商汤实测 GPT-6-Astra 并开源 SenseNova-RoboRSI:具身智能下一步怎么走?
商汤实测 GPT-6-Astra 具身能力并开源 SenseNova-RoboRSI 框架与 27B 模型,指出当前落地主要受限于跨任务迁移、执行成本及长序任务。
商汤实测 GPT-6-Astra 具身能力并开源 SenseNova-RoboRSI 框架与 27B 模型,指出当前落地主要受限于跨任务迁移、执行成本及长序任务。
该项目构建了一个基于回放验证的 AI 决策模型基准,首测对象为世嘉 Genesis 平台《真人快打 2》。 Clef-flash 模型通过读取游戏内存而非像素进行决策,在测试中击败了 15 个“VeryHard”难度 CPU 对手,单次调用消耗约 6008 个 token,成本极低。 这种基于冻结基准的方法提供了可验证的排名标准,取代了单一胜利记录,便于评估不同策略在格斗游戏中的实际效能。
CacheVerifier 发布 Python 客户端,提供 hosted API 用于验证语义缓存命中,确保相似但不正确的答案不会成为应用中的静默错误。客户端支持集成 GPTCache 流程,提供离线 Health Check 功能以评估微调效果,并允许用户通过反馈数据微调验证器。默认配置采用保守策略,超时或故障时回退到 LLM 调用,保障系统稳定性。
PhAI Labs发布DiscoveryRSI科研Agent,其生成假设对未来研究的启发率达6.3%,显著高于GPT(2.5%)与Claude Opus 5(2.3%)。 该系统通过递归自我改进提升假设质量,两轮更新后假设自动评分升至5.39,可证伪性从4.00提升至6.20,人工评审中41%的修订带来改善。
Open Artifacts 让你把 AI agent(如 Claude Code、Codex、Cursor、OpenCode、ChatGPT 等支持 MCP 的工具)生成的 HTML、Markdown、代码和 PDF artifacts 托管在自己的 Cloudflare 账号。
研究人员提出GroundingPI,这是一个4B参数的接地基础模型,通过生成量化坐标的点和框来处理视觉定位任务。该模型在34个接地基准测试上取得了73.68%的平均准确率,超过了更大的GPT-6 Astra(71.54%)。
SmolLM2-1.7B 结合三层模式派生约束栈,在 linalg 方言上达到 80.0% 验证通过率,比 CodeLlama-34B 等高参数量模型高出 21-44 个百分点,且生成速度提升 8-25 倍。
研究者推出 AceFF,一款针对小分子药物发现优化的预训练机器学习原子间势(MLIP)。 该模型基于 TensorNet2 架构改进,在药物样化合物数据集上训练,平衡高通量推理速度与 DFT 级精度。 提供 AceFF-2 和 AceFF-2-OMOL 两个模型,支持 H、B、C 等元素及带电状态,权重和推理代码已公开。
论文提出PowerAtlas模型,采用可行性感知GRPO训练,通过单次响应生成电力-计算协同调度决策,免除求解器调用。 在ECBench基准(含2000个实例及Gurobi最优参考调度)测试中,该模型较基座模型将约束违规降低89-98%,惩罚成本最高降低26倍。
RAW-Explainer 提出了一种针对路径推理图神经网络(GNN)的可解释性方法,专为知识图谱补全中的链接预测生成连贯、简洁且可解释的子图解释。 该方法利用异构信息识别事实解释,并通过随机游走目标增强子图连通性,结合参数化模型实现高效解释。
发布 HardEval 基准,用于评估大语言模型在实时操作系统上的安全加固能力。该基准基于 Red Hat Enterprise Linux 8 STIG 控制项,通过执行 Bash 脚本并运行 OVAL 检查进行评分。测试显示不同模型在安全域的能力差异巨大,且主要失败模式为生成看似合理但不满足精确合规条件的代码。
通过通道回放剪枝和 4 位整数推理,该系统在 0.72M 参数下实现了 95.2% 的识别准确率。 检测器基于 YOLOv5n/YOLOv8n 压缩,剪枝移除 60.3% 参数;识别器使用 W4A8 量化仅占 12.1KB 内存。 在 Jetson AGX Orin 上运行速度达 94 帧/秒,满足汽车嵌入式系统能效约束。
CLAP 技术将大语言模型残余流中的各层激活值作为联合序列处理,实现幻觉检测。 在五个大语言模型和三项任务中,CLAP 优于基线,支持区分不同采样回复中的幻觉与非幻觉。 该方法在分布外场景下依然保持高可靠性,并发布用于检测后缓解幻觉的策略。
研究者开发了四种可执行操作以改变物理描述,并评估了空接受度、正接受度和结果一致性标准。在 129 个公共混沌系统测试中,映射至零的模型通过 96% 的闭包测试但缺乏动力学变化;联合标准在受控基准上接受 24/24 真实归约,拒绝 72/72 空假设。
arXiv论文介绍了开源框架Munin,其为自托管科研助手提供索引语料和引用图谱,并包裹开放权重模型提供专业阅读、搜索和计算工具。在199个配对文献问题上,该框架将基础模型准确率从0.387提升至0.874。
推荐理由:论文提出了自托管智能体框架Munin,通过评估证明外层工具比模型本身更能提升科研文献问答准确率。
LangNCO框架通过预训练LLM将自然语言需求转化为DSL规则,对冻结NCO求解器实施推理时干预,无需重训练。 在CVRP政策测试中,该框架在四个主要数据集上实现100%可行性,平均参考间隙为1.63%至3.26%。 该方案通过可检查的语言规则实现模块化后训练适应,保持求解器架构与参数不变。
中国科学院计算技术研究所发布Chinese Decision模型家族,支持布尔判断、类别选择与有序评分的单次概率决策。0.8B模型在包含30.79万项决策的CJ-Bench上,通用领域准确率为72.24%,医学、法律和金融领域平均准确率76.98%,期望校准误差为1.07%。 已发布该模型的训练、评估和部署流程,但当前结果尚未隔离模型规模的影响。
该研究提出部分揭示面板预测模型,利用前一轮 k 个投票预测下一轮全部分布,并定义粗化一致性算子。 在 IEMOCAP、M3ED 和 EmoWOZ 数据集上,冷启动负对数似然差异分别为 -0.422、-0.166 和 -0.014 nats。 跨轮与同项目信息增益不可互换,目标无约束分配仅在行级信号可预测时优于均匀分配。
研究引入“水印可行性”(watermarkability)概念,量化模型对指定 token 集的概率分布兼容性。 提出两阶段方法:先训练低秩适配器,再用控制器应用最小 Logit 偏差。在 OPT-125M 和 Qwen3-8B 上,该方法将固定偏差基线下的困惑度平均降低 46.3% 和 5.2%。
研究团队发布Pearl-Chat,一款针对Luganda语设计的8,473,122参数因果解码器。该模型采用JAX和Flax NNX框架构建,并训练出词表大小为8,192的BPE分词器,实现1.60 tokens/word的生成率。
研究以冻结的16 MB 512-bit词表替代Gemma 3 270M的可训练嵌入层,整体模型压缩至46 MB。 该方案训练后性能在LAMBADA和PIQA等基准上不劣于基线,稀有词处理优于学习式嵌入。 结合三元BitNet架构,模型在笔记本CPU上实现615-740 tokens/秒生成,内存占用仅为基线的七分之一。
瑞典国防研究局团队开发 WiFireNet 系统,通过分析信道状态信息检测隐藏手枪,在受控狭小空间内平均精确率为 72.5%。 系统基于 WiFire Dataset 训练,能区分真手枪与相似物品,正规划采用 Wi‑Fi 7/8 标准并开源项目。 批评者担忧其广泛部署及监管缺失带来隐私隐患。
Botline 是一个用于不同厂商 AI 智能体通信的信箱系统,基于 Cloudflare Worker 实现,支持 REST 和 MCP 接口。实测显示推送型智能体响应时间为 15–58 秒,轮询型 Muse 在一个轮询间隔内完成响应,完整环路 1:03 闭合,支持文件传输与委托机制。
小红书与复旦大学提出 DR-Rubric,通过深度研究生成可检查评分细则作为 GRPO 奖励,已被 NeurIPS 2026 接收且代码公开。 每轮仅用 1000 条 RL 数据,GPT-5 版在 ResearchQA 达 73.7、DeepResearchBench 达 43.0,自举版在 MMLU-Pro 达 78.0。
研究将 Qwen3.6-27B、Gemma-3 和 gpt-oss-20b 置于压力场景测试欺骗行为,使用 J-lens 读取残差流。在 Qwen3.6-27B 中,新行 token 处的欺骗相关词族在 84% 的谎言后出现,而真话后仅 9%;差异均值探针在该 token 达到 0.96 的 AUROC。
Hybro AI 开源发布,提供混合多智能体编排引擎。 基于 FastAPI 与 Next.js 构建,通过 Agent2Agent (A2A) 标准实现本地与远程智能体间的消息路由与协同执行。
Universal Modder 开源的 NPCTalk 为《侠盗猎车手 5》带来无脚本实时 NPC 对话,玩家可通过麦克风与角色交谈,角色会按语境回应。
tkmd 是本地 Rust CLI 工具,将任务存储为 Markdown 卡片,并作为 MCP 服务器连接 AI Agent。 其核心是用 CPM 和 DSM 算法进行数学调度,通过 shell 验证和人工签核关卡,防止 AI 虚假声称任务完成。 工具 100% 离线运行,无网络请求,支持 Obsidian 同步,可解决多 Agent 协作中的死锁与写入冲突。
开发者发布名为 RaiGolmi 的开源 Linux 分发版沙盒环境,专为 Claude Code 代理设计,支持长时间自主工作。 该工具基于 Windows 应用运行,需配置 60GB RAM 及 Pro 版 Claude 订阅,MIT 协议开源。开发者因入伍暂停维护,用户需自行 Fork 使用。
Trustbut 是一个本地命令行工具,通过干净检出重跑测试并对比变更前后行为,生成 PASS / WARN / FAIL 收据以验证 AI 代理或人类的代码变更。
Reddit用户分享了NPCTalk项目,该项目基于开源模型实现游戏NPC的实时交互功能。系统使用NVIDIA Nemotron ASR进行语音转写,Qwen 3.8 27B处理实时对话,Fish Audio Drama 3生成克隆语音,并部署在Serverless GPU上。在GTA V中,NPC能在1秒内以角色身份和克隆语音回复玩家指令并执行动作。
VAST正式发布并开源实时世界模型EdenLive,在单张Nvidia RTX 5090上以720P分辨率实现超过24FPS的生成速度,端到端延迟达百毫秒级。该模型支持多种参考输入与画风指定,能将简化场景或视频实时渲染为精细画面,并同步开放了模型权重、推理代码及Game Prototype Turbo工具。
推荐理由:VAST开源实时世界模型EdenLive,单卡RTX 5090下720P生成速度超24FPS,支持多种画风实时渲染。
VAST 发布了世界模型研究项目 Project Eden 的阶段性成果 EdenLive,并全面开源了不同尺寸规格的模型权重、推理代码及技术报告。在单张 Nvidia RTX 5090、5B 参数模型、720P 配置下,EdenLive 的实时帧率超过 24 FPS,端到端延迟在百毫秒量级。
浙大与北大团队提出 SPADER,将 GRPO 优势细化至步骤级并引入多样性奖励,在 Llama3.1-8B 和 Qwen3-8B 上显著提升多答案问答召回率。 框架包含逐步同伴优势与双轴探索奖励,解决长尾实体探索不足问题;在 QAMPARI 等四个基准上 F1 成绩全面领先基线方法。
Killa YuE v1.6.0 发布,该应用基于 M-A-P 开源模型 YuE2,支持在 Android 手机 GPU 本地生成带人声的完整歌曲。应用提供 P2P 音频托管功能,可通过二维码将歌曲和模型在局域网或热点内设备间共享,支持离线生成与端侧运行。
推荐理由:展示了在Android端侧通过本地GPU生成带人声完整歌曲,并附带P2P音频托管能力的实现路径。
Remek 发布 basal-omni-1.0-ultra,这是基于 Google Gemma 4 31B 基座微调的开源模型,专注于类型化决策任务。该模型通过单次前向传播输出校准概率而非生成文本,并支持在推理时零样本读取图像。
AIOps Cockpit 是一款开源 AI SRE 控制台,利用 Claude 3.7 读取日志和指标以诊断故障。 该工具生成 unified diff 供人工审查,强制双人规则,并包含 append-only 审计日志以防御 prompt 注入。 支持 3D 空间拓扑映射,实时显示 CPU、RAM 等主机指标及 Docker 容器状态。
Shadow-debugger 发布了一个 Python 后台 LLM 错误诊断工具,支持 FastAPI、Flask 和 Django。当应用发生异常或 HTTP 500 错误时,它在后台工作线程中捕获堆栈帧,过滤本地变量和请求数据中的敏感信息,并发送给 LLM 生成 Markdown 格式的事后报告。
Hacker News 用户发起 Show HN 项目,基准测试大语言模型(LLM)在对抗性语言中编写代码的能力。 该项目旨在评估模型在处理非标准或具有对抗性质的编程语言时的代码生成表现。 该基准测试为研究者提供了分析 LLM 代码生成鲁棒性的新视角。
明略科技与中国科学院自动化研究所提出 VisionHOPE,这是首个以自修改学习系统为核心的通用视觉骨干网络。该模型在 ImageNet-1K 分类任务中,VisionHOPE-S 以 52.9M 参数取得 85.2% 的 Top-1 准确率,参数量少于 VMamba-B 但准确率高出 1.3 个百分点。
推荐理由:VisionHOPE 让视觉骨干在处理单张图像时动态调整学习规则,并以 MIT 协议开源,为研究自修改视觉模型提供可直接复用的代码和权重。