模型

Kimi K3提供了2.8萬億參數的開放模型，但美國公司在考慮使用時面臨複雜局面。

NVIDIA Vera Rubin平台通過極致協同設計降低每token成本，實現更頻繁高效的後訓練，最大化智能體AI時代的每美元智能。Nemotron 3 Ultra模型在SWE-bench驗證中得分71.7%，展示了後訓練的有效性。

Kimi K3在拒絕透露系統提示後，以“今天有什麼我能真正幫到你的嗎？”回應，展現了AI在保護內部機制時的禮貌而堅定的態度。

OpenTSLM是一種多模態大語言模型，將時間序列作為原生模態處理，能夠與文本一起對原始多變量信號進行推理。它在時間序列問答、活動識別、睡眠階段分類和ECG問答任務上優於基線方法，包括GPT-4o。模型支持擴展到多個超長時間序列，內存消耗幾乎恆定。ECG推理經7位心臟病專家驗證，正確率97%。所有代碼、數據集和模型均開源。

NVIDIA發佈Nemotron 3 Embed，包含三個開源檢查點：8B BF16、1B BF16和1B NVFP4。其中8B模型在RTEB基準上以78.46平均NDCG@10排名第一。1B模型通過NAS剪枝和蒸餾從8B教師模型得到。NVFP4在Blackwell上保持99%+的檢索精度，吞吐量提升2倍。所有模型支持32,768 token輸入，採用OpenMDW-1.1許可。

本文提出ConFlow框架，將約束信息直接融入流匹配訓練目標，通過可微的障礙或成本函數以及條件高斯過程，提高機器人運動生成中的約束滿足和軌跡質量。實驗表明在雙機器人導航任務中，ConFlow相比標準流匹配基線實現了更低的碰撞率和更高的軌跡質量。

本文探索了利用功能性近紅外光譜（fNIRS）腦信號來調節機器人強化學習的可行性。研究比較了被動（觀察）和主動（演示）交互任務中的智能體訓練，並測試了多種增強RL算法的方法，重點關注參數增強而非替換。結果表明，該框架有效：腦信號在增強軌跡優先級和狀態-動作Q值時改善了學習。此外，該框架能成功從離線數據中學習，為實時腦機接口設置不實用或數據有限的情況提供了實用替代方案。

現有抓取基準主要關注視覺抓取姿態檢測，忽略了需要多步推理和語義理解的複雜任務。GCA-Bench基準包含複雜動作場景，評估大模型在抓取中的表現。實驗顯示，當前方法在複雜場景下成功率低於70%，揭示了關鍵侷限性。

DiMaS是一種專為流匹配視覺-語言-動作（VLA）模型設計的分佈匹配引導策略，通過在表示分佈之間進行傳輸而非沿固定方向移動，實現了對機器人操作行為的細粒度控制。該方法在兩種最先進的VLA上驗證了有效性，並分析了行為控制的可遷移性。研究表明，經典線性引導在視覺運動任務中失效，因為行為特徵線性可解碼但不可線性引導。

MEMORA提出了具身動作記憶（EAM），使機器人能夠利用第一人稱視頻中的持久記憶進行長期規劃。它包含四種類型的記憶存儲、在線編輯和離線整合功能。在45小時的EPIC-KITCHENS-100數據集評估中，MEMORA在記憶測試中準確率提升20.5個百分點，規劃分數相對提升16.6%。

本文提出LIFT框架，通過在預訓練視覺-語言-動作（VLA）策略後訓練中注入反應式力，解決接觸場景下純視覺方法失敗的問題。LIFT嫁接反應式動作專家，利用因果力記憶和零初始化交叉注意力注入6D力，並結合在線DAgger循環應對分佈偏移。在毛巾摺疊、書籍插入和漢諾塔放置任務中，LIFT相比純視覺後訓練學習更快、性能更高。

本研究提出了一種新穎的多模態編排框架，實現語義音頻驅動的人形機器人控制。系統通過音頻指紋和語義嵌入實時處理音樂或語音輸入，動態選擇並執行動作策略，在仿真和Unitree G1人形機器人上驗證了魯棒的模擬到現實遷移。

SD-MAR是一個用於訓練和評估視覺語言模型（VLM）在多圖像分析推理任務上的框架。它通過受控擾動構建成對視覺場景，並生成涉及語義變化歸因和定量比較的推理任務。採用GRPO-lite與後向折扣分配（BDA）的強化學習方法，去除KL正則化以增強策略優化。在Qwen2.5-VL-7B和InternVL3-8B上的實驗表明，域內準確率提升高達36.95%，且Qwen2.5-VL-7B在SD-MAR基準上超越GPT-4.1。域外泛化性能保持或提升，在MME、MMMU-Pro、MathVista上波動在1%以內，在MMBench上提升達4%。

針對增材製造XCT圖像缺陷分割的挑戰，提出XCT-SAM框架，通過序列參數高效域自適應，利用Conv-LoRA適配器逐步縮小域差距，在CycleGAN-XCT基準和真實NIST掃描上優於基線方法。

MonteRET是一種區域感知的檢索增強框架，用於自動生成胸部CT報告。它整合全局和局部CT特徵，檢索相關醫學知識，並通過知識引導的報告重寫智能體優化初始報告。在RadGenome-ChestCT數據集和外部醫院數據上，MonteRET在報告質量、語義相似性和臨牀效果上均優於現有方法。

本文探究視覺基礎模型是否構建了反映三維歐氏空間內在屬性的表徵。與傳統方法通過迴歸深度或法線來探測三維意識不同，作者從拓撲和幾何角度評估視覺特徵空間結構與歐氏變換羣SE(3)之間的關係。提出了相互鄰域度量和龐加萊適配器兩種探針。實驗表明，自監督視覺模型在沒有直接三維監督或主動代理的情況下，其潛在子空間與三維歐氏空間高度相關。基於此，提出了“潛在空間導航”技術，可在潛在空間中直接進行視覺里程計和定位，無需顯式三維重建。

提出首個關鍵幀條件視頻生成基準KeyFrame-Compass，包含386個精心策劃的樣本，覆蓋多種設置，並引入自動化評估框架，在9個系統上實驗揭示忠實執行與自然合成之間的權衡。

多參考音頻視頻生成（MR2AV）要求模型基於多個參考和文本指令生成同步音視頻內容。現有基準主要關注文本驅動生成或單參考保留，缺乏對該任務的評估。本文提出MultiRef-Compass，一個包含350個精心構建樣本的統一基準，涵蓋多視角主體保留、多實體綁定和人-物-場景組合。它定義了一個四維評估協議（基礎質量、參考一致性、音視頻一致性、指令遵循），包含14個子指標，並集成了自動指標與重審增強的多模態大模型評判框架。在八個代表性MR2AV系統上的實驗揭示了各維度的顯著改進空間。

本文提出了一種新的量化指標——工具效率，用於評估LLM智能體軌跡中有用工具調用的比率。為了精確定義工具效率，作者還引入了邊際工具效用，該指標判斷每次工具調用的有用性，以及能否在不影響準確性的情況下從工具套件中移除，從而提高效率。研究使用LLM作為裁判來確定軌跡中每次工具調用的邊際工具效用符號。這項工作直接量化效率，為未來基準設計和精簡工具套件優化提供基礎。

Polestar是一種無需訓練的推理框架，通過利用令牌表示漂移來解決擴散大語言模型中KV緩存重用和解碼並行性的挑戰。它包含Polestar-Cache（用於稀疏緩存刷新）和Polestar-Commit（用於識別可提交令牌），在數學和編程基準測試上實現了高達10.73%的精度提升和3.7倍的吞吐量提升。

本文提出令牌時間連續擴散（TTCD），一種在連續空間中操作的新型擴散語言模型，引入每令牌時間步概念，使不同令牌以不同速率從噪聲轉化為令牌。TTCD通過連續空間建模避免了並行採樣多個令牌的不準確性，在高速加速下顯著優於離散模型。研究者在OpenWebText上訓練了1.6億參數的TTCD模型，並通過自蒸餾在無條件生成中達到可比質量，在條件生成中超越多個同等規模模型，在數獨求解任務中也取得類似改進。

本文提出AGOPS方法，自動生成任務特定的提示指南，幫助用户編寫更明確的提示，從而大幅提升大語言模型的下游性能。實驗表明，未明確指定的提示可導致性能下降高達95.3%，而現有通用指南難以恢復，但AGOPS指南可使性能提升15.5%至81.7%。

新研究表明，大型語言模型代理在通過文本通信時會丟失信息。使用稀疏自動編碼器特徵分析，研究者發現潛在空間通信雖然在某些壓縮率下保留更多信息，但丟失的特徵主要編碼表面形式而非任務相關語義，從而對潛在通信的優勢提出質疑。

本文提出一種基於採樣的方法LBA，用於在低查詢預算下生成高質量文本對抗樣本。該方法結合先驗和後驗知識構建近似分佈，通過採樣逐步更新分佈，從而高效搜索對抗樣本。實驗表明，LBA在六個語言模型和四個數據集上顯著優於現有基線，且生成的對抗文本語義保持更好、更易理解。

本文首次將基於預羣語法的量子組合自然語言處理應用於阿拉伯語，利用量子電路的拓撲結構模擬語法關係。實驗涵蓋詞序、形態時態和動詞義消歧，量子方法在多項任務上優於傳統基線。

研究提出JKP框架，通過重複挑戰性提問評估視覺語言模型的穩定性。測試GPT-4o、Gemini 2.5 Pro和Qwen3-VL-30B發現，模型在持續追問下表現不穩定，答案頻繁翻轉，且不同模型響應模式各異。

該研究分析了閉環知識系統（如大型語言模型、強化學習）為何在重複內部反饋下趨於飽和，並提出了一個三層次操作框架，通過結構干預實現逃逸。使用李雅普諾夫漂移條件刻畫穩定性，並通過干預引起的吸引子位移和KL下界表徵逃逸。案例研究包括LLM代碼修復、稀疏獎勵強化學習和貝葉斯優化。

離線強化學習中世界模型易受模型利用問題影響，現有方法成本高或限制泛化。本文提出RENEW方法，通過人類偏好直接修復模型利用，結合動力學學習與人類反饋，利用認知不確定性提高樣本效率，在多個環境中驗證了有效性。

提出分支策略優化（BPO），利用沙盒的確定性、可快照和可恢復特性，通過共享前綴的樹形 rollout 拓撲降低策略梯度方差，在多個基準上較 GRPO 和 RLOO 提升 3.6-6.1 個絕對百分點。

本文提出C3R，一種即插即用的控制層，通過推斷域後驗，無需查詢時標籤，在可行時認證逐域污染預算，否則棄權而非違規。該方法基於風險控制預測集的兩階段方案，保證最困難域污染減少，實驗表明穩定性好，召回率優於傳統方法。

預訓練的視覺語言模型（VLM）通過計算圖像與文本描述的相似度實現零樣本圖像分類，但描述模板（prompt）的選擇對結果敏感。現有方法為所有類別使用相同的權重組合多個模板，忽略了模板對特定類別的適用性差異。CARPRT 提出了一種無需訓練的類別感知重加權方案，針對每個類別自適應調整模板權重。在標準基準測試中，CARPRT 優於現有的類別無關方法，證實了建模模板-類別依賴關係對零樣本預測和 VLM 應用的重要性。

最新研究將小型語言模型（SLM）與知識圖譜結合，通過神經符號智能體框架提升其推理能力。在CLUTRR親屬關係基準測試中，使用Gemma 3和Llama 3.2模型的實驗表明，RGCN提供的專家提示可使性能提升1.5-2倍，但存在提取瓶頸和順序推理脆弱性問題。

本文針對工具增強型大語言模型智能體在擴展工具集時面臨的行為慣性問題，提出通過注入反事實錨定上下文來打破慣性，恢復失敗軌跡。ToolAnchor框架利用教師模型假設反事實上下文，經學生回滾驗證後，通過智能體後訓練內化成功干預，在GAIA、BrowseComp和VDR-Bench等任務中表現優異，為動態工具適應開闢了新路徑。

研究人員提出了一種利用大型語言模型（LLM）構建貝葉斯信念網絡（BBN）的新方法，該方法通過一組AI代理基於特定角色和上下文估計概率，並採用修剪均值規則去除噪聲，從而彌合專家意見與數據驅動學習之間的差距。研究以替代醫療系統中患者就醫意向為案例，發現自我效能的影響實際較小，而主觀規範的影響更強，最有效的策略是同時提升自信和社區規範。

一種名為LLM-T1D的新方法將強化學習與大語言模型相結合，創建了一種可解釋的胰島素泵控制器，用於1型糖尿病，實現了73.5%的時間在目標血糖範圍內，同時提供清晰的解釋。

受人類交流空間信息的方式啓發，語言引導的地理定位因其直觀和實用價值而備受關注。然而，現有方法多依賴靜態的一次性檢索範式，難以處理真實世界自然語言描述中的歧義和不完整性。本文提出推理檢索的範式轉變，引入對話式地點識別（DlgPR），將定位視為交互式、對話驅動的推理過程。為此，論文構建了首個大規模對話式地點識別基準DlgQuest-Cities，並提出了統一推理框架，結合跨模態多級檢索器與智能提問器DQ-pilot。DQ-pilot通過課程學習訓練：在DQ-cities-20k子集上進行監督微調，再通過GRPO在更難的DQ-cities-10k上進行強化優化。實驗表明，基於推理的方法顯著優於基線。

檢索增強生成（RAG）在擴展大語言模型上下文方面表現優異，但傳統RAG在涉及層級或關係推理時效果不佳。本文提出HG-RAG框架，通過在層級知識圖譜上進行圖遍歷，為語言模型提供結構化上下文。實驗表明，HG-RAG在層級、關係和跳推理任務上顯著優於平面檢索基線，同時減少了幻覺並保持了局部連貫性。

據報道，Alphabet推遲了其旗艦AI模型Gemini 3.5 Pro的發佈，導致股價下跌。該模型的編碼能力未達到內部預期，而競爭對手如OpenAI和Meta已推出更先進的AI編碼模型。

Puter團隊成功將Firefox的Gecko引擎編譯為WebAssembly，實現了在一個瀏覽器中完整運行另一個瀏覽器的壯舉。項目耗費約25,000美元的AI計算資源，通過Wisp協議代理所有網絡流量，並支持端到端加密。該成果已開源，展示了WebAssembly在虛擬化領域的巨大潛力。

Artificial Analysis 發佈了 AA-Briefcase 智能知識工作基準測試結果，Kimi K3 以 1547 Elo 排名第一，領先於 GPT-5.6 Sol 的 1495 分。該基準測試模擬真實商業工作流，評估模型在生成電子表格、演示文稿和備忘錄等任務中的表現。

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。