模型

Mira Murati的Thinking Machines Lab於2026年7月16日釋出了其首個開放權重模型Inkling。這是一個混合專家（MoE）Transformer，總引數975B，活躍引數41B，採用Apache-2.0許可證，支援多模態，在45萬億token上訓練。該模型並非前沿模型，而是作為透過Tinker平臺進行微調的強大基礎模型。同時預告了Inkling-Small（276B總引數，12B活躍）。模型卡和訓練資料文件異常簡短，資料來源描述模糊，僅提及公共領域和網際網路內容。Inkling在效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專案，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的瀏覽器整合，透過零暴露安全框架，AI可以訪問儲存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。原始碼以 Apache 2.0 許可證釋出，包含代理迴圈、工具排程、TUI 和擴充套件系統，但 Grok 4.5 模型保持閉源，且不接受外部貢獻。

Thinky首次釋出完整LLM系列Inkling，採用MoE架構，總引數量975B，啟用引數41B，支援文本、影像、音訊輸入，1M上下文視窗，Apache 2.0許可。效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。它支援多種AI模型，以本地優先為特點，使用者可以在有或沒有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，引導智慧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資料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，並透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，該框架在嚴重通訊延遲下表現出顯著的效能優勢，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數。該模型透過四類變數（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。該框架為演算法評估和最佳化人形機器人外觀與行為提供了計算基礎。

HRIBench 是一個專注於人機互動協作的基準測試框架，透過結構化場景指令碼模擬代理角色、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、協議遵守和安全互動能力。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挑戰賽的多工學習系統。它透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效能，最終模型顯著超越官方基線。

本文提出JITOMA框架，透過即時按需記憶啟用解決傳統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效能。同時釋出JITOMA-Bench評估基準。

提出了一種結合主動學習和雙損失最佳化的人機協同知識獲取框架，用於腹腔鏡影片中的器械分割標註。該方法利用基礎模型生成時序一致的類啟用圖，透過弱監督損失和影像級掩膜損失訓練，迭代提出偽掩膜引導專家修正。最終將標註工作量減少50%，無需初始密集畫素標註，提升可擴充套件性。

一項新研究系統比較了自監督學習中的兩種訓練正規化：預訓練後微調（PFT）和聯合訓練（JT），發現JT在資料效率和低標籤設定下表現更優，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，透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域性嵌入匹配，對戴口罩人臉啟用掩碼感知的區域性區域重排序。該方法在擴充套件LFW-Mask資料集上，利用FaceNet骨幹網路達到80%以上識別準確率，使用ArcFace骨幹網路超過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%的影像塊，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。它在高品質文本到影像生成、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，但透過模型理解、資料質量和訓練流程的針對性改進以及推理時擴充套件，其效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2.0862億張獨特影像，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，並構建音訊曼巴編碼器（AME）以克服卷積運算元在全時頻依賴捕捉上的侷限。在Matterport3D資料集上，導航成功率提升11.3%，在Replica資料集上表現更優。該工作以更低計算成本實現更強具身表徵，為視聽導航正規化演進提供了穩健技術路徑。

知識追蹤（KT）旨在透過建模學生歷史互動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互動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），將學生互動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。在六個基準資料集上，PAKT最大AUC提升1.33%，平均提升0.82%。

該研究將何時呼叫大語言模型（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。在渦扇退化資料上的實驗表明，異常得分驅動的風險函式在Pareto AUC上比基線方法高出一個數量級。

針對引數分解（PD）在大模型上計算成本高的問題，研究者提出定向引數分解（tPD），透過引入高秩“全能”元件僅處理目標輸入，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，透過解耦特徵提取與分類器最佳化，大幅減少訓練時間和能耗，在多種架構和醫學資料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資訊。本文提出了一種上下文增強提示框架，透過圖神經網路工具提供預測提示和解釋性子圖，在MUTAG和Tox21資料集上實現了高達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運算元，可更新模型引數或支架元件。文章按更新目標和驅動訊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，透過替換單個前提中的目標謂詞，重新執行模型，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”的訊號。

研究人員提出SPINE，一種智慧體框架，可自動除錯和部署雙臂機器人，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程式，從而將二維設計轉化為三維模型。該方法透過分析模型自身的錯誤來生成改進資料，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。

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 程式碼庫，並承諾刪除所有已上傳資料。該程式碼庫包含 844,530 行 Rust 程式碼，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今日釋出了其首個基礎模型Inkling，這是一款完全開放權重的巨型模型，擁有9750億引數（混合專家架構，活躍引數410億）。該模型經過45萬億token的文本、影像、音訊和影片訓練，原生支援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。開發者可透過Tinker API進行微調。Thinking Machines計劃透過Tinker平臺收費，而非按API呼叫計費，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，使用輝達GB300 NVL72系統訓練。

思考機器實驗室於2026年7月15日釋出了其首個從頭訓練的模型Inkling，採用Apache 2.0開源協議。該模型總引數量9750億，活躍引數410億，支援100萬token上下文視窗，可處理文本、影像和音訊輸入。其核心差異化優勢在於可控制的思考力度，使用者可根據需求調整推理時的token預算，平衡成本與效能。

NVIDIA釋出了基於Thor架構的T3000和T2000模組，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。新模組支援可擴充套件邊緣AI平臺，並引入智慧體技能實現記憶體最佳化。同時推出Cosmos 3 Edge模型，適用於即時視覺分析。開發者可透過模擬模式立即開始開發，模組將於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臺集中，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，但即時成本控制仍不成熟。

德國研究聯合體釋出了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316億引數，每次token啟用約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路訓練中的“分數平滑”效應，使得模型能夠在訓練資料點之間插值，生成新穎且合理的樣本。

在一次駭客事件中，AI音樂生成器Suno的訓練資料被曝光，顯示其從YouTube Music、Deezer和Genius等平臺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。駭客還獲取了客戶資訊，但Suno聲稱安全事件已得到控制，未洩露敏感資料。

一個研究團隊成功利用分佈在四個國家的14臺Mac電腦（包括一臺個人MacBook）進行強化學習後訓練，在PaperSearchQA任務上將pass@1從29%提升至63%。該系統透過PULSE權重同步技術實現90MB的增量更新，並採用非同步星型拓撲結構，所有通訊基於物件儲存，無需專用網路。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，透過在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呼叫次數減少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，允許攻擊者透過巢狀連結誘導AI洩露使用者私人記憶中的敏感資訊，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，能夠將使用者繪製的形狀自動轉化為可摺疊的DNA奈米結構，大幅簡化了傳統DNA摺紙技術繁瑣的設計過程，為奈米機器人和醫療應用開闢新途徑。

AI-CLI是一個用單一C檔案實現的命令列助手，可將使用者請求直接轉換為shell命令並執行。它支援多種本地LLM引擎，如llama.cpp、Ollama等，並允許使用者在執行前編輯或拒絕生成的命令。該專案提供了豐富的示例和廣泛的平臺相容性。

OpenAI的自動化紅隊系統GPT-Red利用自我博弈提升AI安全性、對齊性和提示注入魯棒性。

儘管Anthropic聲稱其模型Claude內部出現意識跡象，但神經科學家阿尼爾·塞思認為，這不過是模擬，就像天氣預報系統不會產生真實颶風一樣。

本文介紹了一種用於AI治療的系統設計，該系統透過確定性管道決定臨床行動，不讓LLM自行決策。系統包括評分、狀態桶、准入表、動作選擇、微實踐和危機預篩查等步驟，僅在評分和生成階段使用LLM。文章還討論了該方法的成本與侷限性。

DiffRadar是一種即時雷達SLAM系統，將雷達觀測建模為可微的物理感知高斯場，而非離散掃描。在公共基準測試中大幅降低軌跡誤差，尤其在特徵貧乏的走廊環境下，同時地圖一致性提升一倍以上，並保持70 FPS的即時效能。

本文提出一種基於契約的行為樹合成架構，透過編碼智慧體查詢機器人端的MCP伺服器獲取技能庫和運算子，實現從自然語言到可執行行為樹的可靠合成。實驗表明該方法在模擬和實體機器人上均取得高成功率。

一項研究探討了在協作單詞聯想遊戲中，機器人的注視行為如何影響人類的視覺注意力，以及人類是否傾向於向機器人尋求確認性的注視。實驗使用NAO機器人作為大語言模型驅動的對話夥伴，發現機器人注視方向不影響人類首次注視提議單詞的時間，但參與者在對話中包含確認請求時會更頻繁地注視機器人。結果表明，在認知要求高的任務中，語言方面可能壓倒了機器人注視的影響。

GaitSpan是一種新穎的人形機器人步態擴充套件框架，它利用預訓練的行走策略作為種子技能，透過節奏生成、步幅塑造和殘差適應三個模組，將基本行走能力平滑擴充套件到奔跑，實現了連續速度範圍、跨形態遷移和零樣本部署。

提出一種無監督影像翻譯框架，將白天植物行RGB影像轉換為近紅外（NIR）夜間影像，無需逐畫素監督，從而重用白天語義標籤訓練夜間感知模型。利用預訓練CLIP模型保持語義一致性，並引入可見性掩碼處理NIR照明有效範圍有限的問題。在AgriNight資料集上評估，該資料集包含428張白天和549張夜間影像，是首個夜間農業視覺導航基準。實際機器人夜間導航實驗驗證了有效性。

多機器人在受限環境中需要變形和重構兩種行為。現有方法獨立建模或依賴規則，易導致死鎖。EFLUX提出幾何基礎的LLM智慧體框架，聯合推理變形和重構動作，透過閉環生成與驗證實現安全導航。實驗表明能減少死鎖和導航失敗。

一項新研究探討了無需訓練的人工合成影像溯源方法中表示空間與參考選擇之間的相互作用。透過分析CLIP和DINOv2不同層的表示，以及三種參考選擇方法，發現中間層的表示在溯源準確率上表現最佳，且語義約束的參考能有效減少查詢與參考之間的不匹配，提升溯源效能。