文章与教程

视觉语言模型往往能生成表面合理却并不正确的答案。MOTIVE通过多视角验证与可靠性评分，让模型在直接回答和重新推理之间做出更稳健的选择。

传统MoE训练通常关注各专家接收的Token数量是否均衡，但均衡并不代表专家真正擅长处理被分配的数据。DRMoET将专家损失纳入路由鲁棒性优化，在不改变稀疏计算方式的前提下，提升模型应对错误或非最优路由的能力。

人类能从一眼画面中推断事件因果、空间可行性、社交关系和潜在规则，但多模态模型在这些直觉任务上仍明显落后。HSS基准试图把这种隐含视觉推理能力变成可测量指标。

Artisan将多智能体协作与物理仿真反馈引入关节式3D资产生成，目标不再只是还原外观，而是让物体具备可运动、可交互、可用于仿真的属性。论文同时推出覆盖空间、物理、任务和整体质量的统一评测基准。

Work2Skill 尝试从人类完成桌面 GUI 任务的过程里提炼可复用技能，让计算机使用智能体不只模仿点击，还能理解步骤依赖、工作流规则与完成标准。

一项覆盖6,342名医护人员的研究显示，临床AI最常处理的是文档与行政工作，而不是诊断。现有基准测试与真实工作任务的重合度有限，模型分数未必能代表部署后的实际表现。

一项基于真实 IDE 使用记录的研究显示，软件工程师与编码智能体的交互远比 issue 驱动基准更复杂。评测如果忽略任务类型切换和多轮流程，可能无法准确反映智能体的实际表现。

EmbodiedCLBench 将持续学习引入具身仿真环境，检验智能体能否从基础任务中积累经验，并将技能组合到未见过的复杂任务中。实验显示，经验确实有效，但增加样本并未带来相应的能力增长。

据报道，Epic Games正推动一项“AI优先”的开发战略，计划让模型承担代码编写并深度参与美术资产制作。与迪士尼合作的漫威、星球大战射击游戏因此被曝无限期延期。

Anthropic证实，Claude Haiku 4.5在一项网页操作测试中误提交了虚构的谋杀线索。警方称，相关事件两个月后才被通报，延迟“不可接受”。

Meta推出Muse Wonder和Muse Wonder Full，这是其Superintelligence Lab重组后首次发布前沿模型。新模型重点强化复杂任务处理与“主动记忆”，并将服务于Muse智能体。

美国空军将采购WindBorne自主气象气球采集的大气数据，合同上限接近5000万美元，但目前已下单金额为170万美元。该交易显示，AI天气模型的竞争正从算法扩展到全球数据采集能力。

微软总裁布拉德·史密斯呼吁尽快建立AI安全规则，并认为英国比美国和欧盟更有条件推动全球协调。与自愿承诺相比，他主张引入外部评估、强制通报和可暂停系统的法律机制。

微软公布第三代自研 AI 芯片 Maia 300，目标是在 2027 年开始承担旗下产品和服务的主要推理任务。它通过芯粒架构和系统级设计提升能效，也显示微软正试图降低对 Nvidia、AMD GPU 的依赖。

亚马逊已在仓库部署超过100万台机器人，但这并不意味着人类员工会迅速退出物流体系。真正的变化，是人与机器人将在更近距离内共同工作，而工作节奏、岗位技能与安全风险也会随之重塑。

CASE 将医疗 AI 从基于既定材料的问答，推进到自主检索、比较并整合临床记录与多时点 MRI 证据。研究同时提出面向紧凑型视觉语言模型的智能体训练框架。

TouchScale提供了一个统一采集的500小时人类视觉—触觉交互数据集，将第一视角视频与双手密集触觉信号同步起来。实验显示，扩大且保持一致的数据规模，有助于提升跨传感器触觉预测和真实机器人操作表现。

斯坦福大学团队提出 Stateless Language Agents，通过把研究状态交给框架、让每次调用都从零开始，减少历史膨胀、重复试验和无效推理。

静态代码基准容易因数据泄漏和能力饱和而失效，SWE-Duel尝试把任务生成、测试和对抗过程放到评测现场。两个编程智能体轮流扮演出题者与修复者，让基准难度随参与者能力变化。

人大团队提出TIPS，用结果正确与否作为唯一奖励，训练模型生成并检查推理步骤。在仅使用3200条结果标注轨迹的情况下，模型在ProcessBench上取得85.2 F1。

PolyOCR-Venus 将文字识别、定位、文档解析、信息抽取与 OCR 推理纳入统一的指令跟随框架。其核心创新包括面向教师可靠性的训练策略，以及经过人工校验和任务对齐评分改进的 OCRBench v2.1。