模型

SpaceXAI 于 2026 年 7 月 15 日开源了 Grok Build，这是其 grok CLI 背后的终端 AI 编码代理。源代码以 Apache 2.0 许可证发布，包含代理循环、工具调度、TUI 和扩展系统，但 Grok 4.5 模型保持闭源，且不接受外部贡献。

VaultCharts是一款免费的桌面交易应用，结合了图表工具与AI助手。它支持多种AI模型，以本地优先为特点，用户可以在有或没有AI辅助的情况下分析市场。

本文提出了一种名为HRO的层级房间到物体框架，利用大型语言模型（LLM）实现零样本目标导航。与现有方法不同，HRO模仿人类从房间到物体的层级空间认知，引导智能体由粗到细地探索未知环境并定位目标物体。实验结果表明，HRO在Gibson和HM3D数据集上取得了更高的成功率和更好的泛化能力。

提出一种基于ROS-Unity的多模态遥操作架构，利用3D高斯泼溅技术生成无遮挡的外部视角，并通过躯干振动触觉套装提供直观的接近提示。在30名受试者参与的实验中，该框架在严重通信延迟下表现出显著的性能优势，fNIRS结果显示其能维持操作者的执行控制能力，避免认知负荷过载。

研究人员提出了一个层次贝叶斯生成模型，将恐怖谷效应转化为数学设计变量。该模型通过四类变量（偏离预测机器人类别均值、跨模态人类相似性不一致、预测不确定性、观测不确定性）解释类别模糊和感知不匹配导致的亲和力下降。实验表明，增加观测不确定性可减弱中间相似度下的熟悉度下降，而低预测不确定性则提升机器人外观的评分。该框架为算法评估和优化人形机器人外观与行为提供了计算基础。

HRIBench 是一个专注于人机交互协作的基准测试框架，通过结构化场景脚本模拟代理角色、时间依赖和协调约束，评估机器人在协作中的意图理解、同步、协议遵守和安全交互能力。实验表明，现有基础机器人策略在协作场景中表现不佳，但在 HRIBench 上微调后可显著提升。

本文提出了AffectFlow-DINO，一种用于第11届ABAW挑战赛的多任务学习系统。它通过条件整流流头部模型来模拟自然场景下面部行为的固有歧义，实现不确定性感知的一对多预测。系统联合估计连续效价-唤醒度、分类八种面部表情并检测十二个动作单元。实验表明，整流流解码持续改进确定性预测，后验阈值校准有效恢复罕见类别的性能，最终模型显著超越官方基线。

本文提出JITOMA框架，通过即时按需记忆激活解决传统3D场景图构建中的感知饱和问题。该框架利用任务热图过滤观测、大型语言模型按需唤醒相关锚点，显著降低计算开销，并在长时域任务切换中保持稳定性能。同时发布JITOMA-Bench评估基准。

提出了一种结合主动学习和双损失优化的人机协同知识获取框架，用于腹腔镜视频中的器械分割标注。该方法利用基础模型生成时序一致的类激活图，通过弱监督损失和图像级掩膜损失训练，迭代提出伪掩膜引导专家修正。最终将标注工作量减少50%，无需初始密集像素标注，提升可扩展性。

一项新研究系统比较了自监督学习中的两种训练范式：预训练后微调（PFT）和联合训练（JT），发现JT在数据效率和低标签设置下表现更优，而PFT在专门领域更可靠。

MGFace是一种创新的掩码门控人脸识别管道，通过预测查询人脸是否佩戴面罩，有条件地路由相似度计算：对未遮挡人脸使用全局嵌入匹配，对戴口罩人脸激活掩码感知的局部区域重排序。该方法在扩展LFW-Mask数据集上，利用FaceNet骨干网络达到80%以上识别准确率，使用ArcFace骨干网络超过90%，相比基于EMD的重排序方法，查询时间减少约20倍。

提出了一种基于Transformer掩码自编码器的无监督钢表面缺陷识别方法。在预训练中随机掩码75%的图像块，轻量级解码器从可见的25%重构掩码区域，并联合训练辅助缺陷定位目标。解码器达到SSIM 0.92、MSE 0.47，聚类后对六类缺陷的匈牙利匹配准确率达91.3%。

Boogu-Image-0.1是一个开源统一多模态理解与生成模型家族，包含Base、Turbo、Edit和Edit-Turbo变体。它在高品质文本到图像生成、快速推理、基于指令的编辑以及双语文本渲染方面表现出色。尽管计算预算有限，但通过模型理解、数据质量和训练流程的针对性改进以及推理时扩展，其性能可媲美甚至超越其他开源模型，接近领先的闭源系统。该模型仅使用2.0862亿张独特图像，基础模型理论训练成本约40万美元。

本文提出Samba，一种混合曼巴架构，用于视听导航。它采用自适应选择的曼巴状态编码器（M-SE）替代传统GRU进行时间聚合，并构建音频曼巴编码器（AME）以克服卷积算子在全时频依赖捕捉上的局限。在Matterport3D数据集上，导航成功率提升11.3%，在Replica数据集上表现更优。该工作以更低计算成本实现更强具身表征，为视听导航范式演进提供了稳健技术路径。

知识追踪（KT）旨在通过建模学生历史交互中的动态知识状态来预测其未来表现。现有方法通常将原始交互序列视为统一行为过程，忽略了学习行为的阶段性。本文提出相位感知知识追踪（PAKT），将学生交互分解为能力和熟练度阶段，并设计多分支Transformer联合捕获阶段特定和整体知识状态。在六个基准数据集上，PAKT最大AUC提升1.33%，平均提升0.82%。

该研究将何时调用大语言模型（LLM）的问题形式化为基于风险的序列停止问题，并证明了六个理论结果，包括最小事件间隔时间、阈值策略的最优性以及遗憾界。在涡扇退化数据上的实验表明，异常得分驱动的风险函数在Pareto AUC上比基线方法高出一个数量级。

针对参数分解（PD）在大模型上计算成本高的问题，研究者提出定向参数分解（tPD），通过引入高秩“全能”组件仅处理目标输入，从而高效识别特定计算电路。实验表明，tPD在4块Transformer上仅用7%的浮点运算量即可提取CSS子模型，并在12块Transformer上精准消融和重写记忆序列，副作用极小。论文被ICML 2026可解释性研讨会接收。

提出了一种轻量级训练策略，通过解耦特征提取与分类器优化，大幅减少训练时间和能耗，在多种架构和医学数据集上仅牺牲微小的准确率。

小型语言模型在零样本分子属性预测中表现不佳，因为它们忽略了图拓扑信息。本文提出了一种上下文增强提示框架，通过图神经网络工具提供预测提示和解释性子图，在MUTAG和Tox21数据集上实现了高达74%的相对改进，但仍与专用GNN模型存在差距。

本文综述了自我改进型自主代理的研究进展，提出了一个系统级框架，将现代代理视为基础模型与操作支架（包括提示、记忆、工具和控制逻辑）的耦合。在此框架下，自我改进被形式化为一种自我驱动的更新算子，可更新模型参数或支架组件。文章按更新目标和驱动信号对现有工作进行分类，并讨论了应用、评估以及未来方向。

大型语言模型生成的思维链推理看似逻辑严谨，但实际上可能并未真正依赖其所述的前提。本文提出一种干预式基础审计方法，通过替换单个前提中的目标谓词，重新运行模型，并检查推理步骤的标准化结论是否改变，从而在步骤级别测试前提依赖。在ProntoQA基准测试中，该方法在检测证明树依赖方面的F1分数达到0.806，显著优于自一致性基线。此外，66%的正确解决问题中存在至少一个对齐步骤对直接证明树依赖不敏感，揭示了“答案正确但推理错误”的信号。

研究人员提出SPINE，一种智能体框架，可自动调试和部署双臂机器人，减少专家校准依赖。测试中，SPINE提高了成功率并缩短了遥操作时间。

MIT与多家机构的研究人员开发了一种名为GIFT的自动化框架，能够帮助视觉语言模型更准确、更高效地生成CAD程序，从而将二维设计转化为三维模型。该方法通过分析模型自身的错误来生成改进数据，大幅降低了计算成本，为快速原型制作和工程设计提供了有力工具。

xAI 的 CLI 工具 grok 因会上传整个目录至 Google Cloud 而引发隐私争议，随后 xAI 开源了整个 Grok Build 代码库，并承诺删除所有已上传数据。该代码库包含 844,530 行 Rust 代码，其中包含系统提示词、Mermaid 图表渲染器以及从其他编码代理移植的工具实现。

米拉·穆拉蒂创立的Thinking Machines Lab今日发布了其首个基础模型Inkling，这是一款完全开放权重的巨型模型，拥有9750亿参数（混合专家架构，活跃参数410亿）。该模型经过45万亿token的文本、图像、音频和视频训练，原生支持多模态输入但仅输出文本。Inkling旨在填补西方开源AI生态的空白，提供中国模型的替代方案。它具备'思考努力'控制和不确定性标记功能，可减少幻觉。开发者可通过Tinker API进行微调。Thinking Machines计划通过Tinker平台收费，而非按API调用计费，这可能颠覆当前主流AI商业模式。该模型在九个月内完成开发，使用英伟达GB300 NVL72系统训练。

思考机器实验室于2026年7月15日发布了其首个从头训练的模型Inkling，采用Apache 2.0开源协议。该模型总参数量9750亿，活跃参数410亿，支持100万token上下文窗口，可处理文本、图像和音频输入。其核心差异化优势在于可控制的思考力度，用户可根据需求调整推理时的token预算，平衡成本与性能。

NVIDIA发布了基于Thor架构的T3000和T2000模块，专为大规模机器人与边缘AI应用设计。T3000提供865 FP4 teraflops算力，尺寸和功耗仅为T5000的一半；T2000提供400 FP4 teraflops。新模块支持可扩展边缘AI平台，并引入智能体技能实现内存优化。同时推出Cosmos 3 Edge模型，适用于实时视觉分析。开发者可通过模拟模式立即开始开发，模块将于2027年Q1上市。

根据VentureBeat Pulse Research对101家企业的调查，企业代理编排正在向模型提供商平台集中，Anthropic的Claude以40%的使用率领先。然而，大多数部署的“代理”仍是简单的聊天机器人包装，真正的多步骤编排工作流仅占少数。企业预计到2026年底采用混合控制平面以避免供应商锁定，但实时成本控制仍不成熟。

德国研究联合体发布了Soofi S 30B-A3B的预训练报告，这是一个面向德语和英语的开放基础模型。模型采用混合Mamba-Transformer MoE架构，总计约316亿参数，每次token激活约32亿。在完全开放的基础模型中，Soofi S在英语和德语综合得分上最高。

谷歌研究团队在ICLR 2026发表论文，从数学上证明扩散模型的创造力源于神经网络训练中的“分数平滑”效应，使得模型能够在训练数据点之间插值，生成新颖且合理的样本。

在一次黑客事件中，AI音乐生成器Suno的训练数据被曝光，显示其从YouTube Music、Deezer和Genius等平台抓取了数百万首歌曲和歌词。这加剧了针对Suno的版权诉讼，该公司承认抓取但辩称属于合理使用。黑客还获取了客户信息，但Suno声称安全事件已得到控制，未泄露敏感数据。

一个研究团队成功利用分布在四个国家的14台Mac电脑（包括一台个人MacBook）进行强化学习后训练，在PaperSearchQA任务上将pass@1从29%提升至63%。该系统通过PULSE权重同步技术实现90MB的增量更新，并采用异步星型拓扑结构，所有通信基于对象存储，无需专用网络。这是首次完全使用消费级Mac进行rollout生成的RL后训练。

Tura是一个本地开源编码代理，通过在DeepSWE v1.1基准测试中使用宏CLI命令和反向推理，相比Codex CLI High，将LLM调用次数减少80%，同时成功率从60%提升至80%。

研究人员发现Claude的web_fetch工具存在漏洞，允许攻击者通过嵌套链接诱导AI泄露用户私人记忆中的敏感信息，如姓名、位置和雇主。Anthropic已修复该漏洞，但未支付漏洞赏金。

韩国研究人员利用生成式AI模型Generative SNUPI，能够将用户绘制的形状自动转化为可折叠的DNA纳米结构，大幅简化了传统DNA折纸技术繁琐的设计过程，为纳米机器人和医疗应用开辟新途径。

AI-CLI是一个用单一C文件实现的命令行助手，可将用户请求直接转换为shell命令并执行。它支持多种本地LLM引擎，如llama.cpp、Ollama等，并允许用户在执行前编辑或拒绝生成的命令。该项目提供了丰富的示例和广泛的平台兼容性。

OpenAI的自动化红队系统GPT-Red利用自我博弈提升AI安全性、对齐性和提示注入鲁棒性。

尽管Anthropic声称其模型Claude内部出现意识迹象，但神经科学家阿尼尔·塞思认为，这不过是模拟，就像天气预报系统不会产生真实飓风一样。

本文介绍了一种用于AI治疗的系统设计，该系统通过确定性管道决定临床行动，不让LLM自行决策。系统包括评分、状态桶、准入表、动作选择、微实践和危机预筛查等步骤，仅在评分和生成阶段使用LLM。文章还讨论了该方法的成本与局限性。

DiffRadar是一种实时雷达SLAM系统，将雷达观测建模为可微的物理感知高斯场，而非离散扫描。在公共基准测试中大幅降低轨迹误差，尤其在特征贫乏的走廊环境下，同时地图一致性提升一倍以上，并保持70 FPS的实时性能。

本文提出一种基于契约的行为树合成架构，通过编码智能体查询机器人端的MCP服务器获取技能库和操作符，实现从自然语言到可执行行为树的可靠合成。实验表明该方法在模拟和实体机器人上均取得高成功率。

一项研究探讨了在协作单词联想游戏中，机器人的注视行为如何影响人类的视觉注意力，以及人类是否倾向于向机器人寻求确认性的注视。实验使用NAO机器人作为大语言模型驱动的对话伙伴，发现机器人注视方向不影响人类首次注视提议单词的时间，但参与者在对话中包含确认请求时会更频繁地注视机器人。结果表明，在认知要求高的任务中，语言方面可能压倒了机器人注视的影响。

GaitSpan是一种新颖的人形机器人步态扩展框架，它利用预训练的行走策略作为种子技能，通过节奏生成、步幅塑造和残差适应三个模块，将基本行走能力平滑扩展到奔跑，实现了连续速度范围、跨形态迁移和零样本部署。

提出一种无监督图像翻译框架，将白天植物行RGB图像转换为近红外（NIR）夜间图像，无需逐像素监督，从而重用白天语义标签训练夜间感知模型。利用预训练CLIP模型保持语义一致性，并引入可见性掩码处理NIR照明有效范围有限的问题。在AgriNight数据集上评估，该数据集包含428张白天和549张夜间图像，是首个夜间农业视觉导航基准。实际机器人夜间导航实验验证了有效性。

多机器人在受限环境中需要变形和重构两种行为。现有方法独立建模或依赖规则，易导致死锁。EFLUX提出几何基础的LLM智能体框架，联合推理变形和重构动作，通过闭环生成与验证实现安全导航。实验表明能减少死锁和导航失败。

一项新研究探讨了无需训练的人工合成图像溯源方法中表示空间与参考选择之间的相互作用。通过分析CLIP和DINOv2不同层的表示，以及三种参考选择方法，发现中间层的表示在溯源准确率上表现最佳，且语义约束的参考能有效减少查询与参考之间的不匹配，提升溯源性能。

本文系统评估了持续学习方法在异构医学视觉问答任务中的表现，涵盖分类、多标签分类、检测、细胞计数和报告生成等多样化临床目标。研究发现现有持续学习方法难以在不同目标与监督格式交织的任务中保持稳定性-可塑性平衡。

SymbOmni是一种新型AI模型，旨在解决当前模型“永恒新手”的问题——即无法积累经验并自主进化。它通过符号概念学习，利用可优化的记忆模块将低级操作抽象为可重用的符号工作流指令，并通过归纳-转导循环实现持续自我改进。实验表明，SymbOmni在图像质量和任务成功率上超越现有代理系统及闭源模型，同时减少40%以上的令牌消耗，并在持续学习基准上取得新成果。

本文提出MetaView，一种基于扩散模型的单目新视角合成框架，能够从单张图像实现大视角变化下的渲染。通过结合隐式几何建模与度量深度，MetaView在保持几何一致性的同时提供了精确可控性。实验表明，在挑战性大视角变化场景下，MetaView显著优于现有方法。

SpikeDS是一种新型脉冲神经网络架构，通过结合激活稀疏性和空间稀疏性，高效地从3D MRI中预测胆管癌的神经侵犯，在139名患者的队列中实现了0.753的AUC，能耗仅14.4 mJ。