2026年AI编程订阅计划采用不同的计费模式，如固定月费、每几小时或每周刷新配额等。本文比较了MiniMax、小米MiMo、GLM、Kimi Code和Canopy Wave五种计划的定价、限制、集成和最佳用例，帮助开发者根据工作流选择最合适的方案。

Thinking Machines Lab 发布了其首个通用开放权重基础模型 Inkling。该模型拥有 9750 亿参数（其中 410 亿激活）、100 万 token 上下文窗口，采用多模态稀疏 MoE 架构，支持文本、图像和音频处理。Inkling 以可定制的开源模型形态，面向多模态推理、智能体、编程、工具使用及企业微调场景。本文详解其架构、训练、基准测试、部署及微调工作流。

提供免费的纽约市LL144和欧盟AI法案合规资源，包括指南、罚金计算器、AEDT范围检查器等工具。涵盖执行时间线、处罚案例、审计要求及关键合规义务。

智能体AI是一种能够自主规划、决策和采取行动以实现特定目标的人工智能系统，代表了从简单回应查询到主动执行任务的重大转变。本文探讨了其定义、发展动力、常见应用、挑战以及基础设施的重要性。

Zlvox AI Humanizer 是一款免费且无限使用的在线工具，利用 Groq Llama 3.3 将 AI 生成的文本转化为自然的人类语言，能够绕过 GPTZero、Turnitin 等检测器。它提供多种人性化级别、写作风格调整、语法修复、改写和摘要功能，支持 ChatGPT、Claude 等所有主流 AI 模型的输出，且无需注册。

Meta监督委员会的一项新研究发现，主流AI系统更倾向于拒绝批评专制领导人，可能成为宣传工具。研究指出，AI模型不仅反映训练数据偏见，还可能延伸国家审查到全球范围。

Inkling是一个开放权重的975B参数多模态模型，专为微调优化，为AI研究和应用提供了强大的基础。

专家警告，观鸟平台上AI增强照片增多，制造虚假目击记录，威胁科学家使用的公民科学数据的可信度。

MemoGuard 是一种轻量级自适应运行时，通过在复用情景记忆前验证拓扑、资源和结果契约，减少通信受限机器人的不安全行为，同时降低对本地推理的调用。

本文提出一种基于模型的解耦策略，利用嵌入在软体拱形段中的流体压力传感器同时实现本体感觉和接触检测。每个段有六个气道，通过分段常曲率模型和Huber回归处理过定系统，实现形状估计和外力接触检测。在单段测试中，相对弯曲误差为0.11±0.02，接触检测率达97%。八个段集成为Air-Helix肌腱驱动软体机械臂，展示了触觉示教、导纳控制和物体重建等应用。

本文提出PACE框架，通过对话引导动态生成个性化、心理上合理的机器人身份，并在Ameca人形机器人上实现。实验表明，相比静态基线，动态个性显著提升用户信任、拟人化感知和交互质量。

该论文研究受动力学约束系统的多目标运动规划，提出基于 Stable Sparse-RRT（SST）的统一算法框架，取代传统代价标量化方法，覆盖字典序优化、约束优化与帕累托前沿近似三类问题，并给出理论保证与实验验证。

本文提出通过优化物理环境布局来提高共享自主系统中目标推断的可靠性，并给出概率正确性保证。实验表明，优化布局能显著减少歧义，提升推断准确率。

这篇论文研究了社会机器人导航中的一个关键错配：现有偏好学习通常假设人类按期望效用评估不确定结果，但行为证据显示人类对风险系统性敏感，会高估罕见的负面事件并表现出损失厌恶。作者在Bradley-Terry偏好学习框架内比较期望效用与累积前景理论，初步实验表明，当偏好由风险敏感用户产生时，基于累积前景理论的学习器能以显著更低的遗憾恢复奖励函数。

该论文提出一种触觉反应式夹爪，集成了视触觉主动手掌（VTAP）与配备触觉阵列传感器的柔性可重构手指。通过结构化指-掌协同与多模态感知，系统在无需高自由度拟人设计的情况下实现了稳健抓取与精细操作，并配套提出分阶段手势条件重定向框架用于灵巧遥操作。

该论文提出了一套使用双组分浇铸法制造软体气动执行器的稳健、可重复且可扩展的工艺，能防止内腔堵塞并确保气密密封。同时，论文介绍了薄片弯曲传感器的嵌入方法，并通过有限元建模、PID气压控制实验和自动图像处理校准进行了验证。在两名操作员和24次成功制造中验证了该方法的可重复性，阶梯和正弦输入实验显示了稳定的角度响应和与粘弹性一致的轻微滞后。

NeuroCommitSSM是一种以决策为中心的框架，用于辅助机器人操作中的安全承诺执行控制。它通过同步脑电图（EEG）、肌电图（EMG）和眼动追踪（ET）预测连续的承诺就绪度分数，并利用滞回滤波转换为离散承诺事件。三状态有限状态机HOLD-ASSIST-COMMIT（HAC）在启动运动前要求同时满足神经模型持续承诺就绪信号和实时感知及机器人状态可行性。在32名受试者、五项日常生活活动任务中，NeuroCommitSSM达到0.950的动作平衡准确率，每1000个REST窗口仅0.75次误承诺事件，并在传感器缺失下保持低误承诺和稳定状态转换。硬件在环验证显示可行性检查执行减少了误启动和决策不稳定。

小米机器人团队提出 Xiaomi-Robotics-1 基础视觉-语言-动作模型，基于超 10 万小时真实操作轨迹预训练，并采用自动标注流水线将轨迹片段转化为自然语言状态转移描述。该模型在 RoboCasa365 上以 57.6% 成功率刷新纪录，在 RoboDojo 上平均分达 20.07，显著超越此前最优结果，代码与模型检查点将开源。

该论文提出SeqGeo-VL数据集（约3.9万视频-文本-卫星三元组）和TrajLoc统一框架，可同时处理视频片段与路线描述，并引入TrajMod模块利用轨迹几何信息增强查询嵌入，在视频和文本地理定位任务上显著优于现有方法，已被ECCV 2026接收。

这项研究探讨了在乳腺筛查AI中，将异常富集的外部数据集与筛查数据集合并是否会提升性能。结果表明，合并外部阳性病例反而会降低模型性能，且模型几乎能完美区分数据来源，表明数据集特异性的特征引入了域偏移。

一项新研究显示，卷积神经网络（CNN）难以有效提取方向特征。研究人员将包含紧凑方向特征及置信度的复数结构张量（Complex Structure Tensor）作为CNN输入，在眼周生物识别任务中显著提升了识别精度，并将等错误率（EER）降低5%至26%。

GS-RealBlur提出一种兼顾模糊真实性与采集灵活性的数据采集框架：用手持相机拍摄模糊图像，用云台密集拍摄同一场景的清晰图像，重建清晰图像的3D表示并在其中标定每帧模糊图像的相机位姿，再按位姿渲染出对应的清晰图像。为提升渲染图像与模糊图像的对齐精度，作者引入模糊感知位姿细化（BPR）模块，利用外观一致性和质心对齐约束细化位姿。基于该框架构建的高质量多样化数据集训练的模型在多个真实世界去模糊基准上展现出更优的泛化性能，持续优于使用现有合成和真实数据集训练的模型。代码和数据集将公开。

该论文提出一种隐私保护框架，用无监督关键点与预测性时间建模替代RGB传输来检测跌倒。通过随机、受试者隔离和遮挡三种数据划分，作者比较了监督关键点与无监督关键点。结果显示，标准随机划分会掩盖真实差异；在受试者隔离条件下监督关键点整体占优，但在遮挡场景中它会漏检近半跌倒，而无监督关键点仍保持较高灵敏度，并在带宽受限时优势更为明显。

使用部分信息分解（PID）框架在训练前选择最优的MRI对比度组合，以降低多对比度3D MRI脑肿瘤分割的计算成本。研究选取T1c+T2-FLAIR作为最佳输入对，在轻量级3D U-Nets上表现接近全输入配置，平均Dice 0.676 vs 0.687，验证了PID的实际价值。

多模态大语言模型（MLLMs）能够从自然语言查询中定位整个物体，但在查询指定部件而非物体时表现不佳。本文提出物体-部件层次化反射式定位（OP-HRG），一种由粗到细的推理引导定位策略：先定位父物体，再锁定其中的部件。自检步骤会反思结果，并扩展为重新编码预测裁剪区域以检查纠正的区域。我们引入部件感知的GRPO框架，通过阶段奖励训练该流程。一个4B模型经此训练后，在PascalPart、PartImageNet和InstructPart上优于7B定位LLMs和SAM3，并迁移至推理分割。

一篇新论文提出完全无需训练、3D标签或少样本支持的开放词汇3D点云分割方法。该方法结合冻结的3D视觉语言模型与冻结的可提示概念分割器，通过跨视图一致性协调两者。在ScanNet200上，新类mIoU提升2.6，同时保持基类精度；在ScanNet++上，新类mIoU接近翻倍（从16.2升至31.9）。

AI生成视频（AIGV）通常包含帧间不一致导致的细微时间伪影。然而，使用标准全局读出层的视频骨干网络在AIGV检测中往往不如强图像预训练探测器。本文提出Velocity Gated Patch Velocity Profiling（V-PVP），一种轻量级读出模块，仅替换聚合层，增加约0.5M可训练参数，在AIGVDBench上达到95.28 AUC，且骨干网络完全冻结。

一项对比研究在三个数据集（FER-2013、CK+ 和 KDEF）上评估了 HOG+SVM、LBP+逻辑回归以及轻量级 CNN 用于面部表情识别的效果，发现 CNN 整体表现最佳，HOG 在受控环境下表现强劲，而 LBP 在所有数据集上都表现不佳。

研究者提出前瞻性假设发现（PHD）任务，并推出包含988个案例的HypoArena基准，用于评估大语言模型在结论未知时构建可验证假设空间的能力。对15个前沿模型的实验显示出明显的性能分层，且结构化分析技能对不同模型效果不一。

本文提出BIRD，一种两阶段自我推理蒸馏方法，通过先采样简洁解并进行提示切换SFT，然后应用在线逆KL蒸馏，显著提升了大语言模型在长链推理中的效率。在Qwen3-8B上，MATH-500准确率从86.2%提升至92.0%，同时响应长度从3099降至1115 tokens。