AI 日报 · 2026-07-16

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。

Barzilai–Borwein (BB) 方法是一类经典的无标量步长梯度下降法，在实践中表现出强劲性能，但其收敛动力学（尤其是否能在“几乎所有”严格凸二次问题和初始点上实现超线性收敛）长期悬而未决。本文通过对 BB 动力学在四维投影空间中的第七周期吸引子进行计算机辅助证明，构造了一个反例族，否定了上述猜想。

arXiv 论文

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。

2026年7月16日，阿里升级其语音交互模型为Qwen-Audio-3.0-Realtime。该模型在实时语音交互中具备情感感知能力，能根据上下文动态调整语气和节奏，告别机械朗读感；内置多模态双工控制模型，支持声纹级背景过滤，可在嘈杂多人环境中精准锁定主对话者，打断检测与响应时延领先；同时支持动态工具调用完成路线规划、信息查询等任务。

腾讯研究院（搜狐同步）

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。

2026 年 7 月 16 日（腾讯研究院 AI 速递报道），Xmax AI 发布其实时交互视频模型 X2.0，面向企业客户开放商业 API。该模型采用端到端流式重渲染架构，支持实时操控视频画面，并已实现 iPhone 端侧推理。

腾讯研究院（搜狐同步）

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。

OpenAI在其官网发布文章《Why teens deserve access to safe AI》，阐述其面向青少年用户的安全策略。文章指出，AI可以帮助青少年学习、创造和探索，但需要设计专门的防护措施。OpenAI正在为ChatGPT加入适龄内容保护、教育导向功能、家长监管工具，并与儿童发展专家合作以完善方案。（*待核实：具体发布日期和文章细节*）

OpenAI

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%。

2026年7月，原力灵机发布首款具身世界模型DW0.5，并将其接入世界模型驱动的具身智能后训练框架DFOL 2.0。该模型用上万小时真机、多视角数据完成联合预训练，能高保真模拟成功与失败轨迹，支撑VLA模型的在线强化学习训练，解决具身智能后训练中缺乏低成本反馈闭环的行业难题。

量子位

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。

2026年7月16日，腾讯Robotics X与混元团队联合推出并开源了名为RxBrain的具身认知基座模型。该模型旨在为机器人提供高层视觉与语言协同推理能力，从而指导下游动作模型执行物理任务。RxBrain已基于超过5万小时的具身数据训练，并在联合规划评估中优于传统模块化方案。

腾讯研究院（搜狐同步）

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。

2026 年 7 月 16 日，彭博社爆料 OpenAI 正在开发其首款自主硬件设备，该设备被描述为“无屏移动式 AI 音箱”，内置摄像头与传感器，可感知环境语境，并通过 ChatGPT 语音控制智能家居。设备搭载全双工 GPT‑Live 语音交互系统，能根据用户日程、邮件与习惯主动预测需求、提出建议，复杂任务则交由更强模型处理。OpenAI 目前约有五款…

腾讯研究院（搜狐同步）

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…

本卡片要回答的问题是：为什么“世界上最会造机器人的公司”波士顿动力始终难做大？材料以波士顿动力三十多年发展为主线，对比当下中国机器人公司密集上市的背景，梳理其从DARPA研究项目到被谷歌、软银、现代汽车多次收购，最终被完全纳入现代汽车集团的历程，分析其技术能力与市场商业化之间的落差。

腾讯研究院（搜狐同步）

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。

2026 年 7 月 16 日，银河通用正式发布全球首个面向具身智能大模型的测试时后训练框架 WAM‑TTT。该框架基于预训练的世界动作模型（WAM），通过在推理阶段引入轻量级快速权重记忆模块，使机器人能够从原始人类 RGB 视频中理解当前任务，并将场景信息写入临时记忆，再结合原有动作能力完成任务。这解决了具身智能行业长期存在的部署后泛化性衰减、跨场景适配…

量子位

逐际动力发布COSA，机器人一镜到底做家务

腾讯研究院（搜狐同步）

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。

2026年7月16日，Cohere和多伦多大学宣布建立多年期合作伙伴关系，旨在支持这所加拿大领先的研究与教育机构负责任地采纳AI。合作将Cohere的“主权级、企业级”AI技术与多伦多大学在科研、教育和负责任技术采纳方面的专长结合。Cohere的私有可部署agentic AI平台North，将作为多伦多大学即将推出的全校AI平台的“编排层”，帮助大学社区成…

Cohere 博客

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。

在清华大学经济管理学院举办的《智在未来》新书发布会上，杨国安教授发布了其关于AI时代企业战略与管理的“杨五环2.0”模型。同时，杨斌教授提出了与之互补但视角迥异的“AI次方变革”理论，并剖析了成熟组织面临的“组织的中年”困境。两位教授共同探讨了CEO在AI变革中的核心作用。

腾讯研究院（搜狐同步）

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。

针对部分期刊将DeepSeek、Gemini等AI模型列为作者引发的争议，中国知网（CNKI）已对这类论文作下架处理，并公开发布声明：不接受AI被列为署名作者。所有作者必须为自然人、法人或非法人组织；若使用AI辅助研究，必须在“研究方法”或“致谢”部分明确说明，以保证可溯源，违背此规则的论文不予上线传播。

腾讯研究院（搜狐同步）

"四张王牌"破局10万级市场，零跑全新B01和B10正式上市

新智元

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。

2026年7月16日，NVIDIA在技术博客中介绍了BlueField平台如何通过极致协同设计（extreme co-design）规模化智能体AI工厂。文章指出，智能体AI将推理从单一模型执行扩展为分布式工作流——一个请求可触发多次模型调用、工具调用、内存查找、策略检查、存储访问与网络传输。因此，基础设施数据路径成为推理管线的一部分，需要高速移动、保护、…

NVIDIA 博客

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。

在ICML 2026会议上，普林斯顿大学教授Narayanan针对AI行业普遍存在的“替代焦虑”提出批判性观点。他认为，尽管AI模型能力持续飙升，但可靠性（如鲁棒性、可解释性、安全性）几乎停滞不前，导致高自动化场景下风险不可控。由此他提出“智能体三难”：通用性、高风险、自动化三者无法同时成立——任何智能体在追求高度通用和高自动化的同时，必然伴随高风险，反之…

腾讯研究院（搜狐同步）

2026年7月16日，NVIDIA 技术博客详细介绍了如何将上下文感知的视频 AI 代理集成到企业工作流中。该方案基于 NVIDIA NemoClaw（用于构建自主代理的开放蓝本集合）和 NVIDIA Blueprints（可定制的参考工作流），具体使用了 Metropolis Blueprint for Video Search and Summariz…

NVIDIA 博客

Cars24通过集成OpenAI驱动的语音和聊天代理，每月处理超100万分钟的对话，成功挽回了12%的丢失销售线索，并将代理工作流（agentic workflows）推广至全公司多个团队。

Cars24（一家二手车交易平台）部署了基于OpenAI模型的语音和聊天代理，用于处理客户咨询。该代理系统每月处理超过100万分钟的对话，成功挽回了原本可能流失的销售线索（12%）。此外，该公司还将此类代理工作流扩展到内部多个团队，使更多部门能够自主构建和运行智能体。

OpenAI

大型语言模型（LLM）中的物理危险（Physical Danger，PD）与文本内容危险（Content Danger，CD）在隐状态空间中形成可分离信号；基于此设计的 PRISM 单层逻辑探针能以低误报率高精度检测物理风险，显著优于同等规模的 LLM 裁判。

LLM 越来越多地被用作具身智能体的高层次规划器。一条在语言层面完全安全的指令，一旦在物理世界中执行，可能变得不安全。本文研究“物理危险”是否等同于传统的“内容危险”问题。通过隐状态方向分析和随机分割零检验，作者证明 PD 和 CD 在多个 LLM 的表示空间中构成可分离的信号。

arXiv 论文

TikStance 是一个包含 161 个视频和 13,876 条评论的多模态层次数据集，覆盖 2024 年美国大选周期中的三位主要政治人物（Donald Trump、Joe Biden、Kamala Harris），为短视频平台政治立场检测提供了可靠的标注基准。

政治讨论正大量迁移到短视频平台，但计算分析受限于缺乏同时保留视听信息和层次对话结构的数据集。TikStance 旨在填补这一空白，支持在视听与对话上下文中进行多目标立场分析。

arXiv 论文

AI正从工具转变为科研循环中的自主参与者，导致研究从“手工艺模式”转向“流水线模式”，即研究的工业化；这一转变虽具潜力，但带来七大关键问题，需在负责任推进的前提下加以应对。

2026年7月，Emmanuel Jeannot在arXiv发表论文“The Industrialization of Research ; On AI-Driven Science and Its Consequences”，系统论述了人工智能对科学研究的根本性重塑：AI不再仅仅是更强大的仪器，而是成为研究循环中自主参与的实体。这标志着研究从“手工艺模型…

arXiv 论文

teLLMe 将行车记录仪视频标注构建的结构化事件表与 PC 因果结构学习、bootstrap 稳定性检查和 DoWhy 线性回归相结合，并通过 schema‑aware LLM 将自然语言问题映射为结构化因果查询，从而为交通机构从观测数据中估计天气、高峰时段等因素对交通密度的因果效应，返回可解释的“因果卡片”。

交通机构可获取大量视频衍生的观测数据，但这些数据缺乏干预，难以直接回答“降雨如何改变交通密度？”等因果问题。本文提出 teLLMe 系统，旨在对城市驾驶数据集进行探索性因果分析，帮助研究人员从观测数据中生成假设并进行专家推理。

arXiv 论文

T²MLR 通过在 Transformer 解码过程中引入前一个 token 的中间层表示到当前 token 的早期层，使中间推理状态得以跨时间步持久化，仅用少量网络层（约 20%）的局部循环即可在自然语言预训练和多跳推理微调中一致超越参数匹配的基线模型，且无需从零预训练，可直接改造现有预训练模型。

T^2MLR: Transformer with Temporal Middle-Layer Recurrence

arXiv 论文

Symbal 是一个基于现成基础模型的双阶段框架，能够自动检测多模态大语言模型（MLLM）生成图像描述中的系统性错误（即与特定视觉特征相关的重复性错位），并在 SymbalBench 基准上实现了 63.8% 的准确率，相比最强基线提升近 4 倍。

多模态大语言模型在生成图像描述时常引入错误，导致图像-文本对错位。本文聚焦一类称为“系统性错位”（systematic misalignment）的错误——指 MLLM 生成的描述中，一个反复出现的错误与图像中某个视觉特征紧密相关。为此，研究者提出了检测此类错误的任务（systematic misalignment detection），并开发了 Symb…

arXiv 论文

不确定性度量不是需要公理化的原始量，而是更高层建模决策的结果；通过将严格真损失对应的主观风险分解，可以统一导出认知不确定性和偶然不确定性度量，并为学习理论提供新框架。

作者提出一种新的不确定性量化（UQ）视角：传统观点将不确定性度量视为需要公理和论证的原始概念，而本文认为它们应被视为建模决策的后果。核心问题是：能否通过一个统一的理论框架，从少数高层选择（如严格真损失）出发，自动导出现有的各种认知/偶然不确定性度量，并连接学习理论中的超额风险、近似误差和估计误差？

arXiv 论文

无监督可见光-红外行人重识别（USVI-ReID）面临两大挑战：模态间巨大差异以及缺少跨模态身份标注。已有渐进关联范式试图逐步弥合差距，但存在两个关键瓶颈——依赖模糊的全局表示、以及开环方式下伪标签噪声不受抑制地传播。

arXiv 论文

本研究提出了一种结合大语言模型（LLM）与专家审核的自进化标注框架，旨在为抑郁症相关数据集提供结构化、可追溯、符合DSM-5-TR标准的症状级证据和标签生成，在初步研究中提升了标注一致性与可解释性并减少了人工修改工作量。

在心理健康可解释人工智能（XAI）研究中，标注质量是主要瓶颈。现有抑郁症数据集的标签常缺乏结构化证据、症状级论证或与DSM-5-TR标准的可追溯对齐，限制了透明度和下游模型的可解释性。该工作试图解决：如何利用LLM辅助并融入专家反馈，构建自进化、可审计的标注流程。

arXiv 论文

SearchOS 提出了一种系统级多智能体框架，通过将隐式搜索进度外显化为持久共享状态（前沿任务、证据图、覆盖图、失败记忆），并引入管道并行调度与搜索工具中间件，显著提升了开放域信息搜索代理在长交互历史下的鲁棒性和效率，在 WideSearch 和 GISA 基准上全面超越现有单/多智能体基线。

问题：集成工具的 LLM（Tool-Integrated LLM）已使搜索成为核心能力，但随着交互历史增长，智能体难以跟踪任务进度；当搜索尝试失败时，当前单/多智能体系统可能陷入重复循环，浪费搜索预算并损害最终输出的质量与完整性。 目标：构建鲁棒的开放域信息搜索智能体协作系统，使搜索进度显式化、可持久化、可共享。

arXiv 论文

SciDiagramEdit: Learning to Edit Scientific Diagrams from Paper Revisions

arXiv 论文

SceneBind 提出了一种统一的全模态场景表示，在实例级语义（“有什么”）基础上加入了显式的3D空间结构（“在哪里”），并在跨模态场景检索和音频-视觉定位任务上达到当前最优。

现有的全模态编码器擅长识别场景中的物体类别（实例级语义），但缺乏对物体空间位置和3D结构的显式建模。SceneBind 的目标是让模型同时理解“场景中有什么”和“它们在哪里”，并支持跨视觉、音频、语言三种模态的场景检索与物体定位。

arXiv 论文

通过协调学习范式（全局帧运动跟踪）、数据策略（on-policy rollout量+参考动作多样性）和模型架构（Humanoid Transformer），行为基础模型（BFM）在人形机器人控制上实现了显著的性能提升，全局模式下平均关键点位置误差（MPKPE）降低82%。

人形机器人控制需要全身自然协调、实时精确响应控制信号，并在多样化环境中鲁棒泛化。行为基础模型（BFM）利用大规模行为数据已展现出更强的表现力、多功能性和泛化能力，但其缩放规律尚未明确——学习范式、行为数据和模型架构如何协调才能实现有效缩放？本文提出了一个协调三要素的缩放配方。

arXiv 论文

本文提出一种两阶段混合神经-物理框架，利用RTS平滑器交替进行状态推断与神经网络参数更新，从部分观测数据中学习未知的ODE组件，同时在保持可解释性的前提下改善潜状态重建与长期预测。

常微分方程（ODE）广泛用于物理、生物、神经科学和生理学中的动力系统建模，但许多实际应用中，部分动力学方程未知，且仅能测量一部分状态变量。传统的纯物理模型无法应对缺失动态，纯数据驱动模型又牺牲可解释性。本文试图在部分观测条件下，同时学习未知的ODE组件并准确重建潜状态。

arXiv 论文

RoboTTT 首次将机器人策略的视觉运动上下文长度扩展至 8K 时间步（较现有技术高出三个数量级），在不增加推理延迟的前提下，实现了从人类视频演示的一次性上下文模仿、在线策略改进、扰动鲁棒性以及在多阶段长程任务上的显著性能提升。

当前机器人基础模型通常仅使用单步或短历史视觉运动上下文（如 1–8 时间步），这限制了模型对长程依赖和在线适应能力的捕捉。RoboTTT 提出将测试时训练（Test-Time Training）集成到视觉-语言-动作（VLA）策略中，使序列模型的循环状态由梯度下降更新的快速权重构成，从而将历史压缩为权重空间，并在推理时检索长上下文信息。

arXiv 论文

以往针对预训练数据的投毒研究大多依赖维基百科等已建立的数据源，其规模与异质性无法代表真实预训练语料库，且忽视了投毒数据与数据筛选管道之间的相互作用。本研究探索了在更现实的网络规模下，是否可以通过现有网络内容注入机制（公共讨论界面）对预训练数据进行投毒。

arXiv 论文

Plover 通过将任务计划外化为可检查、可修改的工件，使 GUI 自动化代理的运行更加透明、可控和可适应，用户可以在计划可见、干预局部化的前提下有效修复代理的失败行为。

真实世界中的 GUI 自动化面临动态布局、意外对话框和界面状态演变等挑战，导致自主代理容易偏离用户意图。现有基于视觉的多模态代理虽然通过直接操作截图和自然语言指令提高了灵活性，但其规划与适应过程往往内部化（internal），用户无法检查、监督或纠正系统行为。Plover 针对这一问题提出以计划为中心（plan-centric）的交互方案。

arXiv 论文

LLM在上下文学习中的概率估计严重违反全概率公式所要求的自一致性，但细粒度子群体估计反而比直接总体估计更准确（“宏观谬误”），表明模型拥有子群体知识但无法可靠聚合。

研究问题：LLM在上下文学习（ICL）中是否遵循统计自一致性——即当提示指定子群体时，模型输出的条件概率估计是否满足全概率公式（先验加权后聚合回总体估计）？ 以往ICL被解释为条件推断，但这一解释是否成立缺乏直接验证。

arXiv 论文

该方法提出了一种将记忆更新频率与记忆应用频率解耦的在线神经时空记忆框架，在保持长期记忆能力的同时实现了实时动态新颖视图合成，并在动态人体运动和分钟级在线记忆场景上达到当前最优性能。

多视角流式视频中的在线新颖视图合成面临一个基本权衡：既要维护持久的长期记忆以重建暂时被遮挡的区域，又必须在严格实时约束下运行。测试时训练（TTT）虽然提供了强大的记忆机制，但标准模型要求每帧进行基于梯度的记忆更新以适应动态场景的变化，导致计算成本过高无法实时应用，且长上下文下容易出现不稳定。本研究提出将记忆更新与记忆应用的频率解耦，通过周期性记忆更新和每帧…

arXiv 论文

将教师模型与其基础模型（未进行推理指令微调）的输出概率差定义为“delta信号”，并以此作为蒸馏奖励，能显著提升在线策略强化学习蒸馏的效果，使推理大模型在极短的后训练期内达到强性能。

在线策略蒸馏（On-policy distillation）是强化学习中替代奖励模型的一种后训练方法，通过教师模型提供 token 级监督来缓解奖励模型带来的约束。然而，其基础设计（直接模仿教师输出分布）尚未被深入探索。本文提出一种新的蒸馏奖励——delta 信号，旨在更直接地传递推理能力。

arXiv 论文

NeuronSoup 提出一种无需反向传播、不依赖可微计算图的神经计算架构，通过遗传算法协同演化网络的拓扑、权重、延迟和连接性，在 MNIST 分类任务上达到 85.9% 测试准确率，模型仅占 115 KB。

论文提出一种名为 NeuronSoup 的新型神经网络架构，核心是用异步、延迟介导的信号传播替代传统的逐层同步处理。网络由一组共享的神经元池构成，每条路径将连续值信号从输入神经元路由到输出神经元，经过可变数量的中间隐藏神经元。隐藏神经元被物理上共享：当两条路径经过同一个神经元时，后到达的信号会与先到达的累积状态相互作用，产生取决于信号极性和到达时间的建设性…

arXiv 论文

Mutable Low-Rank Sketches for Retrain-Free Recommendation

arXiv 论文

心肌梗死（MI）是全球主要死因，超声心动图（Echo）是广泛使用的评估手段，其中区域室壁运动异常是关键指标。现有基于学习的运动分析方法依赖手工特征或密集监督，标注成本高；基础模型虽提升了单视图分析能力，但节段级定位在视图依赖歧义下（尤其是心尖视图）仍不可靠。本工作提出 MCF-Net 以解决多视图融合下的定位问题。

arXiv 论文

MM-IssueLoc: A Controlled Benchmark for Evaluating Visual Evidence in Multimodal Repository-Level Issue Localization

arXiv 论文

MedFailBench 是一个由临床医生构建的开源基准，旨在系统性地识别和分类医疗 AI 模型在不同安全边界（safety gate）上的失效模式，而非仅仅判断模型是否给出正确答案。

传统医疗 AI 基准主要衡量模型是否知道正确答案。MedFailBench 提出了不同的问题：**哪个安全边界（safety gate）失效了？** 它提供了一个由临床医生审查的合成案例集，并对每个案例的错误按严重程度（1–5 级）和安全门类型进行标注。当前公开版本（v0.2.1）包含 44 个经临床医生审查的合成案例、严重程度注释、一个实时的 Huggi…

arXiv 论文

MeanFlowNFT 首次将面向过程的强化学习框架 DiffusionNFT 成功应用于平均速度生成器（MeanFlow），在保持快速少步采样优势的同时，通过构建诱导瞬时速度预测器实现奖励优化，实验表明其在图像和视频生成上显著超越先前最优的 RL 调优少步生成器。

**背景**：MeanFlow 生成器通过预测时间区间的平均速度实现快速少步采样（few-step sampling），具有高效生成的潜力。强化学习（RL）已成为对齐扩散/流模型与人类偏好或特定目标的有效手段，其中 DiffusionNFT 提供了一种高效的前向过程 RL 框架，无需反向过程轨迹或似然估计。 **问题**：DiffusionNFT 优化的是…

arXiv 论文

Mask-Aware Policy Gradients for Diffusion Language Models

arXiv 论文

MAGiSt3R 是一个多智能体框架，能以接近 10 FPS 的速度从单目 RGB 视频中完成 3D 重建和相机跟踪，在合成与真实数据集上均达到了优于现有方法的精度。

从单目 RGB 视频进行 3D 重建是计算机视觉中的基础问题，传统方法（如基于优化的 SLAM 或神经隐式表示）通常速度慢、依赖顺序处理；纯前馈式方法（如 DUSt3R 等 3R 家族模型）虽能快速回归点图，但直接应用于视频时难以处理长序列中的累积相机漂移。论文提出 MAGiSt3R，将单段视频切分到多个智能体，并行处理局部片段，再通过合并模型与位姿图优化…

arXiv 论文

Linear representations of grammaticality in neural language models

arXiv 论文

本文提出一种基于中心化对数比率（CLR）变换和拉普拉斯平滑的线性时间语言识别方法，将字符及双字符频率建模为组合向量，在六种语言上取得鲁棒准确率，尤其对较长文本表现较强，可作为神经网络方法的高效可解释替代方案。

语言识别通常采用神经网络架构或统计n-gram模型。神经方法需要大量计算资源，而传统频率方法依赖的距离度量对于组合数据（频率和为定值）并不恰当。本文试图利用组合数据分析（Compositional Data Analysis）的理论框架，为语言识别提供一种既线性时间又理论严谨的分类器。

arXiv 论文

2026 年 7 月 16 日，LlamaIndex 发布了 `@llamaindex/liteparse-grpc`——一个基于 LiteParse Node.js 绑定构建的 gRPC 服务器。LiteParse 本身是一个 Rust 库，用于解析非结构化文档（PDF、Office 文件、图像），已有 Node.js、Python 和 WebAssem…

LlamaIndex 博客

In-Place Tokenizer Expansion for Pre-trained LLMs

arXiv 论文

HoloGeo: Mitigating Landmark Bias in Geo-localization via Evidence-Driven Reasoning

arXiv 论文

当前视频模型虽向视觉基础模型演进，但仍缺乏人类式的多步推理能力。流式自回归扩散模型效率高但推理能力有限，双向扩散模型可全局修正但细粒度帧级去噪导致高推理成本。两种范式在复杂推理任务中均难以兼顾逻辑一致性与低延迟流式生成。HDR 旨在统一两种范式，在因果视频生成中融入分层潜变量以实现高效多步视觉推理。

arXiv 论文

四项LLM评判（包括Grok自身）一致认为，由LLM Grok全自动编写的百科Grokipedia在政治中立性上不如Wikipedia，且两者存在相反方向的意识形态偏好：Grokipedia偏袒经济右翼政客、惩罚社会自由主义政客，而Wikipedia则偏袒社会自由主义政客。

2025年底，由xAI推出的LLM Grok完全撰写的在线百科Grokipedia上线，其动机之一是提供一个无偏见的Wikipedia替代品（Wikipedia长期被指责有“左翼”和“自由主义”偏见）。本研究通过大规模政治偏差审计，探究LLM编写的百科是否真正实现中立，还是仅仅嵌入另一种意识形态。研究对象包括1,394对描述政府成员的百科文章，涵盖九个由专…

arXiv 论文

VEXMLM通过对XLM-R进行30,000个吉兹语子词词汇扩展和两阶段训练，在阿姆哈拉语和提格雷尼亚语的问答、情感分析和命名实体识别任务上显著超越基线模型，并将提升迁移到17种未扩充的低资源非洲语言。

多语言预训练语言模型（PLM）在低资源、非拉丁文字语言上表现下降，主要原因是基于拉丁文字的分词器训练导致高未登录词（OOV）率和过度的子词碎片化。本研究针对吉兹（Ge'ez）文字体系下资源最丰富的两种语言——阿姆哈拉语（Amharic）和提格雷尼亚语（Tigrinya），提出词汇扩展方案VEXMLM，并进一步在另外17种低资源非洲语言上评估（共计19种语言…

arXiv 论文

自闭症成年人在自由观看绘画时，表现出一种独特的空间-时间双重注意模式：空间探索范围与艺术家相似，但时间动态（注视时长、停留时间、扫描路径一致性）则显著不同，且不与任何其他群体完全重叠。

该研究通过眼动追踪对比了自闭症成人（ASD）、训练有素的艺术家和典型发育观察者在自由观看30幅绘画（每幅15秒）时的注视行为。以往自闭症眼动研究多使用社交场景而非艺术品，且只关注注视位置而忽略时间顺序。本研究同时分析了空间分布（注视密度图）和时间序列（扫描路径），以揭示不同群体的注意机制差异。

arXiv 论文

对于高维分布中的任意 K 维边缘，若变量间存在弱或稀疏相互作用，则只需 O(√K) 个积分步（忽略 log d 项）即可控制未调整 HMC 和欠阻尼朗之万算法的 W₂ 偏差，表明偏差可以随维度“去局域化”，即局部边缘的偏差远小于总体偏差。

未调整的 HMC 和欠阻尼朗之万等无调整采样器已知存在偏差。传统上，通过 Metropolis-Hastings 调整消除 HMC 偏差，但代价是迭代复杂度上升（因需小步长以保证接受率）。本文试图在不使用 MH 调整的前提下，量化这些未调整算法在边缘分布上的偏差行为，将先前针对过阻尼朗之万（如 ULA）建立的“偏差去局域化”现象推广到这两类更复杂的动力学。

arXiv 论文

基于链上数据、金融指标与社交媒体推文，结合梯度提升（XGBoost）模型可有效分类比特币市场情绪，平均F1-score约0.84；SHAP解释性分析显示链上特征对分类有显著贡献。

比特币作为去中心化数字资产和投资工具，其市场行为备受关注。现有研究多聚焦于价格预测，而本研究转向**解释市场情绪**——如何利用区块链交易数据、历史价格数据与每日Twitter情绪分类共同刻画比特币市场情绪，而非预测价格涨跌。

arXiv 论文

本研究将**成组替换策略**中未知寿命分布下的最优替换间隔学习问题建模为随机多臂赌博机，提出了达到 Lai–Robbins 下界的遗憾上界算法，并利用独特的嵌套观测性质实现了仅需常数次直接探索次优臂的改进算法。

研究针对**N台独立同质机器**的成组替换维护策略：每台机器故障时单独更换，同时所有机器每隔固定长度 **k** 的时间单位共同更换一次。运营者不知道机器的寿命分布，只能从运行数据中逐步学习能使**单位时间平均成本**最小的最优间隔 **k\***。在每个决策周期，运营者选择 **k∈{1,2,…,K}**，观察到包含完全寿命和右删失寿命的混合失效历史，并…

arXiv 论文

研究者利用人工智能模型成功设计出自然界不存在的功能性CRISPR酶，其基因编辑效率甚至优于天然版本。

2026年7月16日，加州大学伯克利分校的Jennifer Doudna团队在《科学》杂志上发表论文，报告了利用AI逆向工程设计合成CRISPR蛋白的方法。他们以TnpB（Cas12的进化前体）为模板，通过AI反向推导DNA序列变化，产生了数千种候选变体，并筛选出具有活性的合成核酸酶。

nature.com

CRISP 是一种无需目标域数据、无需测试时参数更新的模型无关框架，利用“正区域排名稳定性”假设，通过潜在特征扰动生成高精度（HP）与高召回（HR）空间先验并迭代精炼，在跨中心、跨人群、跨模态的医学图像分割中显著优于现有方法。

域偏移是医学 AI 临床转化的核心瓶颈。现有域适应方法依赖预定义偏移模拟或伪监督，无法应对真实世界中无限多样的偏移。本文提出 CRISP 框架，旨在实现源域训练模型在未知目标域上的鲁棒分割，而无需获取任何目标域数据或调整模型参数。

arXiv 论文

当前主流视觉世界模型在孤立评估时存在严重缺陷（如球消失、错误运动、无效交互），作者提出概念引导的空间正则化（CGSReg）作为辅助像素重建损失，可部分改善 DreamerV3、DIAMOND、TWISTER 的 rollout 质量与零样本 MBRL 性能，但未能解决所有模型瓶颈。

世界模型通常作为模型基强化学习（MBRL）系统的组件被评估，其自身质量很少被单独研究。本文在 Atari Pong 环境中系统考察了五个代表性视觉世界模型代理（DreamerV3、DIAMOND、TWISTER、Simulus、STORM），通过两种隔离诊断暴露其固有缺陷：闭循环 rollout 诊断（用独立训练的 policy 与冻结世界模型交互，检查视…

arXiv 论文

AI基准测试（benchmark）越来越多地采用项目反应理论（IRT）这类项目级统计模型，用于估算模型能力、排名系统、选择有信息量的示例以及诊断基准质量。然而，标准IRT估计工具原本是为人类测试的数据场景开发的；AI基准数据通常涉及更少的被评估模型、更多的项目，并且能力分布可能呈现偏斜、聚类或多模态。本研究系统考察了这种“场景不匹配”对IRT建模可靠性带来…

arXiv 论文

传统检索系统基于静态效用训练和评估：将文档和问题交给阅读器模型，看答案是否改善。但这种假设在语言模型作为搜索智能体（连续发出多个查询并在多轮间推理）时失效，因为文档的价值可能在于它允许智能体下一步做什么，而非它本身对当前问题的回答。本文旨在量化这一差距，而非仅口头论证。

arXiv 论文

在医疗多模态问答（VQA）中，参数高效微调虽然能在排行榜上取得高分，但答案层面的优势并不总能带来忠实、完整的临床推理；强制结构化推理和显式特征映射的方法更具可靠性，但证据仅为相关性而非消融验证。

研究基于MediaEval Medico 2025挑战赛的回顾性GI内窥镜（胃肠镜）案例，分析九个已记录系统在问答和解释质量上的设计选择。核心问题是：如何设计可信的多模态医疗AI，使其既能融合视觉和文本证据，又保持可靠和可解释？

arXiv 论文

当前多模态大语言模型（MLLM）在科学可视化（SciVis）素养上表现不均衡：闭源模型 Gemini 整体超过人类平均水平，但多数模型在细粒度定量估计、流向解读等任务上存在系统性失败，开源模型整体低于人类基线。

虽然 MLLM 被越来越多地用于解读可视化内容，但现有评测主要集中在图表（chart）理解上，缺乏对科学可视化（SciVis）——如流场图、等值面、体渲染等专业可视化——理解能力的系统评估。本研究首次使用标准化 SciVis 素养评估测试（SciVis Literacy Assessment Test）对 6 个 MLLM 进行基准测试。

arXiv 论文

BadWAM 框架揭示了世界动作模型（WAM）在视觉微小扰动下存在“想象正确但行动错误”的脆弱性，其中动作仅攻击可将闭环任务成功率从 96.5% 降至 43.1%，而想象保持攻击进一步暴露了 WAM 特有的对齐失效风险。

世界动作模型（World-Action Models, WAMs）将动作生成与未来世界预测耦合，被认为能提升具身控制的鲁棒性、可解释性和安全性（因为机器人动作原则上可与其想象的未来进行对照检查）。本文指出这一假设是脆弱的，提出 BadWAM 统一框架，用于建模和评估一类针对 WAM 的新型对抗攻击——世界动作漂移攻击（World-Action Drift…

arXiv 论文

AutoSynthesis 是一个端到端的多智能体系统，可将自然语言研究问题自动转化为完整的元分析流程，其汇总效应估计与专家手动元分析的结果高度一致（基于 Hedges' g），有望使定量证据综合大规模可扩展。

证据综合（evidence synthesis）是基础研究转化为可靠知识的关键，但定量元分析目前仍主要依赖人工，难以规模化。本研究提出 AutoSynthesis，旨在自动化元分析的完整流程，包括搜索策略制定、文献检索、研究筛选、全文评估、效应量提取、随机效应元分析、异质性分析和偏倚风险评估，并生成符合 PRISMA 指南的报告。

arXiv 论文

ARMOR++ 是一个基于视觉-语言模型和大语言模型编排五种互补原语的多智能体攻击框架，在黑盒无查询约束下生成高可迁移性的对抗样本，在 AADD-2025 基准上显著超越现有基线，揭示了当前深度伪造检测器部署中的显著可靠性缺口。

深度伪造检测器在黑盒可迁移攻击下可靠性频繁下降，因为它们依赖脆弱且与架构相关的取证线索。现有可迁移攻击缺乏语义感知能力，且当扰动从卷积替代模型迁移到基于Transformer的目标模型时，在严格无查询条件下难以保持有效性。本文旨在解决这一局限。

arXiv 论文