精选

AutoModSAT 利用大型语言模型（LLM）自动发现并优化 SAT 求解器的启发式策略，在多个基准测试中性能相比基线求解器提升 40%，相比当前最优求解器提升 30%。

值得关注：克服了传统自动配置依赖“人工定义搜索空间”的根本局限，将启发式发现从手工设计推向自动化。 为计算机科学基础算法（SAT）与 LLM 的结合提供了一条可扩展的路径，有望推广到其他复杂求解器优化任务。

将推断出的家庭行为结构嵌入神经过程（Neural Process）的预测机制中，比仅用作外部分组信号更有效：在SGSC数据集上，最佳变体相比无行为标签的ANP基线平均降低MAE 7.9%、CRPS 6.9%，且在有限上下文场景下增益最大。

值得关注：传统方法通常先对用户聚类再分别建模，或仅将聚类标签作为外部特征；该工作首次将行为结构直接融入神经过程的概率预测机制中，实现端到端学习，并且无需真实行为标签即可适配训练。此思路可推广到其他行为模式驱动的时序预测场景（如交…

当前最强的多模态大语言模型（MLLM）在需要主动、循环的视觉观察任务上大幅落后于人类（人类平均96.1%，最佳模型GPT-5.5仅10.6%，Claude Fable 5仅3.5%），表明这些模型缺乏鲁棒的主动视觉观察能力。

值得关注：首次系统性地衡量MLLM的主动视觉观察能力，填补了现有基准的空白。 揭示了即使是顶尖模型在需要动态迭代视觉信息的任务上的系统性失败。 对于开发更接近人类视觉的AI系统具有指导意义。

本文提出了一种基于物理硬件中随机模拟过程（朗之万动力学）的节能快速热力学计算蓝图，通过可调能量势构建参数化能量基模型，并利用概率图模型框架训练主流机器学习模型；初步实验使用热噪声驱动的超导电路实现了该硬件原型，为概率机器学习的节能硬件指明了方向。

值得关注：提出了一种全新的计算范式：利用物理随机涨落（热噪声）进行模拟计算，有望从根本上突破冯·诺依曼架构的能耗与速度瓶颈。 与量子计算不同，热力学计算基于经典热力学过程，可能更易在室温或低温下工程化，且与现有半导体工艺兼容性*…

对于任意有限维度 \(n \geq 4\)，存在一个非空开集（因而具有正勒贝格测度）的严格凸二次优化问题及初始点，使得长步 Barzilai–Borwein (BB1) 方法收敛，但**不能达到根超线性收敛**（root-superlinear convergence）。其梯度范数、能量范数和目标间隙均被几何序列从上下两方界定，从而排除了超线性收敛的可能性。

值得关注：解决了一个长期开放问题，否定了 BB 方法“几乎必然超线性收敛”的猜想。 反例具有**正勒贝格测度**（开集），而非孤立病态点，因此具有理论上的普遍性。 与已有相关卡片（如 SOAP/Muon 优化器、ARMOR++ …

阿里推出的Qwen-Audio-3.0-Realtime实时语音交互模型支持音色克隆与情感感知生成，可动态调整语气节奏，在Artificial Analysis语音推理子项综合排名第一，超越GPT-Realtime-2。

值得关注：当前语音交互模型大多缺乏情感和语调变化，Qwen-Audio-3.0通过情感感知生成和音色克隆技术，显著提升了用户体验。此外，其在多人嘈杂环境下的精准锁定和低时延打断能力，使得实时对话更加流畅自然，为智能音箱、车载语音…

清华团队 Xmax AI 推出实时交互视频模型 X2.0，画质提升至 960p/24fps、延迟达到毫秒级，并开放 API 供商用，成本仅为竞品 Decart 的十二分之一，目标是将视频从单向观看变为可实时操控的交互界面。

值得关注：与竞品 Decart 的对比：成本仅为十二分之一，意味着实时交互视频的商业化门槛大幅降低。 实时性与端侧推理的结合：在手机端实现毫秒级延迟的实时视频操控，此前主要依赖云端算力，X2.0 展示了端侧推理的可能性。 增量信…

OpenAI主张青少年应平等获得安全的AI工具，并正在为ChatGPT添加适龄保护、学习工具、家长控制及专家合作机制。

值得关注：填补了主流AI产品在青少年安全合规方面的空白，为行业树立参考。 回应了监管机构对AI未成年用户保护的要求，尤其符合欧美儿童隐私法规（如COPPA、GDPR-K）。 区别于前序相关卡片（如Sanctuary AI的工业应…

原力灵机发布具身世界模型DW0.5，将其作为VLA后训练的“虚拟环境”，通过三大专家模块实现强化学习的低成本闭环，使真机数据需求降低60%、训练成本降低40%。

值得关注：具身智能长期面临后训练飞轮难以闭环的困境——真机试错成本高、人工反馈难以高频覆盖、传统仿真与现实差距大。DW0.5提供了一种介于真机与仿真之间的“学习型环境”，让VLA能在虚拟世界中低成本高频探索、获得密集反馈，是“世…

腾讯Robotics X联合混元发布并开源了具身世界认知基座模型RxBrain，能够在单一模型内统一文本、图像与视频的理解和生成，搭配模态路由的MoT架构，在真机操作任务平均成功率达87%，超越π0与π0.5。

值得关注：**开源与基座模型定位**：RxBrain作为开源基座模型，降低了具身智能研究的入门门槛，推动社区在统一认知模型而非拼装模块的路线上探索。 **性能突破**：87%的真机成功率表明在单一模型中实现多模态协同推理已具备实…

彭博社披露 OpenAI 首款自研硬件是一款无屏、可移动的智能音箱，搭载全双工 GPT‑Live 语音交互，能通过摄像头和传感器感知环境，主动预测用户需求并控制智能家居，标志着 OpenAI 从软件走向“终端+入口”战略。

值得关注：**与既有脉络的关系**：此前 OpenAI 的硬件传闻多集中于手机、AR 眼镜等形态，本次披露的“无屏移动音箱”是首个被确认的具体形态，且强调“移动”和“无屏”，与现有智能音箱（如 Amazon Echo、Apple…

波士顿动力在液压、运动控制等机器人技术上长期是行业标杆，但技术成本高、量产难、与真实商业场景匹配度有限，导致其始终难以做大；被现代汽车集团逐步转为全资子公司后，2024年亏损扩大至4405亿韩元，2026年月产量据称仅约4台Atlas。其最大启示是：机器人创业不能只追求技术领先，必须从真实需求出发定义产品，并最终回答“人形机器人到底能在哪个场景长期干活并持…

值得关注：在AI和机器人产业从技术研发走向规模落地的关键时期，波士顿动力提供了一个完整的样本：技术全球领先，却三易其主，最终被汽车集团全资收编。本卡片的增量信息是波士顿动力全资化后的最新资本结构、亏损数据和“每月4台Atlas …

银河通用提出 WAM‑TTT（World‑Action Model Test‑Time Training）框架，首次将测试时训练（TTT）范式从大语言模型迁移至物理世界的机器人控制，让机器人仅凭未标注的人类视频即可在部署阶段快速适应新场景，无需重新预训练或昂贵的遥操作数据。

值得关注：**行业痛点突破**：此前具身智能行业的核心瓶颈是“训练时精通、部署时失灵”，客户每换一个点位就需重新采集数据、重新适配模型，成本极高。WAM‑TTT 用人类视频替代昂贵的机器人遥操作数据，使规模化落地成为可能。 **…

逐际动力发布COSA，机器人一镜到底做家务

Cohere与多伦多大学于2026年7月16日宣布多年期合作，将Cohere的私有可部署、企业级AI平台North整合进多伦多大学的全校AI平台，以支持负责任AI在高校场景中的规模化采纳。

值得关注：在已有卡片讨论AI支出、基础模型和公众参与之外，本条提供了另一条产业脉络：AI公司通过产学研合作嵌入大学基础设施。Cohere以私有化部署和“负责任AI”为卖点，与大学合作构建全校AI平台，显示AI竞争可能正从通用技术…

两位杨教授（杨国安、杨斌）一致认为，AI时代企业变革成败的关键在于“一号位”（CEO）的信念、勇气与热爱。杨国安通过“杨五环2.0”提供了一份从技术到领导力的系统化变革蓝图；杨斌则通过“AI次方变革”与“组织的中年”理论，强调成熟组织必须主动“变小”、在边缘地带孕育颠覆性创新才能赢得未来。

值得关注：对比已有卡片（如NIST AI RMF、AlphaEvolve、AlphaEarth），本卡片聚焦于**企业管理与组织变革层面**，而非技术规范或具体应用。它直接回答了“企业如何在AI时代生存并胜出”这一根本战略问题。…

知网明确禁止将AI（如DeepSeek、Gemini）列为论文作者，已下架相关论文，并要求使用AI必须在研究方法或致谢中说明，否则不予上线传播。

值得关注：这是国内头部学术数据库首次对AI署名问题做出明确、可执行的处置措施（下架+禁止上线），具有示范效应。 回应了近期学术圈对AI论文署名乱象的担忧，推动了AI在科研中使用的透明化与可追溯性。

"四张王牌"破局10万级市场，零跑全新B01和B10正式上市

NVIDIA BlueField-4 DPU、Vera BlueField-4 STX存储处理器与DOCA软件平台构成AI工厂的“基础设施操作系统”，通过卸载、加速和隔离网络、存储、安全、遥测及上下文管理任务，提升GPU利用率、降低每token成本并增加每瓦token数，以应对智能体AI工作流对基础设施数据路径的新需求。

值得关注：本卡片是对已有“NVIDIA Vera CPU提升AI工厂吞吐量以加速智能体工作负载”的延续与补充。上一卡片聚焦Vera CPU本身的计算能力；本卡片则揭示AI工厂中基础设施层的关键角色：即使CPU再强，若基础设施（网…

普林斯顿教授Narayanan在ICML 2026指出，当前AI能力虽快速提升但可靠性几乎停滞，提出“智能体三难”（通用性、高风险、自动化不可兼得），并认为AI更应被定位为协作工具而非替代工具，人类需将节省时间再投资于自身成长，先成为专家再借AI放大能力。

值得关注：当前行业普遍聚焦模型能力竞赛，而忽略可靠性与社会退路。Narayanan的观点提供了一个冷静的“长期主义”框架：若不顾“三难”约束盲目推进全自动化，可能引发系统级安全事件；反之，以协作为核心的渐进策略既能释放效率，又能…