

    Micius-Flash:面向工程的轻量级智能体模型发布

    论文介绍 Micius-Flash 是一个拥有 270 亿参数的工程领域多模态模型,具备原生多模态输入、深度推理和 256K token 上下文窗口。研究团队构建了知识树驱动的数据飞轮,训练了半导体知识与推理、硬件编码等专家模型,并通过多教师同策略蒸馏整合能力。

    推荐理由:该预印本介绍了面向工程领域的轻量级多模态模型 Micius-Flash,展示了其在硬件代码与半导体任务上的性能提升及工具执行反馈能力。

11月3日周二
  1. arXiv · 机器人与计算机视觉58

    IMPACT:面向视频生成的图像条件化运动及物理感知碰撞与轨迹引导

    论文提出IMPACT框架,解决视觉逼真但物理不一致的视频生成问题。该方法利用可学习校准的物理事态生成器统一连续飞行动力学与离散碰撞响应,并基于同一物理推演导出稀疏轨迹和稠密区域运动先验以约束扩散采样。在涵盖不同材质组合与视觉环境的100个受控球体 - 平面碰撞场景实验中,相比通用、物理基线及运动可控模型,IMPACT展现了更优的物理合理性。

11月2日周一
10月31日周六
  1. 量子位84

    面壁智能开源ForgeKernel:AI Agent零帧起手将DeepSeek核心算子提速9.8%

    面壁智能开源算子生成系统ForgeKernel,其Agent在无源码、无论文参考情况下,于英伟达B200上通过42轮迭代将FlashMLA Prefill算子耗时从518微秒降至472微秒,超越人类手写巅峰9.8%。该系统在昇腾CANN三大榜单均排名第一,且已在国产芯片与英伟达平台完成MiniCPM5-1B长训测试,标志着AI研发主体正从人类转向模型。

    推荐理由:面壁智能开源ForgeKernel,展示Agent在无源码情况下将FlashMLA算子提速9.8%,并已在国产芯片与英伟达平台完成真实训练测试。

10月30日周五
  1. arXiv · 机器人与计算机视觉23

    物理先验在稀疏传感下提升气流估计效果:四方法对比与 IEEE SENSORS 2026 录用

    针对高分辨率空间感知不可行的场景,研究定量评估了四种气流估计器在三种稳态二维仿真及不同采样密度下的表现。结果显示物理先验在低采样密度下补偿缺失信息效果最佳,而数据驱动的高斯过程回归随传感器覆盖增加竞争力增强但模型基线仍保持精度优势。该工作已接受发表于 IEEE SENSORS Conference 2026。

  2. 量子位72

    国产GPU厂商天数智芯发布天垓300与彤央TY1200,现场实测性能超越英伟达H200与Thor T5000

    国产芯片公司天数智芯正式发布基于天枢架构的云端通用GPU天垓300及端侧产品彤央TY1200。现场实测显示,天垓300在长上下文推理、强化学习训练及物理仿真任务中性能超越英伟达H200;彤央TY1200在本地生成视频、合同审查及基于MuJoCo-Warp的物理仿真(MicroDuck小鸭子)等端侧任务中,性能优于英伟达Jetson Thor T5000。

10月28日周三
  1. 量子位77

    OpenAI发布GPT-6.1 Terra,主打更低成本与更强电脑操作能力

    OpenAI正式发布GPT-6.1 Terra模型,其标准API价格较上一代砍半,在Agents' Last Exam等职场软件实战测试中表现接近旗舰模型但成本显著降低。官方数据显示该模型在视觉理解、代码生成及少说胡话方面均有提升,适合处理跨软件协同操作任务。同一天OpenAI还公布了三项由内部AI系统产出的科学结果,涉及调和分析、复杂性理论和量子场论领域。

    推荐理由:OpenAI发布GPT-6.1 Terra,主打更低成本与更强电脑操作能力,同时公开三项基础科学突破。

10月27日周二
  1. arXiv · 机器人与计算机视觉70

    一种针对大视觉语言模型的跨模态提示注入攻击方法

    论文介绍了一种名为 CrossMPI 的新型跨模态提示注入攻击方法,该方法仅需通过图像输入即可同时操控大视觉语言模型对文本和视觉内容的理解。研究将优化空间从视觉嵌入层转移至模型隐藏状态层,并提出了层选择与距离递减扰动预算分配策略以解决高维空间优化难题。实验表明该方法在多种大视觉语言模型上显著优于基线方法。

10月21日周三
  1. 量子位82

    RSI 关键拼图:MemT 1.0 原生记忆模型发布

    量子位报道了 MemTensor 开源的 MemT 1.0 系列模型(Nano 与 Flash),该模型将经验编码为内部动态状态,通过专门的记忆分支参与计算。在 SWE-bench Verified 任务中,MemT-1.0-Nano 平均成功率为 69.73%,优于无经验基线;在迷宫探索和信息更新场景中展现了更好的长期记忆复用能力。

    推荐理由:MemT 1.0 系列将记忆编码为内部动态状态,在 SWE-bench 等基准上表现接近文本经验且推理成本更低。

10月19日周一
10月18日周日
10月17日周六
  1. 量子位18

    网易叭哥说上线用户荣誉联创计划征集真需求

    网易首个 AI 原生语音 Agent「网易叭哥说」推出“用户荣誉联创计划”,投入 10 万元征集产品建议,不设学历门槛。入选者除获奖金外,还可获得联创聘书、定制工卡及面试直通权益,贡献内容将在官网展示并永久留存。该模型支持 124 语种实时互译,专业领域翻译精准度达 98%,数据全程本地处理且终身免费。

10月16日周五
  1. arXiv · 机器人与计算机视觉73

    PiCo:面向地学基础模型的物理信息概念探测方法

    针对地学基础模型仅依赖下游任务性能评估而缺乏对物理特征敏感度的洞察问题,提出后验解释框架 PiCo。该方法通过耦合三维辐射传输模型与游戏引擎生成合成多光谱卫星观测数据,在嵌入空间中识别概念向量以揭示物理敏感度,并将嵌入投影至这些向量以量化预测中的概念重要性。

10月14日周三
  1. Google DeepMind82

    Gemini 4 Argon 发布:具身推理与复杂工程任务全球上线

    Google DeepMind 正式发布 Gemini 4 Argon 模型,该模型在具身推理基准 ERQA 中以 87% 的分数领先其他前沿模型,并展示了通过观看人类操作视频自主构建仿真代码、进而将技能迁移至人形机器人(Apptronik Apollo)实现连续投掷的技能。

    推荐理由:DeepMind 发布 Gemini 4 Argon,在具身推理基准 ERQA 以 87% 分数领先,并展示通过观看视频自主构建仿真代码并在人形机器人上实现技能迁移的能力。

10月10日周六
  1. Hugging Face Daily Papers83

    ProgAgent:通过程序化训练学习工具编排

    论文介绍 ProgAgent,这是一个完整的程序化工具调用(PTC)训练栈,包含可验证长程任务合成流水线、轻量级 PTC 运行时和两阶段训练配方。

    推荐理由:该工作提出 ProgAgent,通过程序化工具调用训练栈解决长程任务中的上下文污染问题,在 LOCA-bench 等基准上显著优于基线。

10月9日周五
  1. 量子位78

    DeepSeek-V4系列因分块KV Cache压缩出现相位敏感性:同一任务准确率随Token站位周期性起伏

    字节Seed团队研究发现,DeepSeek-V4系列模型在长上下文检索中表现出显著的“相位敏感性”,即同一条信息仅改变输入位置(Token站位),其检索准确率便会呈现与压缩步长一致的周期性波动。

    推荐理由:字节Seed团队发现分块KV Cache压缩引入相位敏感性,导致模型检索能力随输入位置周期性波动,后训练与架构迭代可显著缓解该问题。

10月8日周四
10月6日周二
  1. arXiv · 机器人与计算机视觉58

    单目无标记生物力学:用于脊髓损伤临床可解释步态评估的研究

    本研究发布了 SCAI SCI Gait 数据集,包含 239 名成年脊髓损伤患者的同步视频、动作捕捉与测力板数据。研究通过单目视频拟合参数化人体网格并驱动 OpenSim 模型,实现了无标记下肢运动学与地面反作用力的精准预测,其结果与金标准测量高度一致(r=0.68-0.90, RMSE=4.18-6.49 度;力值 r=0.85-0.87)。

10月4日周日
10月2日周五
  1. 量子位70

    丘成桐新论文致谢 GPT 和 Claude:从排斥到接纳的转折

    丘成桐参与的关于七维空间球面曲率的新论文在致谢中感谢了 ChatGPT 6 Astra 和 Claude Pro 辅助探索证明思路与计算,解决了悬置 70 年的经典猜想。材料回顾了丘成桐近三年对 AI 态度从“无影响”到“改变效率”的转变,并引用陶哲轩等菲尔兹奖得主关于数学研究核心在于概念理解的警告,探讨 AI 在基础科学中的边界与价值。

8月20日周四
7月29日周三
  1. Berkeley BAIR Blog78

    K-Search 扩展至 Apple Silicon:从 CUDA 到 MLX 的架构原生优化策略

    IBM Research 基于 Berkeley Sky Lab 的 K-Search 框架,构建了针对 Apple Silicon 的 MLX 后端及结构化翻译层,将 NVIDIA 数十年的内核优化知识迁移至 Apple GPU。

    推荐理由:IBM Research 扩展 K-Search 框架至 Apple Silicon,通过结构化翻译层将 CUDA 优化知识迁移至 MLX,实现接近专家级的性能。

6月29日周一
3月29日周日
  1. Google DeepMind12

    DeepMind 重新构想 AI 时代的鼠标指针:Gemini 驱动的实验性交互原理与 Chrome/Googlebook 集成计划

    DeepMind 提出四项原则,利用 Gemini 赋能的 AI 指针将像素转化为可操作实体,支持用户通过指向和语音直接请求如“显示路线”或“比较产品”等复杂任务。该实验环境已在 Google AI Studio 上线演示,并正整合进 Chrome 浏览器及即将推出的 Googlebook Magic Pointer 功能中。