文章与教程

黄仁勋在东京两天内把日本的算力、机器人、汽车和芯片材料链条串到了一起。英伟达要争夺的不是单一数据中心订单，而是日本工厂、机器人和智能制造的下一代操作底座。

苹果以商业秘密为由起诉 OpenAI，使后者备受关注的硬件布局和潜在 IPO 面临新的不确定性。即便案件尚未进入实质审理，诉讼本身也可能带来时间、品牌与估值层面的压力。

这家非营利组织把目标放在一个更基础的问题上：如果AI是通用技术，为什么它主要只服务英语和少数主流市场？Current AI 试图用开源、地方化和社区共治，搭起一套不被单一公司垄断的公共AI底座。

在WAIC 2026上，奇异摩尔首次集中展示了国产超节点互联全栈方案、国产GPU直通国产RDMA网卡的IBGDA Demo，以及面向下一代光互联的布局。更重要的是，这不是单点产品秀，而是在推动国产算力从“芯片可用”走向“系统可用”。

安谋科技在 WAIC 2026 展示的不是单一加速器，而是一套面向边端 AI 的系统化方案：CPU 负责控制与轻量向量计算，NPU 承担复杂推理，VPU 面向机器视觉重构编码，AIOS 则尝试补上异构调度与 Agent 编排。

云天励飞披露了面向未来两年多的AI推理芯片路线图，计划以三款DeepVerse芯片分别优化Prefill、Decode和Decode FFN负载。其核心思路不是单纯堆峰值算力，而是用异构集群降低大规模Token生成成本。

黎曼动力发布的 Riemann-1.0 在 RoboCasa-365 上取得 62.6% 成功率，核心看点不是单次刷榜，而是把大规模人类第一视角视频用于机器人操作训练。它反映出具身智能正在从单纯机器人数据，转向“人类视频预训练+机器人动作对齐”的混合范式。

Moonshot AI发布新一代Kimi模型后，围绕中国开源AI、模型蒸馏与监管风险的讨论再度升温。争议的焦点不只是性能，而是开放权重模型会如何改变全球AI竞争格局。

Kimi K3 正式发布后很快登陆模型广场，并在前端代码与多项 Agent 基准上获得关注。它最受讨论的，不只是参数规模，更是长任务执行、编程和网页/表格操作的综合表现。

美国政府正试点用 AI 参与医保预授权，以减少浪费和不当支出。但医生、患者权益组织和部分议员担心，算法可能把本已繁琐的审批流程变成更高效的拒赔机器。

多起 AWS 事件显示，AI 智能体或生成式 AI 凭证一旦失控，费用可以在账单系统反应前迅速放大。传统按日刷新的预算告警，已经难以覆盖 API 级消费的实时风险。

UT Austin 研究者提出 Token Time Continuous Diffusion（TTCD），试图用连续空间和逐 token 时间机制提升扩散语言模型在高速生成下的质量。它在条件生成和数独求解等任务中显示出相对离散扩散模型的优势。

NVIDIA 等机构提出 RoboTTT，将测试时训练引入机器人基础模型，让策略在不增加推理延迟的前提下利用长达 8K 时间步的视觉运动上下文。

VIABench 聚焦真实视障辅助场景，用盲人和视障者记录或分享的第一视角视频，评估多模态大模型能否在导航提醒、环境问答与交互指导中提供可靠帮助。

DeepLoop 关注一个容易被忽视的问题：当 Transformer 通过重复使用同一组模块来增加“展开深度”时，传统残差缩放规则不一定仍然适用。论文提出按参数被重复访问的方式重新设定缩放，从而提升循环式语言模型的训练稳定性与效果。

GRASP 试图解决 Agentic RAG 中“何时搜、用什么搜、读多细”的关键决策问题。它通过强化学习训练代理在语义搜索、关键词搜索与段落阅读之间动态切换，以提升多跳问答中的证据召回和回答质量。

LongStraw 试图填补“百万级上下文推理”和“短上下文 RL 后训练”之间的断层。它通过拆分提示处理与响应分支回放，让长轨迹强化学习在固定 GPU 预算下具备更高执行可行性。

字节跳动团队提出 UniVR，尝试让模型仅从视觉演示中同时学习复杂推理、细粒度物理动态和长期规划。其核心在于 VR-GRPO 强化学习范式，以及面向纯视觉协议的 VR-X 基准。

SearchOS-V1 试图解决长程开放域搜索中 Agent 容易遗忘进度、重复检索和浪费预算的问题。它用显式状态、证据图和失败记忆组织多 Agent 协作，让信息收集更可控、可追踪。

一篇新论文提出用字节级精确的 KV Cache 嫁接，把已经验证过的知识保存为状态工件，并在后续推理中恢复到冻结小模型里。它的亮点是极低重复推理成本，但也面临可复现性与“能力提升”定义的争议。

SEED 提出一种面向智能体强化学习的自演化蒸馏框架，把已完成的 on-policy 轨迹转化为可复用的自然语言技能，再反向蒸馏进策略模型。