NVIDIA 推出的 GPU 原生医疗物理仿真框架（Medical Physics Simulation）通过经典物理求解器和生成式世界模型，解决了医疗机器人领域数据稀缺、泛化困难与开发周期长（4–7 年）三大核心挑战，为大规模强化学习训练提供了实时、高保真的仿真基础设施。
值得关注：与已有相关卡片中提到的工业/仓储机器人部署不同，医疗机器人面临独特的数据限制，该框架首次提供了专为医疗场景设计的、开源且 GPU 原生的仿真工具，使强化学习和大规模策略训练成为可能。 生成式世界模型与经典物理求解器的结…
宇树科技发布轮足机器人 As2-W，仅 25 kg 的机体可实现 150 kg 站立负载，具备高速滑行、长续航和复杂地形适应能力，并可选配 AI 大模型完成自然语言指令理解与自主巡检。
值得关注：**技术突破**：在 25 kg 级机器人上实现 150 kg 负载，刷新行业载荷/自重比。 **AI 融合**：接入视觉语言模型后，机器人可理解自然语言指令（如“检查三楼配电箱”），自主规划路径并执行巡检，降低部署门…
英伟达CEO黄仁勋发起开源模型公开信，获得包括微软纳德拉、Meta杨立昆等70余家机构签署，OpenAI也加入，唯独Anthropic未签约，其员工以反讽方式回应；该倡议被认为暗含巩固英伟达推理算力护城河的商业博弈。
值得关注：该事件折射出AI产业链的复杂利益格局：开源模型越普及，部署越分散，对英伟达推理芯片的需求越大，从而巩固其硬件护城河。 黄仁勋作为硬件厂商发起开源倡议，被解读为商业战略而非纯粹技术理想主义。 Anthropic的反讽（要…
一份新报告表明，科学家正在利用AI编程智能体（coding agents）来推动科学计算的现代化，从而加速基因组学等领域的软件开发和发现进程。具体细节需从完整报告获取。
值得关注：**与既有脉络的关系**：本卡片不同于之前关于“AI投资管理”或“NVIDIA硬件”的卡片，它直接从科学家使用AI智能体的实例出发，提供了**应用层**的实证。此前卡片侧重企业投资框架和底层芯片，本条补充了“实际科研场…
Sam Altman在近期公开发言中指出，AI能力已沿着指数曲线进入“奇点”状态。他观察到，小型团队借助Coding Agent仅用数周就能完成过去需要一整年才能做出的产品原型，开发节奏被彻底改变。但他同时批评多数创业公司的应对方式仍然“太像十年前”——仅仅减少招聘人数、增加Token使用量，这远远不够。
值得关注：这是AI行业领军人物对当前阶段最直接的定性判断——“奇点”已至，而非未来预期。 对创业者和技术管理者具有实操指导：如何重构代码库、如何聚焦关键任务、如何重新分配团队精力。 与已有相关卡片（SIMA 2、编码智能体基准、…
美团开源了总参数1.6T、平均激活约48B的万亿参数模型LongCat 2.0，原生支持100万超长上下文，是首个在五万张国产算力卡上完成全流程训练推理的万亿模型；同时上线全场景AI Agent平台CatPaw，已覆盖美团内部9万员工、搭建3万个Agent，并融入本地生活全链路认知与专家技能。
值得关注：与已有相关卡片不同，本条聚焦于“万亿参数国产算力模型+垂直行业Agent平台”的工程落地，展示了从模型开源到内部全场景智能化的完整链路。相比SIMA 2等通用代理，CatPaw更强调本地生活领域的专家知识封装和企业级私…
蚂蚁集团inclusionAI团队开源的千亿参数MoE扩散语言模型LLaDA2.2，首次让扩散模型在长程Agent任务中能力接近顶尖自回归模型，且吞吐量更高（BF16平均为自回归模型的1.64倍），真正实现了“边行动边纠错”。
值得关注：LLaDA2.2证明了扩散模型在Agent赛道不是非主流选择，其速度与成本优势（尤其适用于物理世界部署和端侧设备）使其与自回归模型形成互补。这预示未来Agent系统可能采用“双轨并行”——严格流程由自回归执行，快速探索…
VetClaw 将摄像头等边缘感知设备与云端视觉-语言模型（VLM）结合，通过分离智能体交互与工作流编排，实现零样本的兽医疾病初筛；仅依赖图像时 VLM 性能有限，而结合症状描述的多模态输入可提升零样本分类效果。
值得关注：区别于传统单一模型推理，VetClaw 首次在兽医筛查领域实现了边缘-云协同的智能体工作流，整合了工具使用、安全规则和故障处理，使得 AI 辅助诊断从实验走向实际部署更具可靠性和可操作性。同时，其架构设计（OpenCl…
MILD 是一种将自驱动网络的意图保证从被动漂移检测转向主动故障预测的框架，通过教师增强的混合专家架构实现多意图故障预测与根因归因，并在模拟/微服务/SDN测试床中验证了高检测率和长预警提前量。
值得关注：核心增量：区别于已有反应式漂移检测方法，MILD 首次将意图保证问题转化为主动故障预测，并解决了耦合意图间的根因消歧这一未充分探索的挑战。
UniMem: Complementary Episodic-to-Parametric Memory for Boundary-Agnostic Task Streams
Spend Experts Where You Are Unsure: Confidence-Adaptive Routing for Mixture-of-Experts LoRA
Sharpness-Aware Minimization and Muon: Robustness under the Spectral Norm
GARFIELD 通过一个统一的潜在表示同时实现未来轨迹的快速采样和运动概率密度的直接估计，在运动规划性能与大型视频生成模型相当的情况下，轨迹采样速度快 97 倍，密度估计比蒙特卡洛采样快两个数量级。
值得关注：GARFIELD 首次在单一框架中同时支持快速轨迹采样和密度直接估计，避免了视频生成模型的冗余计算和蒙特卡洛采样的高开销。这为自动驾驶、机器人操作等实时场景理解与规划提供了高效的不确定性量化手段。与现有通过学习场景状态…
Reinformed Dreamer 通过一种新的非对称表征学习目标（潜在引导）改进了基于模型的强化学习，相比之前的非对称方法（如 Informed Dreamer）在多个基准上更稳定地超越 Dreamer 基线。（待核实具体改进幅度）
值得关注：首次系统分析了非对称方法在基于模型 RL 中特权信息表征的瓶颈，并提出针对性解决方案。 潜在引导目标可作为一种通用模块，方便集成到其他世界模型框架中。 与既有梳理的关系：本卡片不重复已有卡片内容（评估自主AI模型发现、…
通过三阶段改造（优化测试集与校准沙箱、组合正确性与速度的奖励设计、适配稀疏噪声环境的GRPO训练），强化学习可成功从代码正确性扩展至代码优化，在DMC-Optim上使top‑50% pass@1提升约13个百分点，且保持纯正确性分数不变。
值得关注：此前RL主要关注代码正确性，而实际应用中代码效率同样关键。本文首次系统展示了如何在实践中克服噪声与稀疏性问题，将RL有效用于代码优化，为自动化生成更快且正确的程序提供了可行路径，且实验结果显著优于简单添加速度奖励的基线。
Re-thinking Mammography Transfer Learning: The Dataset-Informed Transfer Learning (DITL) Framework for Breast Cancer Screening and Lesion Diagnosis
值得关注：提供了一种无需手动调参的迁移学习方案，提升了实际临床应用的可操作性。 首次在统一框架中同时处理小规模病灶特征和大规模人群密度特征，拓展了迁移学习在医学影像中的适用范围。 与既有方法（如Focal Loss）相比，消除了…
Quasi-SVD通过仅强制一个因子矩阵严格正交（李群参数化）、另一个因子通过软约束恢复的非对称设计，实现了完全并行的GPU矩阵分解，在医学成像任务中达到3-20倍加速和超过25 FPS的临床实时吞吐量，同时保持SSIM 0.89-0.94的重建保真度。
值得关注：与已有相关卡片（如Panda用于MR实时异常检测）不同，本工作直接挑战了计算成像中的基础线性代数操作层，使结构化矩阵分解首次在**临床实时管线**中变得实用。 增量信息：它是在**底层分解算法层面**实现加速，而非依赖…
现有最先进的大语言模型（LLM）在充当政治信息中介时，高聚合得分掩盖了系统性失败：它们在信息清晰时表现可靠，但在信息缺失、模糊或矛盾时频繁崩溃，同时会扁平化政治语言强度，且失败可能受政党先验和输出语言影响；目前没有模型能一贯可靠地完成这一中介任务。
值得关注：填补了LLM政治信息中介评估的标准化空白，揭示了仅靠聚合分数评估的误导性。 强调“认知谦逊”作为规范标准，对民主治理中的AI部署具有直接政策意义。 与已有相关卡片（自动驾驶漏洞、VLM定位、引用验证器）主题正交，本卡片…