模型

NVIDIA发布Nemotron 3 Embed，包含三个开源检查点：8B BF16、1B BF16和1B NVFP4。其中8B模型在RTEB基准上以78.46平均NDCG@10排名第一。1B模型通过NAS剪枝和蒸馏从8B教师模型得到。NVFP4在Blackwell上保持99%+的检索精度，吞吐量提升2倍。所有模型支持32,768 token输入，采用OpenMDW-1.1许可。

本文提出ConFlow框架，将约束信息直接融入流匹配训练目标，通过可微的障碍或成本函数以及条件高斯过程，提高机器人运动生成中的约束满足和轨迹质量。实验表明在双机器人导航任务中，ConFlow相比标准流匹配基线实现了更低的碰撞率和更高的轨迹质量。

本文探索了利用功能性近红外光谱（fNIRS）脑信号来调节机器人强化学习的可行性。研究比较了被动（观察）和主动（演示）交互任务中的智能体训练，并测试了多种增强RL算法的方法，重点关注参数增强而非替换。结果表明，该框架有效：脑信号在增强轨迹优先级和状态-动作Q值时改善了学习。此外，该框架能成功从离线数据中学习，为实时脑机接口设置不实用或数据有限的情况提供了实用替代方案。

现有抓取基准主要关注视觉抓取姿态检测，忽略了需要多步推理和语义理解的复杂任务。GCA-Bench基准包含复杂动作场景，评估大模型在抓取中的表现。实验显示，当前方法在复杂场景下成功率低于70%，揭示了关键局限性。

DiMaS是一种专为流匹配视觉-语言-动作（VLA）模型设计的分布匹配引导策略，通过在表示分布之间进行传输而非沿固定方向移动，实现了对机器人操作行为的细粒度控制。该方法在两种最先进的VLA上验证了有效性，并分析了行为控制的可迁移性。研究表明，经典线性引导在视觉运动任务中失效，因为行为特征线性可解码但不可线性引导。

MEMORA提出了具身动作记忆（EAM），使机器人能够利用第一人称视频中的持久记忆进行长期规划。它包含四种类型的记忆存储、在线编辑和离线整合功能。在45小时的EPIC-KITCHENS-100数据集评估中，MEMORA在记忆测试中准确率提升20.5个百分点，规划分数相对提升16.6%。

本文提出LIFT框架，通过在预训练视觉-语言-动作（VLA）策略后训练中注入反应式力，解决接触场景下纯视觉方法失败的问题。LIFT嫁接反应式动作专家，利用因果力记忆和零初始化交叉注意力注入6D力，并结合在线DAgger循环应对分布偏移。在毛巾折叠、书籍插入和汉诺塔放置任务中，LIFT相比纯视觉后训练学习更快、性能更高。

本研究提出了一种新颖的多模态编排框架，实现语义音频驱动的人形机器人控制。系统通过音频指纹和语义嵌入实时处理音乐或语音输入，动态选择并执行动作策略，在仿真和Unitree G1人形机器人上验证了鲁棒的模拟到现实迁移。

SD-MAR是一个用于训练和评估视觉语言模型（VLM）在多图像分析推理任务上的框架。它通过受控扰动构建成对视觉场景，并生成涉及语义变化归因和定量比较的推理任务。采用GRPO-lite与后向折扣分配（BDA）的强化学习方法，去除KL正则化以增强策略优化。在Qwen2.5-VL-7B和InternVL3-8B上的实验表明，域内准确率提升高达36.95%，且Qwen2.5-VL-7B在SD-MAR基准上超越GPT-4.1。域外泛化性能保持或提升，在MME、MMMU-Pro、MathVista上波动在1%以内，在MMBench上提升达4%。

针对增材制造XCT图像缺陷分割的挑战，提出XCT-SAM框架，通过序列参数高效域自适应，利用Conv-LoRA适配器逐步缩小域差距，在CycleGAN-XCT基准和真实NIST扫描上优于基线方法。

MonteRET是一种区域感知的检索增强框架，用于自动生成胸部CT报告。它整合全局和局部CT特征，检索相关医学知识，并通过知识引导的报告重写智能体优化初始报告。在RadGenome-ChestCT数据集和外部医院数据上，MonteRET在报告质量、语义相似性和临床效果上均优于现有方法。

本文探究视觉基础模型是否构建了反映三维欧氏空间内在属性的表征。与传统方法通过回归深度或法线来探测三维意识不同，作者从拓扑和几何角度评估视觉特征空间结构与欧氏变换群SE(3)之间的关系。提出了相互邻域度量和庞加莱适配器两种探针。实验表明，自监督视觉模型在没有直接三维监督或主动代理的情况下，其潜在子空间与三维欧氏空间高度相关。基于此，提出了“潜在空间导航”技术，可在潜在空间中直接进行视觉里程计和定位，无需显式三维重建。

提出首个关键帧条件视频生成基准KeyFrame-Compass，包含386个精心策划的样本，覆盖多种设置，并引入自动化评估框架，在9个系统上实验揭示忠实执行与自然合成之间的权衡。

多参考音频视频生成（MR2AV）要求模型基于多个参考和文本指令生成同步音视频内容。现有基准主要关注文本驱动生成或单参考保留，缺乏对该任务的评估。本文提出MultiRef-Compass，一个包含350个精心构建样本的统一基准，涵盖多视角主体保留、多实体绑定和人-物-场景组合。它定义了一个四维评估协议（基础质量、参考一致性、音视频一致性、指令遵循），包含14个子指标，并集成了自动指标与重审增强的多模态大模型评判框架。在八个代表性MR2AV系统上的实验揭示了各维度的显著改进空间。

本文提出了一种新的量化指标——工具效率，用于评估LLM智能体轨迹中有用工具调用的比率。为了精确定义工具效率，作者还引入了边际工具效用，该指标判断每次工具调用的有用性，以及能否在不影响准确性的情况下从工具套件中移除，从而提高效率。研究使用LLM作为裁判来确定轨迹中每次工具调用的边际工具效用符号。这项工作直接量化效率，为未来基准设计和精简工具套件优化提供基础。

Polestar是一种无需训练的推理框架，通过利用令牌表示漂移来解决扩散大语言模型中KV缓存重用和解码并行性的挑战。它包含Polestar-Cache（用于稀疏缓存刷新）和Polestar-Commit（用于识别可提交令牌），在数学和编程基准测试上实现了高达10.73%的精度提升和3.7倍的吞吐量提升。

本文提出令牌时间连续扩散（TTCD），一种在连续空间中操作的新型扩散语言模型，引入每令牌时间步概念，使不同令牌以不同速率从噪声转化为令牌。TTCD通过连续空间建模避免了并行采样多个令牌的不准确性，在高速加速下显著优于离散模型。研究者在OpenWebText上训练了1.6亿参数的TTCD模型，并通过自蒸馏在无条件生成中达到可比质量，在条件生成中超越多个同等规模模型，在数独求解任务中也取得类似改进。

本文提出AGOPS方法，自动生成任务特定的提示指南，帮助用户编写更明确的提示，从而大幅提升大语言模型的下游性能。实验表明，未明确指定的提示可导致性能下降高达95.3%，而现有通用指南难以恢复，但AGOPS指南可使性能提升15.5%至81.7%。

新研究表明，大型语言模型代理在通过文本通信时会丢失信息。使用稀疏自动编码器特征分析，研究者发现潜在空间通信虽然在某些压缩率下保留更多信息，但丢失的特征主要编码表面形式而非任务相关语义，从而对潜在通信的优势提出质疑。

本文提出一种基于采样的方法LBA，用于在低查询预算下生成高质量文本对抗样本。该方法结合先验和后验知识构建近似分布，通过采样逐步更新分布，从而高效搜索对抗样本。实验表明，LBA在六个语言模型和四个数据集上显著优于现有基线，且生成的对抗文本语义保持更好、更易理解。

本文首次将基于预群语法的量子组合自然语言处理应用于阿拉伯语，利用量子电路的拓扑结构模拟语法关系。实验涵盖词序、形态时态和动词义消歧，量子方法在多项任务上优于传统基线。

研究提出JKP框架，通过重复挑战性提问评估视觉语言模型的稳定性。测试GPT-4o、Gemini 2.5 Pro和Qwen3-VL-30B发现，模型在持续追问下表现不稳定，答案频繁翻转，且不同模型响应模式各异。

该研究分析了闭环知识系统（如大型语言模型、强化学习）为何在重复内部反馈下趋于饱和，并提出了一个三层次操作框架，通过结构干预实现逃逸。使用李雅普诺夫漂移条件刻画稳定性，并通过干预引起的吸引子位移和KL下界表征逃逸。案例研究包括LLM代码修复、稀疏奖励强化学习和贝叶斯优化。

离线强化学习中世界模型易受模型利用问题影响，现有方法成本高或限制泛化。本文提出RENEW方法，通过人类偏好直接修复模型利用，结合动力学学习与人类反馈，利用认知不确定性提高样本效率，在多个环境中验证了有效性。

提出分支策略优化（BPO），利用沙盒的确定性、可快照和可恢复特性，通过共享前缀的树形 rollout 拓扑降低策略梯度方差，在多个基准上较 GRPO 和 RLOO 提升 3.6-6.1 个绝对百分点。

本文提出C3R，一种即插即用的控制层，通过推断域后验，无需查询时标签，在可行时认证逐域污染预算，否则弃权而非违规。该方法基于风险控制预测集的两阶段方案，保证最困难域污染减少，实验表明稳定性好，召回率优于传统方法。

预训练的视觉语言模型（VLM）通过计算图像与文本描述的相似度实现零样本图像分类，但描述模板（prompt）的选择对结果敏感。现有方法为所有类别使用相同的权重组合多个模板，忽略了模板对特定类别的适用性差异。CARPRT 提出了一种无需训练的类别感知重加权方案，针对每个类别自适应调整模板权重。在标准基准测试中，CARPRT 优于现有的类别无关方法，证实了建模模板-类别依赖关系对零样本预测和 VLM 应用的重要性。

最新研究将小型语言模型（SLM）与知识图谱结合，通过神经符号智能体框架提升其推理能力。在CLUTRR亲属关系基准测试中，使用Gemma 3和Llama 3.2模型的实验表明，RGCN提供的专家提示可使性能提升1.5-2倍，但存在提取瓶颈和顺序推理脆弱性问题。

本文针对工具增强型大语言模型智能体在扩展工具集时面临的行为惯性问题，提出通过注入反事实锚定上下文来打破惯性，恢复失败轨迹。ToolAnchor框架利用教师模型假设反事实上下文，经学生回滚验证后，通过智能体后训练内化成功干预，在GAIA、BrowseComp和VDR-Bench等任务中表现优异，为动态工具适应开辟了新路径。

研究人员提出了一种利用大型语言模型（LLM）构建贝叶斯信念网络（BBN）的新方法，该方法通过一组AI代理基于特定角色和上下文估计概率，并采用修剪均值规则去除噪声，从而弥合专家意见与数据驱动学习之间的差距。研究以替代医疗系统中患者就医意向为案例，发现自我效能的影响实际较小，而主观规范的影响更强，最有效的策略是同时提升自信和社区规范。

一种名为LLM-T1D的新方法将强化学习与大语言模型相结合，创建了一种可解释的胰岛素泵控制器，用于1型糖尿病，实现了73.5%的时间在目标血糖范围内，同时提供清晰的解释。

受人类交流空间信息的方式启发，语言引导的地理定位因其直观和实用价值而备受关注。然而，现有方法多依赖静态的一次性检索范式，难以处理真实世界自然语言描述中的歧义和不完整性。本文提出推理检索的范式转变，引入对话式地点识别（DlgPR），将定位视为交互式、对话驱动的推理过程。为此，论文构建了首个大规模对话式地点识别基准DlgQuest-Cities，并提出了统一推理框架，结合跨模态多级检索器与智能提问器DQ-pilot。DQ-pilot通过课程学习训练：在DQ-cities-20k子集上进行监督微调，再通过GRPO在更难的DQ-cities-10k上进行强化优化。实验表明，基于推理的方法显著优于基线。

检索增强生成（RAG）在扩展大语言模型上下文方面表现优异，但传统RAG在涉及层级或关系推理时效果不佳。本文提出HG-RAG框架，通过在层级知识图谱上进行图遍历，为语言模型提供结构化上下文。实验表明，HG-RAG在层级、关系和跳推理任务上显著优于平面检索基线，同时减少了幻觉并保持了局部连贯性。

据报道，Alphabet推迟了其旗舰AI模型Gemini 3.5 Pro的发布，导致股价下跌。该模型的编码能力未达到内部预期，而竞争对手如OpenAI和Meta已推出更先进的AI编码模型。

Puter团队成功将Firefox的Gecko引擎编译为WebAssembly，实现了在一个浏览器中完整运行另一个浏览器的壮举。项目耗费约25,000美元的AI计算资源，通过Wisp协议代理所有网络流量，并支持端到端加密。该成果已开源，展示了WebAssembly在虚拟化领域的巨大潜力。

Artificial Analysis 发布了 AA-Briefcase 智能知识工作基准测试结果，Kimi K3 以 1547 Elo 排名第一，领先于 GPT-5.6 Sol 的 1495 分。该基准测试模拟真实商业工作流，评估模型在生成电子表格、演示文稿和备忘录等任务中的表现。

OpenAI 通过 GPT-Red 结合人类与 AI 进行红队测试，创新地评估模型安全性，但企业仍需确保模型符合自身业务和安全需求。

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。