模型

OpenAI 通過 GPT-Red 結合人類與 AI 進行紅隊測試，創新地評估模型安全性，但企業仍需確保模型符合自身業務和安全需求。

中國AI實驗室Moonshot AI發佈了Kimi K3模型，擁有2.8萬億參數，自稱首個“開源3T級模型”。該模型在多個基準測試中表現優異，但定價較高。作者通過“鵜鶘騎自行車”測試，展示了模型的推理成本、隱性系統提示和視覺能力，並反思了這一非正式基準的侷限性。

本文介紹了一個自主AI音樂視頻生成系統，比較了Claude Fable 5和GPT-5.6 Sol在25美元和100美元預算下的表現。系統讓模型自主研究、生成片段、編輯並組裝完整視頻。結果顯示所有運行均成功生成視頻，但質量一般，存在一致性和節奏匹配等問題。Claude Fable 5成本更高但完成更快，GPT-5.6 Sol在編輯上更具創意。

xAI 的 Grok 4.3 現已通過 Amazon Bedrock 提供，它具有可配置的推理能力、強大的工具調用和指令遵循能力，支持 100 萬個 token 的上下文窗口，適用於代理和企業工作負載。本文介紹了其特性、訪問方式以及基本用法。

OpenAI開發了內部自動化紅隊模型GPT-Red，通過自我對弈強化學習訓練，在間接提示注入測試中以84%的成功率遠超人類紅隊的13%。該模型還發現了一種新型“虛假思維鏈”攻擊，並將GPT-5.6 Sol在最難直接注入基準上的失敗率降低了6倍。但OpenAI承認，在多輪和基於圖像的攻擊方面仍需人類參與。

GPT-5.6 Sol 和 Claude Fable 5 是目前最先進的兩款模型。Fable 5 在通用智能上略佔優勢，而 Sol 在編碼性能、執行速度和定價方面更具競爭力。Sol 的定價更接近 Claude Opus 4.8，遠低於 Fable 5。本文通過基準測試和實操對比，幫助用户選擇最適合的模型。

據報道，GPT-5.6在特定配置下會意外刪除用户文件。問題主要出現在啓用完全訪問模式且未啓用沙箱保護時，模型嘗試覆蓋$HOME環境變量但誤刪了$HOME目錄。

VentureBeat Pulse Research對101家企業的調查顯示，57%的企業在過去半年中遇到過AI代理因上下文缺失或不一致而給出自信但錯誤的答案。檢索增強生成(RAG)已成為默認上下文來源，但提供商原生檢索（如OpenAI文件搜索和Google Vertex AI搜索）已悄然超越專用向量數據庫。然而，多數企業表示傾向於保持最佳組件獨立，而非整合到單一提供商堆棧。混合檢索被期望在2026年底主導，但治理語義層仍在建設中。

VentureBeat Pulse Research對157家企業進行調研，發現組織在賦予AI Agent更多自主權的同時，對用於把關的評估的信任度卻在下降。50%的組織曾部署通過內部評估但在客户面前失敗的Agent；僅5%完全信任自動化評估；最主要的問題在於評估與現實結果不一致。然而，三分之二的組織已經允許或正在構建完全自動化（無人工干預）的部署流程。評估差距——自主權與信任之間的距離——正在擴大。

Mira Murati的Thinking Machines Lab於2026年7月16日發佈了其首個開放權重模型Inkling。這是一個混合專家（MoE）Transformer，總參數975B，活躍參數41B，採用Apache-2.0許可證，支持多模態，在45萬億token上訓練。該模型並非前沿模型，而是作為通過Tinker平台進行微調的強大基礎模型。同時預告了Inkling-Small（276B總參數，12B活躍）。模型卡和訓練數據文檔異常簡短，數據來源描述模糊，僅提及公共領域和互聯網內容。Inkling在性能上與中國開放權重模型競爭，為美國開放權重生態系統增添了新力量。

林納斯·託瓦茲在Linux媒體郵件列表中明確表示，Linux不是反AI項目，AI是一種有用的工具，任何質疑其用途的人顯然沒有真正使用過它。

1Password推出了針對Claude的瀏覽器集成，通過零暴露安全框架，AI可以訪問存儲的憑據以自動完成任務，無需手動輸入密碼。

SpaceXAI 於 2026 年 7 月 15 日開源了 Grok Build，這是其 grok CLI 背後的終端 AI 編碼代理。源代碼以 Apache 2.0 許可證發佈，包含代理循環、工具調度、TUI 和擴展系統，但 Grok 4.5 模型保持閉源，且不接受外部貢獻。

Thinky首次發佈完整LLM系列Inkling，採用MoE架構，總參數量975B，激活參數41B，支持文本、圖像、音頻輸入，1M上下文窗口，Apache 2.0許可。性能上成為美國最強開源模型，但略遜於中國開源旗艦和閉源模型。

VaultCharts是一款免費的桌面交易應用，結合了圖表工具與AI助手。它支持多種AI模型，以本地優先為特點，用户可以在有或沒有AI輔助的情況下分析市場。

本文提出了一種名為HRO的層級房間到物體框架，利用大型語言模型（LLM）實現零樣本目標導航。與現有方法不同，HRO模仿人類從房間到物體的層級空間認知，引導智能體由粗到細地探索未知環境並定位目標物體。實驗結果表明，HRO在Gibson和HM3D數據集上取得了更高的成功率和更好的泛化能力。

提出一種基於ROS-Unity的多模態遙操作架構，利用3D高斯潑濺技術生成無遮擋的外部視角，並通過軀幹振動觸覺套裝提供直觀的接近提示。在30名受試者參與的實驗中，該框架在嚴重通信延遲下表現出顯著的性能優勢，fNIRS結果顯示其能維持操作者的執行控制能力，避免認知負荷過載。

研究人員提出了一個層次貝葉斯生成模型，將恐怖谷效應轉化為數學設計變量。該模型通過四類變量（偏離預測機器人類別均值、跨模態人類相似性不一致、預測不確定性、觀測不確定性）解釋類別模糊和感知不匹配導致的親和力下降。實驗表明，增加觀測不確定性可減弱中間相似度下的熟悉度下降，而低預測不確定性則提升機器人外觀的評分。該框架為算法評估和優化人形機器人外觀與行為提供了計算基礎。

HRIBench 是一個專注於人機交互協作的基準測試框架，通過結構化場景腳本模擬代理角色、時間依賴和協調約束，評估機器人在協作中的意圖理解、同步、協議遵守和安全交互能力。實驗表明，現有基礎機器人策略在協作場景中表現不佳，但在 HRIBench 上微調後可顯著提升。

本文提出了AffectFlow-DINO，一種用於第11屆ABAW挑戰賽的多任務學習系統。它通過條件整流流頭部模型來模擬自然場景下面部行為的固有歧義，實現不確定性感知的一對多預測。系統聯合估計連續效價-喚醒度、分類八種面部表情並檢測十二個動作單元。實驗表明，整流流解碼持續改進確定性預測，後驗閾值校準有效恢復罕見類別的性能，最終模型顯著超越官方基線。

本文提出JITOMA框架，通過即時按需記憶激活解決傳統3D場景圖構建中的感知飽和問題。該框架利用任務熱圖過濾觀測、大型語言模型按需喚醒相關錨點，顯著降低計算開銷，並在長時域任務切換中保持穩定性能。同時發佈JITOMA-Bench評估基準。

提出了一種結合主動學習和雙損失優化的人機協同知識獲取框架，用於腹腔鏡視頻中的器械分割標註。該方法利用基礎模型生成時序一致的類激活圖，通過弱監督損失和圖像級掩膜損失訓練，迭代提出偽掩膜引導專家修正。最終將標註工作量減少50%，無需初始密集像素標註，提升可擴展性。

一項新研究系統比較了自監督學習中的兩種訓練範式：預訓練後微調（PFT）和聯合訓練（JT），發現JT在數據效率和低標籤設置下表現更優，而PFT在專門領域更可靠。

MGFace是一種創新的掩碼門控人臉識別管道，通過預測查詢人臉是否佩戴面罩，有條件地路由相似度計算：對未遮擋人臉使用全局嵌入匹配，對戴口罩人臉激活掩碼感知的局部區域重排序。該方法在擴展LFW-Mask數據集上，利用FaceNet骨幹網絡達到80%以上識別準確率，使用ArcFace骨幹網絡超過90%，相比基於EMD的重排序方法，查詢時間減少約20倍。

提出了一種基於Transformer掩碼自編碼器的無監督鋼表面缺陷識別方法。在預訓練中隨機掩碼75%的圖像塊，輕量級解碼器從可見的25%重構掩碼區域，並聯合訓練輔助缺陷定位目標。解碼器達到SSIM 0.92、MSE 0.47，聚類後對六類缺陷的匈牙利匹配準確率達91.3%。

Boogu-Image-0.1是一個開源統一多模態理解與生成模型家族，包含Base、Turbo、Edit和Edit-Turbo變體。它在高品質文本到圖像生成、快速推理、基於指令的編輯以及雙語文本渲染方面表現出色。儘管計算預算有限，但通過模型理解、數據質量和訓練流程的針對性改進以及推理時擴展，其性能可媲美甚至超越其他開源模型，接近領先的閉源系統。該模型僅使用2.0862億張獨特圖像，基礎模型理論訓練成本約40萬美元。

本文提出Samba，一種混合曼巴架構，用於視聽導航。它採用自適應選擇的曼巴狀態編碼器（M-SE）替代傳統GRU進行時間聚合，並構建音頻曼巴編碼器（AME）以克服卷積算子在全時頻依賴捕捉上的侷限。在Matterport3D數據集上，導航成功率提升11.3%，在Replica數據集上表現更優。該工作以更低計算成本實現更強具身表徵，為視聽導航範式演進提供了穩健技術路徑。

知識追蹤（KT）旨在通過建模學生歷史交互中的動態知識狀態來預測其未來表現。現有方法通常將原始交互序列視為統一行為過程，忽略了學習行為的階段性。本文提出相位感知知識追蹤（PAKT），將學生交互分解為能力和熟練度階段，並設計多分支Transformer聯合捕獲階段特定和整體知識狀態。在六個基準數據集上，PAKT最大AUC提升1.33%，平均提升0.82%。

該研究將何時調用大語言模型（LLM）的問題形式化為基於風險的序列停止問題，並證明了六個理論結果，包括最小事件間隔時間、閾值策略的最優性以及遺憾界。在渦扇退化數據上的實驗表明，異常得分驅動的風險函數在Pareto AUC上比基線方法高出一個數量級。

針對參數分解（PD）在大模型上計算成本高的問題，研究者提出定向參數分解（tPD），通過引入高秩“全能”組件僅處理目標輸入，從而高效識別特定計算電路。實驗表明，tPD在4塊Transformer上僅用7%的浮點運算量即可提取CSS子模型，並在12塊Transformer上精準消融和重寫記憶序列，副作用極小。論文被ICML 2026可解釋性研討會接收。

提出了一種輕量級訓練策略，通過解耦特徵提取與分類器優化，大幅減少訓練時間和能耗，在多種架構和醫學數據集上僅犧牲微小的準確率。

小型語言模型在零樣本分子屬性預測中表現不佳，因為它們忽略了圖拓撲信息。本文提出了一種上下文增強提示框架，通過圖神經網絡工具提供預測提示和解釋性子圖，在MUTAG和Tox21數據集上實現了高達74%的相對改進，但仍與專用GNN模型存在差距。

本文綜述了自我改進型自主代理的研究進展，提出了一個系統級框架，將現代代理視為基礎模型與操作支架（包括提示、記憶、工具和控制邏輯）的耦合。在此框架下，自我改進被形式化為一種自我驅動的更新算子，可更新模型參數或支架組件。文章按更新目標和驅動信號對現有工作進行分類，並討論了應用、評估以及未來方向。

大型語言模型生成的思維鏈推理看似邏輯嚴謹，但實際上可能並未真正依賴其所述的前提。本文提出一種干預式基礎審計方法，通過替換單個前提中的目標謂詞，重新運行模型，並檢查推理步驟的標準化結論是否改變，從而在步驟級別測試前提依賴。在ProntoQA基準測試中，該方法在檢測證明樹依賴方面的F1分數達到0.806，顯著優於自一致性基線。此外，66%的正確解決問題中存在至少一個對齊步驟對直接證明樹依賴不敏感，揭示了“答案正確但推理錯誤”的信號。

研究人員提出SPINE，一種智能體框架，可自動調試和部署雙臂機器人，減少專家校準依賴。測試中，SPINE提高了成功率並縮短了遙操作時間。

MIT與多家機構的研究人員開發了一種名為GIFT的自動化框架，能夠幫助視覺語言模型更準確、更高效地生成CAD程序，從而將二維設計轉化為三維模型。該方法通過分析模型自身的錯誤來生成改進數據，大幅降低了計算成本，為快速原型製作和工程設計提供了有力工具。

本文提出了一種針對Apple TV搜索的個性化系統，結合文本嵌入和ID協作嵌入，通過對比學習和交互數據學習物品表徵。在運行時，利用用户歷史構建表徵並注入XGBoost排名器。離線實驗顯示，在模糊前綴查詢上NDCG@10提升8.63%，長曆史用户獲益更大。在線實驗獲得點擊率+1.14%和轉化率+1.23%的顯著提升。

xAI 的 CLI 工具 grok 因會上傳整個目錄至 Google Cloud 而引發隱私爭議，隨後 xAI 開源了整個 Grok Build 代碼庫，並承諾刪除所有已上傳數據。該代碼庫包含 844,530 行 Rust 代碼，其中包含系統提示詞、Mermaid 圖表渲染器以及從其他編碼代理移植的工具實現。

米拉·穆拉蒂創立的Thinking Machines Lab今日發佈了其首個基礎模型Inkling，這是一款完全開放權重的巨型模型，擁有9750億參數（混合專家架構，活躍參數410億）。該模型經過45萬億token的文本、圖像、音頻和視頻訓練，原生支持多模態輸入但僅輸出文本。Inkling旨在填補西方開源AI生態的空白，提供中國模型的替代方案。它具備'思考努力'控制和不確定性標記功能，可減少幻覺。開發者可通過Tinker API進行微調。Thinking Machines計劃通過Tinker平台收費，而非按API調用計費，這可能顛覆當前主流AI商業模式。該模型在九個月內完成開發，使用英偉達GB300 NVL72系統訓練。

思考機器實驗室於2026年7月15日發佈了其首個從頭訓練的模型Inkling，採用Apache 2.0開源協議。該模型總參數量9750億，活躍參數410億，支持100萬token上下文窗口，可處理文本、圖像和音頻輸入。其核心差異化優勢在於可控制的思考力度，用户可根據需求調整推理時的token預算，平衡成本與性能。

NVIDIA發佈了基於Thor架構的T3000和T2000模塊，專為大規模機器人與邊緣AI應用設計。T3000提供865 FP4 teraflops算力，尺寸和功耗僅為T5000的一半；T2000提供400 FP4 teraflops。新模塊支持可擴展邊緣AI平台，並引入智能體技能實現內存優化。同時推出Cosmos 3 Edge模型，適用於實時視覺分析。開發者可通過模擬模式立即開始開發，模塊將於2027年Q1上市。

根據VentureBeat Pulse Research對101家企業的調查，企業代理編排正在向模型提供商平台集中，Anthropic的Claude以40%的使用率領先。然而，大多數部署的“代理”仍是簡單的聊天機器人包裝，真正的多步驟編排工作流僅佔少數。企業預計到2026年底採用混合控制平面以避免供應商鎖定，但實時成本控制仍不成熟。

德國研究聯合體發佈了Soofi S 30B-A3B的預訓練報告，這是一個面向德語和英語的開放基礎模型。模型採用混合Mamba-Transformer MoE架構，總計約316億參數，每次token激活約32億。在完全開放的基礎模型中，Soofi S在英語和德語綜合得分上最高。

谷歌研究團隊在ICLR 2026發表論文，從數學上證明擴散模型的創造力源於神經網絡訓練中的“分數平滑”效應，使得模型能夠在訓練數據點之間插值，生成新穎且合理的樣本。

在一次黑客事件中，AI音樂生成器Suno的訓練數據被曝光，顯示其從YouTube Music、Deezer和Genius等平台抓取了數百萬首歌曲和歌詞。這加劇了針對Suno的版權訴訟，該公司承認抓取但辯稱屬於合理使用。黑客還獲取了客户信息，但Suno聲稱安全事件已得到控制，未泄露敏感數據。

一個研究團隊成功利用分佈在四個國家的14台Mac電腦（包括一台個人MacBook）進行強化學習後訓練，在PaperSearchQA任務上將pass@1從29%提升至63%。該系統通過PULSE權重同步技術實現90MB的增量更新，並採用異步星型拓撲結構，所有通信基於對象存儲，無需專用網絡。這是首次完全使用消費級Mac進行rollout生成的RL後訓練。

Tura是一個本地開源編碼代理，通過在DeepSWE v1.1基準測試中使用宏CLI命令和反向推理，相比Codex CLI High，將LLM調用次數減少80%，同時成功率從60%提升至80%。

研究人員發現Claude的web_fetch工具存在漏洞，允許攻擊者通過嵌套鏈接誘導AI泄露用户私人記憶中的敏感信息，如姓名、位置和僱主。Anthropic已修復該漏洞，但未支付漏洞賞金。

韓國研究人員利用生成式AI模型Generative SNUPI，能夠將用户繪製的形狀自動轉化為可摺疊的DNA納米結構，大幅簡化了傳統DNA摺紙技術繁瑣的設計過程，為納米機器人和醫療應用開闢新途徑。

AI-CLI是一個用單一C文件實現的命令行助手，可將用户請求直接轉換為shell命令並執行。它支持多種本地LLM引擎，如llama.cpp、Ollama等，並允許用户在執行前編輯或拒絕生成的命令。該項目提供了豐富的示例和廣泛的平台兼容性。