OpenRouter 于 2026 年 7 月 13 日发布全新品牌标识，以几何数学和包豪斯“形式追随功能”哲学为设计原则，反映其从模型聚合平台向智能时代基础设施的战略跃迁。
2026 年 7 月 13 日，OpenRouter 在官方博客宣布品牌焕新。联合创始人 Julian Thayn 指出，随着平台扩展产品线、新增合作伙伴、完成 Series B 融资，原有标识已无法代表当前公司愿景。新标识从草图出发，通过几何形状的精确排列构建出“OR”字母组合，配色方案区分明亮能量色与深邃专注色，并针对浅色/深色模式分别优化，全面覆盖…
OpenAI官方Prompting指南提出：重要任务应包含目标、上下文、输出、边界四要素，无需技术语法，用自然语言开头；并区分Chat、Work、Codex三类载体，配合/plan规划、沙箱运行与验证闭环。
OpenAI发布官方Prompting指南，系统介绍了如何编写高效提示。指南强调提示不需要技术语法，用户用自己的话开头即可。对于重要任务，应包含四个核心要素：目标（想要的结果）、上下文（相关背景信息）、输出（期望的格式或载体）、边界（关键约束条件），并且只选用真正有帮助的部分。指南还提倡从想要的结果说起而非罗列步骤，只提供相关来源，设定“不改已批准数据、先…
NVIDIA 发布的 Ising Decoder ColorCode 1 Fast 在距离 d=31、物理错误率 0.3% 条件下，将颜色码逻辑错误率（LER）降低超过 347.7 倍，且运行速度比现有最优解码器 Chromobius 快 7.3 倍，使颜色码重新成为实用容错量子计算的有力候选。
2026 年 7 月 13 日，NVIDIA 在技术博客上宣布推出 Ising 解码器系列，旨在突破颜色码（Color Codes）在现实量子纠错（QEC）中由于缺乏快速准确解码器而长期被搁置的瓶颈。该工作开源了完整的训练流水线、权重、合成数据生成工具（基于 cuQuantum 和 cuStabilizer），允许研究者针对特定量子处理单元（QPU）的噪声…
美光科技CEO Sanjay Mehrotra在接受访谈时阐述了存储器在AI时代的新定位——AI智能的核心底座。他认为，随着大模型上下文窗口变大、KV缓存增长、模型参数持续扩张，Token经济学不仅需要算力，更需要强大的记忆能力。
AI教父辛顿承认2016年“五年内AI取代放射科医生”的预测失败，主因是技术进展慢、工作复杂性被低估且法律责任成本过高；同时他强调大模型具备类人理解能力，并警告超级智能的欺骗性与控制欲。
辛顿在MIT讲座中回顾其2016年提出的“五年内AI取代放射科医生”预测完全失准。他分析失败原因：一是图像理解进展比预期慢；二是忽略了放射科医生在会诊、介入、与患者沟通等多方面工作复杂性；三是律师深度介入后，采用新技术出错的法律责任成本远高于保守不用，医疗机构因风险规避而延缓部署。
阶跃星辰发布面向手机、汽车等终端的端侧模型全家桶Step Edge，包含四款模型，以低至0.1秒的本地toolcall延迟和多模态本地处理为核心亮点，宣称在29项评测中取得第一。
阶跃星辰在2026年7月13日前后发布了Step Edge端侧模型全家桶。该产品定位于让Agent真正进入终端本地运行，主要面向手机、汽车等设备。Step Edge系列包含基础模型、Audio、GUI、Gen四款子模型，覆盖文本、语音、视觉、界面交互和生成等能力。
智谱创始人唐杰发内部信，宣布启动两年期“Touch High（摸高）”计划，回归基础模型研究，目标是通过长程任务→智能体社会→无人公司→自我进化→ASI的路径，直接构建“无人公司”；同时援引DeepMind观点指出，即使单模型停留在人类水平，只要AGI实例每年十倍扩张，五年内可达群体级超级智能。
2026年7月，智谱创始人唐杰发布内部信，宣布启动为期两年的“Touch High（摸高）”计划，全面回归基础模型研究，并给出明确的ASI（人工超级智能）路线图。该计划包含四大引擎同步推进，旨在跳过“一人公司”阶段，直接实现“无人公司”的运营模式。唐杰还援引DeepMind观点，从群体层面论证超级智能的可能性，并以极致安全研究和GLM-5.2 MIT开源作…
AnySearch是一款专为AI Agent设计的搜索产品，通过连接20多个垂直数据源、前置信息筛选和结构化输出，在300道基准测试中综合准确率达76.4%，延迟优于Parallel和Brave Search，上线两个月即登顶Product Hunt周榜第一。
2026年7月，中国团队推出的AnySearch在Product Hunt上获得周榜Top 1，成为少有的以搜索类产品登顶PH榜的案例。该产品不是面向人类用户，而是专门为AI Agent提供实时、准确、可追溯的结构化信息输入，旨在解决Agent在错误或冗余信息上浪费算力的问题。
当前多智能体LLM系统中普遍采用的本地运行时监控器（逐个检查消息、工具调用或步骤）存在根本性漏洞：分布式后门攻击将有害载荷拆散到多个智能体，使每个本地检查均表现为良性，组装后却构成攻击；一旦片段在监控视图中看起来与正常流量无异，任何基于该视图的检测器都无法捕获。
随着多智能体、工具使用型LLM系统的部署，常见的防护手段是一个运行时监控器，它独立检查每条消息、每次工具调用或每个步骤。本文证明该防护网存在根本性漏洞：分布式后门攻击将有害载荷分散到多个智能体，使得每个本地检查都通过，而组装后的对象正是攻击负载。监控器可以对每一步都做出正确判断，却仍然漏掉攻击。问题不在于拆分本身（拆分后的片段仍可能泄露可疑令牌或溯源边），…
提出一种结合Transformer强化学习与人工蜂群（ABC）算法的混合NAS框架，在普通GPU上3小时内即可搜索出参数高效的网络结构，在CIFAR-10上达到84.85%精度（约174K参数），并在信用卡欺诈检测任务上取得0.71的F1分数（约4.6K参数）。
传统神经架构搜索（NAS）通常需要数千GPU天的巨额计算资源，阻碍了其在普通硬件上的应用。本文旨在设计一种“节俭”且“模因”（memetic）的NAS框架，使架构搜索能在消费级GPU（如NVIDIA RTX 3060）上运行，同时产出适合边缘部署的紧凑模型。
Towards shared embodied intelligence in humanoid robots through optimization, development and testing of the human-aware ergoCub robot
The brain is a diverse place, why not computing?
StoryTeller 是一种无需微调的框架，通过维护经视频验证的叙事记忆，使视频-语言模型能为长篇电影生成连贯、有上下文依据的音频描述，从而显著改善盲人和低视力观众的电影叙事理解。
**问题**：现有视频-语言模型在处理短视频片段时效果良好，但对长篇电影生成音频描述时，往往独立处理每个时刻，导致描述丢失角色身份、事件缘由及跨场景的叙事联系，使盲人/低视力观众难以跟随完整剧情。 **目标**：在不依赖字幕、脚本、对齐字幕、角色库、预计算人脸识别或任务特定微调的前提下，实现故事感知的长篇音频描述。
邀序编码通过让教师模型从学生自身分布中挑选训练样本，仅编码师生不一致的部分，使得代码长度独立于参数数量和数据熵，在压缩率上比先序编码（prequential coding）常提升数个数量级，并为首个在十亿参数大语言模型上取得领先泛化保证的PAC-Bayes界提供支持。
压缩与智能密切相关：能将其训练数据编码为短代码的模型往往发现了有助于泛化的规律。然而，传统的基于参数的压缩方法（如量化）的代码长度随模型规模线性增长，对参数中存储的实际信息不敏感；先序编码虽通过压缩训练轨迹绕过了参数规模问题，但必须编码精确的数据序列，在高熵数据上编码长度仍然很大。本文提出“邀序编码”（requential coding），旨在构建一种独立…
Relaxing Faithfulness with Intervention-Only Causal Discovery
AI 润色工作邮件会显著改变邮件的情绪基调（玩耍语气增加积极性，专业语气降低积极性），但并不会直接改变收件人的打开率、回复率或响应时间；然而，发件人自身邮件中的积极情绪会显著预测收件人的行为（打开几率提高约 2 倍，回复几率提高约 3.3 倍），这表明 AI 辅助沟通通过所产生语言的情绪基调间接影响职场互动。
本研究通过一项随机交叉现场实验，首次量化了 AI 辅助写作（GPT-5）在实际职场邮件中对收件人行为的影响。121 名来自六家公司的员工在三周内以三种条件发送工作邮件：无辅助写作、GPT-5 以玩耍语气重写、GPT-5 以专业语气重写。共分析了 16,880 封邮件的收件人行为数据。
Paradoxes of Game Theoretic Equilibria and Price of Anarchy
**研究问题**：现有基准缺乏对视觉型工具调用代理（visually grounded tool-calling agents）的系统评估，尤其缺少支持多图像、多轮对话、状态变更以及真实对话现象（目标修改、错误纠正、状态突变）的统一评测环境。 **事件**：该论文提出了 MM-ToolSandBox，一个包含自动场景生成管道、人工验证场景集和交互式 UI…
MicroCharNet 以仅 0.08M 参数和 0.096 GFLOPs 的计算量，在 UFPR-ALPR 车牌字符检测数据集上达到了与多个近期 YOLO 基线相当甚至更优的精度，证明了超轻量架构在边缘设备上实时部署的可行性。
车牌字符检测是智能交通系统的关键环节，需要高精度和计算效率以适应实时部署。现有高精度模型多基于大尺度架构，计算开销大，难以在资源受限设备上运行。本文提出 MicroCharNet，旨在用极简设计平衡精度与效率。
尽管大语言模型（LLM）在众多任务上表现优异，但其是否具备、如何具备以及能在多大程度上展现出有效的元认知能力（对自身认知过程的监控与调节）仍不明确；本综述首次系统梳理了该领域的现有知识、评测方法、改进技术及未来方向。
元认知是人类智能的基础组成部分，对学习、问题求解、决策、沟通等至关重要，也被视为构建有能力和透明AI系统的关键。然而，当前对LLM能否拥有或被赋予类人元认知能力（例如自我评估、知道何时该寻求外部信息、调整推理策略等）缺乏系统性认识。本文旨在填补这一空白，提供关于LLM元认知的首次全面综述。