ReWorld 提出一种把“动作跟随”与“长时记忆”解耦的交互式世界模型：训练时用混合注意力窗口兼顾短期控制与长期记忆，推理时用固定预算的 KV 缓存和位姿索引地标库支持分钟级往返生成，并声称在动作跟随、长时回忆和视频质量上超过六个近期的交互式世界模型（待核实）。
交互式世界模型必须同时做到三件事：跟随用户动作、记住已经展示过的场景、并以实时流式方式生成视频。候选摘要指出这里存在一个结构性矛盾：动作跟随倾向于依赖较短的近期上下文，而记忆需要不受限的长历史。ReWorld 的核心研究问题是：如何在不无限扩大上下文的前提下，让模型既能做好短期控制，又能完成长时程记忆与重访。
对于均匀（uniform）和重掩码（remasking）两类离散扩散模型，本文提出一种基于留一法去噪器（leave-one-out denoiser）的一阶采样器，其所需离散化步数只由目标分布的固有依赖结构（对偶总相关，DTC）决定，而非环境维度 d，从而在理论上证明采样复杂度可以实现维度自适应性。
离散扩散模型通过并行更新坐标，为自回归生成提供了有希望的替代方案，但其采样效率高度依赖于前向过程与采样器的选择。已有研究表明，在均匀前向过程下，标准 τ-leaping 采样器的下界随环境维度 d 线性增长。本文要回答的问题是：这种对维度 d 的依赖是否是均匀前向过程本身所固有的？
Prime Agent: A Self-Improving RLM Harness
根据摘要结果，老年下肢骨折或髋关节置换术后康复中的多个临床结局可以被建模为多输出回归问题，且联合预测优于单独预测；NODE 多输出回归器在 MAISON-LLF 数据集上取得 MSE=3.96、MAE=1.02。
老年人在下肢骨折或髋关节置换术后可能经历复杂的恢复轨迹，但功能恢复、社会隔离等临床结局通常被分开研究，忽略了它们对康复的联合影响。该研究使用 MAISON-LLF 数据集，将多模态传感器数据与多项临床评估结果联系起来，并将问题表述为多输出回归，以同时预测多个临床结局。
本文提出一种名为 Phy-BP 的非侵入性血压估计框架，以三轴体震图（BSG）为切入点，将描述身体-床系统三维波传播的物理模型嵌入深度学习，并在 21 名受试者、162 小时医院数据集上表明：该方法能动态滤除低质量测量，并通过不同轴间的物理一致性约束提供更可靠的血压监测，尤其在训练样本有限时。
传统 BCG（Ballistocardiography）在实验室场景中可用于无打扰的长期血压监测，但其信号易受身体-床相互作用变化的影响，导致时间轴或幅度轴上的基准点漂移；同时血压随个体血流动力学变化而改变，这些因素会造成表征不对齐，影响模型的泛化性和稳健性。针对该问题，作者提出 Phy-BP，基于三轴 BSG（作为 BCG 的扩展）进行血压估计，并引入质…
WIEN-INR 是一种面向科学数据压缩的隐式神经表示（INR）框架，通过在多分辨率小波域中分层建模，并借助轻量增强网络恢复细微高频细节，使小型网络也能高保真保留全频谱信息，同时维持较低存储与训练成本。
科学数据采集速度持续超过存储与分析能力，基于体素（voxel）的表示越来越不可行。INR 用坐标网络把信号编码为网络权重，存储和计算随网络复杂度而非数据维度增长，因此有潜力成为数据的替身。但小型 INR 难以忠实表示多尺度结构、高频信息与精细纹理，而这些往往构成科学测量中的大量有效信息。作者提出 WIEN-INR，目标是让紧凑网络保留完整空间-频率内容，同…
本文提出“局部蒸馏”（local distillation）框架：用一个黑盒AI“教师”模型在每个查询点定义局部训练权重并锚定预测，再拟合一个稀疏线性“学生”模型，从而在保持接近教师模型精度的同时提供局部可解释性；在17个基准数据集上，该方法几乎达到教师模型精度，并生成了每个测试点的稀疏线性模型。
现代AI模型（如表格基础模型和梯度提升集成）在预测准确性上可能超过经典方法，但几乎无法为单个预测提供推理依据。高风险决策场景需要“构建时即可解释”的模型，而非事后黑盒解释。作者利用“光滑回归函数在局部可近似为线性函数”这一性质，提出用局部线性建模弥合准确性与透明性之间的鸿沟，核心挑战在于：如何学习“局部”的范围，以及如何开发用于解释的统计工具。
本文提出惯性流形神经算子（IMNO），显式利用耗散型含时偏微分方程长时间演化中的有效低维结构，以提升长期自回归训练与预测中的物理可解释性、精度和稳定性；对平移等变 PDE，还提出保对称性的 IMNO-SE 变体。
耗散型含时偏微分方程的长时间动力学常常因耗散而呈现有效低维结构。标准神经算子架构（如傅里叶神经算子 FNO）并未显式利用这一结构。本文研究的问题是：如何把这种低维结构作为归纳偏置引入神经算子，从而更准确、稳定地求解非线性耗散 PDE？针对平移等变 PDE，作者进一步研究了如何利用平移对称性约束来提升模型性能。
针对基于评论家（critic）的强化学习训练不稳定的问题，论文提出 BPCO 配方，在数学推理任务中让每个提示仅采样一个响应即可匹配或超过 GRPO 这类基于组的基线方法。
GRPO 等基于组（group-based）的强化学习方法通过每个提示采样多个响应来避免训练 critic，但采样成本高。一个可靠的 critic 本可以从单次响应估计 token 级优势，但标准 critic 训练方法常常不稳定。本文研究这种不稳定性，并提出 Best-Practice Critic Optimization (BPCO)。
在短期内，AI辅助可以提升任务表现，但长期可能削弱技能发展。本研究发现，更低的AI请求成本会促使参与者更频繁地使用AI；在AI可用期间请求过AI帮助的参与者，在AI被移除后任务表现更差，且其后续无辅助表现若用之前AI辅助阶段的表现来预测，会被高估。摘要指出，独立推理被AI替代时，技能发展较弱。
本研究针对“AI辅助短期提升绩效、但可能长期损害技能发展”的张力，设计了一项控制条件下的逻辑谜题实验。参与者在AI可用之前、期间和之后分别完成任务，并通过实验性改变AI请求成本来观察行为变化。研究问题是：AI辅助如何影响人的技能获得与独立推理能力？
隐式神经表示（INR）可以把大规模科学测量数据编码为紧凑函数；采用层级化编码（图注中称为 WIEN-INR）后，有望比普通 INR 保留更丰富的细尺度细节。当前材料仅为 News & Views 预览，具体技术细节与量化结果待核实。
这是《Nature Machine Intelligence》于 2026 年 8 月 24 日在线发表的一篇 News & Views 文章，作者为 Shuhang Gu 和 Kexuan Shi。文章评论的是 Ni 等人同期发表于该刊的论文（doi:10.1038/s42256-026-01287-9），讨论如何利用隐式神经表示压缩科学数据，并重点介绍…
论文提出专家锚定蒸馏（Expert-Grounded Distillation, EGD）框架，将机构级道路安全审计经验压缩进一个80亿参数的视觉语言模型，使该系统在孟加拉国视觉道路安全审计任务中的风险评级表现优于其310亿参数教师模型和 Gemini-2.5-Flash，为低资源环境下的主动式道路安全审计提供了可扩展方案。
中低收入国家的道路交通事故伤亡问题严重，但主动式道路安全审计受限于：事故记录不完整、合格审计员短缺、大规模实地检查成本高昂。论文试图用视觉语言模型从道路图像中自动评估安全风险，以弥补上述缺口。
EarthVerse 是一个用于评估科学智能体在动态地球系统与自然灾害场景中端到端可靠性的基准测试。它包含 405 个可复现任务，基于 199 个有记录事件和 19 类灾害；在受控工具使用协议下，25 个模型/智能体系统的最佳平均答案单元准确率达到 84.65%，但最高 Strict@95 只有 34.81%。这一差距说明当前智能体常常能完成单个步骤，却难…
地球系统分析需要从来源、尺度、时间和模态各不相同的观测数据中重建不断变化的物理过程。自然灾害使这类分析更具现实后果：不完整的证据可能改变对灾害严重性、暴露程度和发生机制的估计。
一个冻结的 DreamerV3 仅从摆锤视频中训练后，能在隐空间中学到一种近似守恒的“类能量”标量，但在自主想象推演中该标量会漂移；将隐状态投影回初始水平集可降低保守模型的推演误差，而匹配的随机约束通常反而增加误差。
世界模型可以预测视频，却不代表学到了能被可靠保持的动力学规律。本文的研究问题是：一个只见过摆锤视频的世界模型，是否在自身隐动态中学会了一个近似守恒的物理不变量？如果它确实学到了，为什么在自主推演中仍会违反这一约束？
ConvergeFlow 是一种基于嵌入空间的流式语言模型：它将数据预测器约束在 token 嵌入的凸包内，并仅用流匹配（flow matching）产生的均方误差（MSE）目标训练，在合适的正则条件下可证明流会收敛到合法 token 嵌入，从而无需交叉熵（CE）监督解码器即可直接预测 token；在 OpenWebText 上取得了与现有连续/离散扩散语…
连续扩散与流式语言模型近年已达到与离散语言模型竞争的性能。但现有连续框架仍依赖交叉熵监督的解码器，因为流轨迹并不保证终止于合法 token 嵌入。ConvergeFlow 针对这一“终点有效性”问题，尝试仅靠流匹配的 MSE 目标得到可证明收敛到 token 嵌入的语言模型，从而去掉 CE 监督解码器。
关于AI是否能有意识的公共讨论往往建立在一个误解之上：默认人类心智是脱离身体的、类似计算机的信息处理器；Anthony Chemero在《Intertwined Creatures》中论证，人类心智本质上是具身的、动态的、社会的现象，因此“AI是否能意识”的提问方式本身就值得怀疑。
这篇Nature书评（2026年8月24日）评述认知科学家Anthony Chemero的新书《Intertwined Creatures: The Embodied Cognitive Science of Self and Other》（Columbia Univ. Press, 2026）。 书评指出，人工智能、心理学和哲学领域忽视了一个关键方面：身…
该论文提出了一种结合自监督预训练、LoRA 适配和原型分类头的混合框架，用于恶意数据包识别中的少样本类增量学习（FSCIL），并在多个数据集上超越既往基线，取得当时最优性能（具体数值待核实）。
恶意软件变体持续演化，检测系统需要不断适应新威胁，但不能每次从头重训。持续更新模型容易引发“灾难性遗忘”，即旧知识被新数据覆盖。虽然持续学习已被用于恶意软件检测，但“少数标注样本下学习新恶意软件类别”的 FSCIL 场景研究仍相对不足。本文正是针对这一空白，研究恶意流量/数据包分类中的 FSCIL 问题。
下肢外骨骼控制正从“先识别任务、再提供助力”的传统范式，转向端到端、任务无关的 AI 控制：通过实时估计生物关节力矩来直接生成辅助，绕开离散任务分类的瓶颈；但要大规模部署，仍须解决系统优化、安全机制和训练数据成本等关键挑战。
本文是发表于 Nature Machine Intelligence 的一篇 Perspective（观点/路线图文章），由 Shepherd 等人于 2026 年 8 月 24 日在线发表。研究问题是：传统外骨骼控制依赖人在回路优化，且常基于离散任务分类（如走路、上楼、坐下等）来切换控制策略；但人类运动是连续且无限变化的，任务特定型控制方法在真实世界中难…
论文提出了一套针对 API 服务大模型的黑盒取证审计协议，通过“存档重建—配置指纹—分词器差异测试—行为探针”四个阶段，把匿名模型的“身份”判断建立在可检验证据链上；作者在 10 个已知身份发布上测试了声明一致性，结果为 7 个完全一致、2 个精度差异、1 个部分一致、0 个反向，并在一例前瞻性旗舰模型案例中验证了对模型家族和版本线的推断，但作者明确表示这…
2025—2026 年 AI 市场出现一波“匿名发布”浪潮：前沿模型以代号形式在开发者平台上发布。 对 API 用户而言，模型身份直接关系到数据处理条款、供应链风险和能力预期。 目前缺乏经过验证的黑盒身份验证方法：实践者常用检查清单缺乏准确率证据，而模型自我声明本身不可信。 核心研究问题：能否在仅能访问 API 的黑盒条件下，验证匿名发布模型“到底是谁”？
按这篇报道的现场观察，2026年世界机器人大会（WRC）上最接近“人机共生”的不是固定动作演示，而是一家真实开放运营的机器人咖啡店：机械臂做手冲咖啡，半人形机器人在人群中送餐、收杯、绕行人、避让私人物品，并在结束后自行消毒；这被归结为具身智能在真实开放环境中连续稳定工作的能力展示。
事件：具身智能公司“无界动力”在 WRC 展馆内与韩国咖啡连锁品牌 HOLLYS 开设联名咖啡店，并在 5 天展期内接待 1000+ 客流。 与多数展台的区别：不是“机器人在特定条件下能做某个动作”，而是“机器人在开放、动态、有人群干扰的真实环境里持续工作，不出意外”。 现场没有表演剧本、没有固定轨迹、没有预设改造环境；顾客自由走动，任务随机变化。 研究问…