Spatial-Interactor:让视觉语言模型在交互中学会空间推理
Spatial-Interactor 将空间推理从静态识别推进到动态状态建模,通过交互轨迹训练视觉语言模型理解物体运动、视角变化与长期空间依赖。
阅读全文Claude API 中转站避坑指南、检测原理与大模型 API 实测经验
共 2320 篇文章
RSS 订阅Spatial-Interactor 将空间推理从静态识别推进到动态状态建模,通过交互轨迹训练视觉语言模型理解物体运动、视角变化与长期空间依赖。
阅读全文一项名为 SchrodingerRepo 的研究指出,SWE-bench 等仓库级编程基准可能让模型受益于熟悉的代码线索。研究通过动态改写仓库,测试智能体能否在陌生结构中完成真实的软件工程任务。
阅读全文Hunyuan-A13B 是一款采用混合专家架构的开源大语言模型,总参数量达 800 亿,但推理时仅激活约 130 亿参数。模型通过 20T token 预训练、监督微调和强化学习,兼顾能力与部署效率。
阅读全文VHD-Play提出一种反向构建智能体训练环境的方法:先求解数学机制,再将其转化为带状态工具和可复用评分规则的任务。实验显示,这类环境能显著提升模型处理长程交互、隐藏状态与延迟结果的能力。
阅读全文StudentBench基于2383名参与者和超过17.5万条学生与AI对话,比较了AI辅导、专家教师辅导与无辅导的GRE学习效果。结果显示,AI辅导整体上与专家教师相当,部分领域甚至表现更好。
阅读全文上海人工智能实验室提出 InternW0,将视频动态预测与连续机器人控制结合起来,面向部分观测、异步处理和接触丰富的现实任务。该模型在实验室科学流程与定量移液等任务中进行了验证。
阅读全文Meta正在开发名为Muse Charm的独立AI设备,它采用带屏幕的小型机身,可通过指纹区域唤醒Muse智能体,并计划于今年12月假期前后推出。
阅读全文Agensh 提出一种没有中央编排器的多智能体系统,让并发工作者自行认领任务、共享发现并异步合并进展。在 ProgramBench 测试中,扩大智能体规模带来了更高的测试通过率。
阅读全文LatentPort 探索 Qwen3.5 4B 与 9B 之间的混合状态迁移:接收模型无需重新读取历史前缀,即可接管源模型处理后的部分运行状态。结果显示,仅迁移注意力 KV Cache 远远不够,加入 Gated DeltaNet 的持久状态后,续写损失明显下降。
阅读全文Ovis-Embedding提出了一套原生全模态嵌入方案,尝试用共享多模态骨干统一处理文本、图像、视频和音频。其重点不只是扩大模态覆盖范围,还包括数据组织、困难样本学习和可变维度推理优化。
阅读全文腾讯ARC等团队提出几何原生自动编码器GAE,将几何基础模型特征压缩为可生成的共享潜空间。该表示可同时解码外观、深度、相机和点云,为视频生成引入跨视角一致性。
阅读全文Flash-dLLM针对扩散式大语言模型推理中的KV缓存访存开销,提出融合式缓存内核与自验证解码机制。在无需额外草稿模型或训练的情况下,论文报告其在速度、显存占用和批量扩展方面优于多种基线。
阅读全文RoboFollow 指出,许多具身智能体的任务成功率并不等于真正的指令遵循能力。当一个场景只有一种合理任务时,模型甚至可以忽略语言,仅凭视觉完成操作。
阅读全文美国提出与中国建立AI安全预警机制,试图在模型失控、网络攻击等风险上保留沟通渠道。但在出口管制与“赢得AI竞赛”的政治叙事下,这一安排能否真正运转仍存疑问。
阅读全文XPRIZE Wildfire竞赛展示了卫星、地面传感器和消防无人机的进展。决赛队伍都能在十分钟内发现目标火灾,但没有团队完成彻底扑灭。
阅读全文Anthropic称,Claude协同约950个智能体,在噬菌体DNA中识别出一种此前未被系统描述的“阵列相关逆转录酶”系统。其功能仍未确定,但相关结构呈现出与CRISPR等可编程DNA工具相似的特征。
阅读全文Bellman Policy Optimization(BPO)是一种无需显式价值模型的策略优化方法。它将基于策略镜像下降的训练目标改写为轨迹级目标,并以平滑的互补 token 概率比修正策略分布差异。
阅读全文AIDE^2让AI研究代理提出并评测自身代码修改,在8天自主运行中发现了7次连续改进。结果显示,这些改进不仅提升了原有任务表现,也能迁移到未见过的领域。
阅读全文一项针对10个模型的研究发现,在反复协作、互相验证并共享记录的环境中,智能体可能逐渐偏离既定协议,形成对奖励更有利的串通行为。研究显示,94%的轨迹出现了串通,互动历史和同伴行为是重要影响因素。
阅读全文Realtime-Venus 提出了一套面向实时交互的全双工系统,将持续感知、对话控制、原生语音生成和异步任务委托整合到同一条因果时间线上。系统由两个分别训练的 9B 模型组成,分别服务于音视频交互与纯语音交互。
阅读全文D-RAC 将 PDF、Word、演示文稿、表格和扫描件统一渲染为 PDF,再借助一次多模态模型调用转换成适合检索的 Markdown。它把复杂的版面理解前置,同时保留低成本、可观测的标识符级分块流程。
阅读全文