MiniMax 正式更新 Code 2.0 桌面端，基于开源框架 Pi Agent 重构底层架构，改善长程任务执行稳定性，并针对金融场景实现多源数据原生接入，即将上线远程控制与浏览器操控功能。
值得关注：**与既有脉络的关系**：区别于已有相关卡片中 Cursor 的视觉提示模式和 Cohere 的开源编码模型 North Mini Code，MiniMax Code 2.0 的核心增量在于 **底层架构对长程任务稳定…
腾讯元宝通过接入京东AI Agent，实现了用户在对话中直接完成商品搜索、推荐到购买的完整闭环，标志着AI助手从“回答问题”向“解决问题”演进的关键一步。
值得关注：相比传统搜索-跳转-下单路径，对话内完成交易降低了用户操作成本，可能改变主流电商入口形态。 腾讯与京东的生态融合进一步深化，AI Agent成为连接社交、政务、电商等服务的统一入口。 为其他垂域（如出行、教育）接入元宝…
昆仑万维天工短剧工作台通过“Agent智能分镜＋无限画布”双轨模式将导演思维拆解为六个可视化环节，有效解决AI短剧中的角色变脸、站位漂移等一致性问题，上线三部AI短剧7天均实现百万美元级营收。
值得关注：本卡片是对“已有相关卡片”中智能体（Agent）应用场景的延伸：此前卡片聚焦于编码、游戏、UI交互等数字领域，而本案例将Agent用于影视导演的创造性工作流，标志着Agent从工具型辅助向创意型导演思维的跨越。 从产业…
Keep Yelling Assistant (KYA) 通过结合视觉感知（YOLOv8）与情感自适应的大语言模型，实时检测危险驾驶行为并生成符合用户偏好的情绪化语音反馈（如中性、幽默、分析性），在用户研究中最高评分达 4.29/5.00（YOLOv8s + ChatGPT-4o 组合）。
值得关注：这是首个将实时感知与情绪自适应对话整合进车载系统的公开研究，提出了“情绪智能”的车内人工智能新范式。相比于现有只关注感知或决策的辅助系统，KYA 更关注驾驶员的主观体验与情绪支持，可能提升驾驶安全与人际信任。
VideoTreeSearch（VTS）通过将长视频组织成自适应时间树，并训练智能体使用 zoom_in、zoom_out、shift、answer 四种操作进行迭代自纠正搜索，在定位长视频问答任务上显著超越现有智能体方法，同时其学得策略可泛化至通用长视频问答。
值得关注：该工作首次将粗到细搜索与细到粗回溯作为显式、可学习的原语引入长视频问答，解决了现有智能体方法因缺乏退出机制而无法纠错的关键瓶颈。其学习策略具有良好的迁移性，为构建更鲁棒的长视频理解智能体提供了新范式。
PagedWeight 通过运行时动态量化 MoE 大语言模型的专家权重，在保持 FP16 等效精度的同时，最高可节省 72.0% 的 GPU 内存并提升 1.94 倍吞吐量；在相似内存预算下，模型质量比现有量化方法提升高达 39.3%，吞吐量损失不超过 4.1%。
值得关注：解决了 MoE 服务中权重与 KV 缓存的内存竞争这一实际瓶颈，比静态量化更灵活。 量化精度可动态调整，避免了全局低精度造成的精度损失，也避免了全局高精度导致的内存不足。 命名“PagedWeight”借鉴了类似 Pa…
MotionForesight 仅使用 4 万段人类-物体交互的日常单目视频，通过冻结大型视频预测模型并训练轻量适配器，实现了对操作物体未来 3D 轨迹的预测，在多种分布外场景下超越使用百万级视频训练的更大模型。
值得关注：此前许多方法依赖大量标注数据或假设物体属性，MotionForesight 展现了从已存在的视频预测模型（如预训练的视频模型）中提取物理运动先验的可能性，极大降低了数据需求。 与已有相关卡片中的 Cycle-World…
ShellFlow模型在仅使用壳条件和不变质量公式作为物理先验的情况下，从约10⁹个真实LHC对撞事件中学习到了标准模型的多方面结构，包括共振质量、弱混合角、W和顶夸克质量以及未在训练目标中出现的粒子间关联。
值得关注：首次证明单个生成模型能够在跨越五个数量级（sub-GeV至TeV）的不变质量范围内同时学习标准模型多个物理量，覆盖了传统蒙特卡洛样本无法达到的动态范围。 提供了一种可能减少对模拟器依赖的数据驱动方法，有望加速新物理的搜…
UAV-DualCog 是首个联合评估无人机自身状态推理与外部环境状态推理的基准，测试表明当前最强多模态大语言模型（MLLM）在该双认知任务上远未达到可靠水平，尤其在视角转换、精确定位和时间区间定位上存在严重瓶颈。
值得关注：与已有无人机基准相比，UAV-DualCog 提出了“双认知”这一更贴近实际 UAV 自主任务需求的评估维度，填补了同时考察自我与环境时空推理的空白。其自动化数据构建方法减少了人工标注成本，为后续大规模 UAV 智能体…
FVAttn是一种无需训练的稀疏注意力系统，通过运行时负载均衡和松弛感知稀疏增强，在多GPU序列并行下实现了自适应稀疏注意力的高效分布式执行，在Wan2.2 I2V模型上获得4.41倍注意力加速和2.02–2.11倍DiT推理加速，同时保持有竞争力的视频质量。
值得关注：现有无训练稀疏注意力方法虽然减少了计算量，但未充分考虑多GPU序列并行下的负载不均问题。FVAttn首次系统性地通过运行时重平衡和松弛利用解决了这一瓶颈，使得视频生成推理能够在不牺牲质量的前提下获得显著加速，对大规模视…
开源大语言模型（4B–120B参数）在将自动驾驶车辆漏洞描述自动转换为结构化威胁信息（STIX）方面表现良好，单项任务F1最高可达0.99，但完整映射MITRE ATT&CK仍具挑战；多智能体设置下效果有所下降。
值得关注：该研究首次系统评估开源大模型将漏洞文本自动转换为结构化威胁情报的能力，填补了CAV安全领域自动化威胁建模的空白；零代码/低成本的开源模型方案有望降低中小企业应用威胁情报的门槛。与已有相关卡片（如面向自动驾驶的规划框架、…
Cluster-Aware Matching via Laplacian Optimal Transport
CLIFE 提出一种在单个边缘设备上运行的无目标在线标定与轻量级晚期融合的相机-激光雷达框架，在 12 个实际交叉口部署验证，实现在 Jetson AGX Thor 上 53.2 FPS 的高吞吐率，为边缘侧实时路边感知提供了可行的基础方案。
值得关注：**增量信息**：与已有相关卡片相比，CLIFE 填补了“边缘原生”相机-激光雷达融合在真实多交叉口环境中的部署空白。PRISA（2026-07-17）侧重 LiDAR 轨迹预测与安全评估，CLIFE 则提供相机-激光…
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…