模型

中国AI实验室Moonshot AI发布了Kimi K3模型，拥有2.8万亿参数，自称首个“开源3T级模型”。该模型在多个基准测试中表现优异，但定价较高。作者通过“鹈鹕骑自行车”测试，展示了模型的推理成本、隐性系统提示和视觉能力，并反思了这一非正式基准的局限性。

本文介绍了一个自主AI音乐视频生成系统，比较了Claude Fable 5和GPT-5.6 Sol在25美元和100美元预算下的表现。系统让模型自主研究、生成片段、编辑并组装完整视频。结果显示所有运行均成功生成视频，但质量一般，存在一致性和节奏匹配等问题。Claude Fable 5成本更高但完成更快，GPT-5.6 Sol在编辑上更具创意。

xAI 的 Grok 4.3 现已通过 Amazon Bedrock 提供，它具有可配置的推理能力、强大的工具调用和指令遵循能力，支持 100 万个 token 的上下文窗口，适用于代理和企业工作负载。本文介绍了其特性、访问方式以及基本用法。

OpenAI开发了内部自动化红队模型GPT-Red，通过自我对弈强化学习训练，在间接提示注入测试中以84%的成功率远超人类红队的13%。该模型还发现了一种新型“虚假思维链”攻击，并将GPT-5.6 Sol在最难直接注入基准上的失败率降低了6倍。但OpenAI承认，在多轮和基于图像的攻击方面仍需人类参与。

GPT-5.6 Sol 和 Claude Fable 5 是目前最先进的两款模型。Fable 5 在通用智能上略占优势，而 Sol 在编码性能、执行速度和定价方面更具竞争力。Sol 的定价更接近 Claude Opus 4.8，远低于 Fable 5。本文通过基准测试和实操对比，帮助用户选择最适合的模型。

据报道，GPT-5.6在特定配置下会意外删除用户文件。问题主要出现在启用完全访问模式且未启用沙箱保护时，模型尝试覆盖$HOME环境变量但误删了$HOME目录。

VentureBeat Pulse Research对101家企业的调查显示，57%的企业在过去半年中遇到过AI代理因上下文缺失或不一致而给出自信但错误的答案。检索增强生成(RAG)已成为默认上下文来源，但提供商原生检索（如OpenAI文件搜索和Google Vertex AI搜索）已悄然超越专用向量数据库。然而，多数企业表示倾向于保持最佳组件独立，而非整合到单一提供商堆栈。混合检索被期望在2026年底主导，但治理语义层仍在建设中。

VentureBeat Pulse Research对157家企业进行调研，发现组织在赋予AI Agent更多自主权的同时，对用于把关的评估的信任度却在下降。50%的组织曾部署通过内部评估但在客户面前失败的Agent；仅5%完全信任自动化评估；最主要的问题在于评估与现实结果不一致。然而，三分之二的组织已经允许或正在构建完全自动化（无人工干预）的部署流程。评估差距——自主权与信任之间的距离——正在扩大。

Mira Murati的Thinking Machines Lab于2026年7月16日发布了其首个开放权重模型Inkling。这是一个混合专家（MoE）Transformer，总参数975B，活跃参数41B，采用Apache-2.0许可证，支持多模态，在45万亿token上训练。该模型并非前沿模型，而是作为通过Tinker平台进行微调的强大基础模型。同时预告了Inkling-Small（276B总参数，12B活跃）。模型卡和训练数据文档异常简短，数据来源描述模糊，仅提及公共领域和互联网内容。Inkling在性能上与中国开放权重模型竞争，为美国开放权重生态系统增添了新力量。

林纳斯·托瓦兹在Linux媒体邮件列表中明确表示，Linux不是反AI项目，AI是一种有用的工具，任何质疑其用途的人显然没有真正使用过它。

1Password推出了针对Claude的浏览器集成，通过零暴露安全框架，AI可以访问存储的凭据以自动完成任务，无需手动输入密码。

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。

Thinky首次发布完整LLM系列Inkling，采用MoE架构，总参数量975B，激活参数41B，支持文本、图像、音频输入，1M上下文窗口，Apache 2.0许可。性能上成为美国最强开源模型，但略逊于中国开源旗舰和闭源模型。

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。