OpenAI 发布前沿 AI 训练安全案例早期指南
OpenAI 公布前沿 AI 训练安全案例的早期指南，涵盖技术防护措施、运营实践以及失准事件调查三方面。该指南旨在为前沿 AI 训练建立安全论证框架。
#论文/研究
#论文/研究
今日 0 条昨天 · 9月29日星期二
8月21日星期五
从 Atari 到 EVE Online：Google DeepMind 回顾 15 年游戏 AI 研究并携手开发商探索新玩法
Google DeepMind 宣布与游戏开发商合作，用 AI 原型化全新游戏体验，并回顾了从 DQN 玩 49 款 Atari 游戏、AlphaGo、AlphaZero、MuZero、AlphaStar 到 SIMA 的游戏 AI 研究历程。
6月16日星期二
Google DeepMind 发布 AI Control Roadmap，用纵深防御管控内部 AI 智能体
Google DeepMind 发布 AI Control Roadmap，一套用于构建和管理 Google 内部部署的高级 AI 的框架，采用纵深防御思路，在模型对齐之外增加系统级安全层，即便对齐不完美也能提供保障。
推荐理由：Google DeepMind 公开内部 AI Control Roadmap，给出把智能体当作内部威胁来监控与拦截的分层思路。
6月10日星期三
用约3美元API调用微调Qwen2.5-7B，在特定任务上达到Claude Haiku 96%的表现
一位Reddit用户用1040组偏好样本（DV-DPO，一种让模型学会回答风格的方法）微调了Qwen2.5-7B，成本按Claude Haiku的API价格算大约3美元，没花钱请人标注。在特定领域任务上，这个微调模型的综合得分达到了Claude Haiku的96%。部署在4-bit量化的T4机器上，生成一次回答的延迟是11秒。不过正文没披露具体是什么任...
推荐理由：这条信息本身是个Reddit帖子，任务范围和评测细节正文没展开，所以分数先打个折停在74。但3美元、零标注、96% Haiku这几个数字组合在一起，对想省钱又不想雇人标数据的团队来说，是个值得看一眼的信号。
ICML 论文提出可预测幻觉的“回答-弃权”闸门，并开源 ntkMirror 免训练实现
这篇 ICML 2026 论文给证据型问答任务设计了一个 ISR=1 的闸门：模型在不确定时直接闭嘴不答，而不是硬编。他们同时放出了 ntkMirror，一个免训练的开源实现，能在本地模型上跑。做法是让模型对同一问题看多份不同排序的证据，如果几次回答不一致就弃权。在留出的审计集上，幻觉率压到了 0.0%–0.7%，代价是大约 24% 的问题被主动弃权。...
推荐理由：这篇 ICML 论文和配套的 ntkMirror 实现，核心思路不复杂：让模型对同一问题看几份顺序不同的证据，回答不一致就闭嘴不答。在审计集上幻觉率确实压得很低，但约四分之一的问题被弃权，这个代价得看场景能不能接受。论文限定在证据型问答，别急着往开放域对话上套。开源免训练能本地跑是个加分项，但正文没披露不同模型尺寸下的延迟和资源消耗，实际部署前最好自己测一下。
6月8日星期一
面壁智能开源 VoxCPM2 语音模型，200 万小时数据训练，支持 30 种语言和 9 种方言
OpenBMB 把 VoxCPM2 的技术报告和模型都放出来了，Apache 2.0 协议。这是个 20 亿参数的语音生成模型，用超过 200 万小时的多语言语音数据训练，能说 30 种语言和 9 种中文方言。它主要干三件事：按自然语言指令设计语音、可控地克隆声音，以及高保真地延续一段语音。技术方案上，它把语音拆成两步走——先用 16kHz 做语义编码...
推荐理由：HKR 三项都踩中了：200 万小时训练数据和 9 种方言是实打实的钩子，参数和协议信息也够新，对国内语音开发者有直接参考意义。分数定在 78 是因为技术报告正文没给出具体的评测基准和对比数字，实际效果和落地表现还不清楚，这点先别太激动。
五个模型经济体里，价格崩盘消失了：控制与涌现
这篇博客因为 Hugging Face 返回了 429 错误（请求太频繁），正文内容没抓到。从标题和摘要看，实验用 OpenAI、NVIDIA、OpenBMB 的模型和一个自己微调的 5 亿参数模型来驱动市场里的交易代理。他们试了三种干预手段都没能重现价格崩盘，最后是靠结算时强行改写价格才把崩盘做出来。我会先打个折：具体怎么干预、崩盘长什么样、数据量多...
推荐理由：我会先打个折：正文因为 Hugging Face 限流没抓到，具体干预怎么设计、崩盘长什么样、数据量多大都只能靠标题和摘要猜。但就现有信息看，五个模型经济体里崩盘凭空消失、只能靠结算作弊做出来，这个发现对代理可靠性和模拟真实性都是实打实的质疑。信息缺口明显，但角度够刁，值得推给从业者看一眼。
Google DeepMind 公布塞拉利昂 AI 教学试验结果
Google DeepMind 公布在塞拉利昂开展的预注册随机对照试验结果，使用 Guided Learning 的学生数学成绩比对照组提升 0.258 个标准差，相当于八周内取得约 1.2 至 1.7 年的常规学习进度。
推荐理由：原文给出塞拉利昂随机对照试验的量化结果与交互数据，可了解 AI 辅助教学在真实课堂中的效果边界。
openJiuwen 搞了个叫 MANGO 的多智能体流网络，让一群模型自己学会怎么组队干活
openJiuwen 提出了 MANGO，一个多智能体流网络框架。它把强化学习、文本梯度（用自然语言反馈来调模型）和 Skip-k 机制（跳过不靠谱的中间步骤）揉在一起，让一群模型自己学会怎么组队、怎么分工。用 GPT-4o-mini 跑分，在 MATH500 数学题上比 MaAS 准确率高了 12.8 个百分点，在 DROP 阅读理解上比 AFlow...
推荐理由：我会先打个折：这还是个研究框架，不是大模型或平台级发布，所以别当重磅炸弹看。但 HKR 里 K 最扎实，机制和数字都给出来了，MATH500 上 +12.8% 的差距不算小。H 和 R 靠“流网络”这个角度撑住，对搞多智能体协作的人有参考价值。正文没提开源代码链接，这点先别太激动。
阿里 RTPurboV2：用几百步训练把注意力计算砍掉九成，原生 Transformer 又硬气了一回
阿里 RTP 团队发了 RTPurboV2，思路很直接：把模型里 85% 的注意力头换成滑动窗口注意力（SWA），剩下 15% 负责长距离检索的头用低秩投影、聚类和动态 top-p 压缩。适配训练只要大概 600 步、约 100 万条标注 token，Prefill 阶段推理加速最高到 9.36 倍。不过正文因为环境验证失败没抓到具体实验细节和模型规模...
推荐理由：阿里 RTP 团队这篇 RTPurboV2 思路很直白：把模型里大部分注意力头换成便宜的滑动窗口，只留一小撮头用低秩投影和聚类做长距离检索，训练成本压到 600 步、100 万条 token，Prefill 加速最高能到 9.36 倍。这个数字我会先打个折，因为正文自己说环境验证失败没抓到实验细节和模型规模，所以加速比在什么尺寸、什么长度下测的还不清楚。但思路本身对做长上下文部署的人有参考价值，属于工程信号强但缺完整验证的那种。
6月7日星期日
Harness-1：一个用强化学习练出来的200亿参数检索子智能体，能记住搜索状态
UIUC 和 Chroma 发布了一个叫 Harness-1 的检索子智能体，参数量 200 亿，基于 gpt-oss-20b 训练。它被放在一个“有状态搜索框架”里用强化学习训练，简单说就是模型在搜索时能记住上一步干了什么，再决定下一步怎么查，而不是每次都从头瞎找。在 8 个基准测试上，它的平均整理召回率是 0.730，比目前最好的开源子智能体高出 ...
推荐理由：HKR三项都站得住：Harness-1把强化学习和有状态搜索结合，机制讲得明白，基准测试结果也给了具体数字。分数定在78-84区间，因为它是个子智能体的研究发布，不是大厂主力模型，但开源圈确实需要这种能打的检索方案。
ICML 2026 中稿的 FusionRoute：让多个模型在生成每个词时自己选最合适的专家，还能自我纠错
这篇 ICML 2026 的论文提出了一种叫 FusionRoute 的多模型协作方法。它不直接合并模型，而是冻结住几个专家模型不动，只训练一个轻量的路由器。这个路由器会在生成文本的每一个 token（词或子词）时，实时挑选一个最合适的专家模型来输出，同时把路由器的判断分数和专家模型的输出分数揉在一起，让最终选择更准。论文在 GSM8K、MATH-50...
推荐理由：这篇 ICML 2026 的 FusionRoute 论文，核心是让几个冻住的专家模型在生成每个 token 时都能被一个轻量路由器实时挑选，还加了自我修正来纠错。思路确实有意思，但文章没给出具体的性能提升数字、代码链接和实际部署成本，所以我会先打个折，放在 featured 里偏低的档位。
AI 真能学会心算？隐式思维链首次得到理论证明，Stuart Russell 参与
UC Berkeley 和普林斯顿的研究者给“隐式思维链”找了理论依据。他们提出 Log-ICoT 方法，用 k 奇偶校验任务做实验：当 k=16 时，训练阶段从传统方法的 15 步砍到 4 步。论文证明，在简化假设下，一个 L 层的 Transformer 可以通过 log₂k 个课程阶段把推理步骤内化到模型里，不用再像显式思维链那样一步步往外蹦字。...
推荐理由：这篇论文给“隐式思维链”找了理论依据，不是光靠实验撞大运。我会先打个折：目前只在k奇偶校验这种玩具任务上验证，正文没披露真实NLP任务上的表现，所以实际能省多少算力还不好说。但亮点在于，他们用log₂k个课程阶段就让Transformer把推理步骤内化进模型，k=16时训练步数从15砍到4，这个压缩比挺直观。Stuart Russell参与也增加了可信度。对做推理优化的人，这是个值得跟的理论方向，只是别急着往生产里搬。
快手可灵提出 VLM-as-Teacher：生成视频时让视觉模型当老师，在线微调 LoRA 来遵守文字规则
这篇文章的正文被微信环境异常页挡住了，看不到具体技术细节。从标题和现有摘要看，快手可灵和城大合作了一个叫 VLM-as-Teacher 的方法。思路是在测试阶段用视觉语言模型（VLM）给视频生成模型（VGM）的 LoRA 模块打分反馈，边生成边优化，让模型学会按文字规则推理。他们搞了个 VBVR-Bench 基准，分数从 0.666 提到了 0.781...
推荐理由：正文被微信环境异常页挡住了，看不到技术细节，这点先打个折。但从标题和摘要看，快手可灵和城大搞的 VLM-as-Teacher，思路是在测试阶段让视觉语言模型给视频生成模型的 LoRA 打分，边跑边调，让模型学会按文字规则推理。VBVR-Bench 上分数从 0.666 提到 0.781，说明规则遵循能力有明显提升。方法本身有巧思，不是换模型架构，而是在推理时加一层在线优化，对可控视频生成是个实用方向。信息缺口在于没看到具体实现和消融实验，等正文能看了再补判断。
五个实验室，五个心智：用小模型搭了个会内幕交易的金融宫斗剧
这个项目用四家不同实验室的小模型（OpenAI 的 gpt-oss-20b、OpenBMB 的 MiniCPM3-4B、NVIDIA 的 Nemotron-Mini-4B 和一个自己微调的 0.5B Qwen）分别扮演市场里的不同角色，玩家则充当幕后金主，可以放贷、散布真假内幕消息、做空和贿赂。模型之间的差异本身就是卖点，让市场博弈更像真的吵架而不是念...
推荐理由：我会先打个折：这只是个实验项目，不是产品。但它的切入点很巧——用小模型之间的差异来制造博弈感，而不是硬靠 prompt 演。技术细节也够实在，vLLM 版本冲突、0.5B 模型的表现数据都摆出来了，做 agent 的人能直接参考。正文没披露微调那 0.5B Qwen 的具体数据配方，这点先别太激动。整体值得一看，放在低 featured 合理。
6月6日星期六
Domino：把推测解码里的因果建模和自回归起草拆开，Qwen3 吞吐最高提 5.8 倍
这篇论文提出 Domino，把推测解码（让一个小模型先快速起草、大模型再校验）里的两个步骤拆得更干净：因果建模和自回归起草不再绑在一起跑。在 Qwen3 上测出了最高 5.8 倍的吞吐提升。不过 Reddit 帖子本身被屏蔽了，正文没披露具体用了什么硬件、基线怎么设的、数据集和接受率这些关键细节，所以这个 5.8 倍是在什么条件下跑出来的还不清楚，先打...
推荐理由：这篇的核心卖点是 5.8 倍吞吐提升，但 Reddit 帖子被屏蔽了，正文没写用什么硬件、基线怎么设、数据集和接受率这些关键信息，所以这个数字是在什么条件下跑出来的还不清楚，先打个折。不过思路本身有意思：把起草和校验拆干净，代码和模型也开源了，对搞推理优化的人值得看一眼。
大晓机器人和南洋理工发布 PhysX-Omni，一个框架直接生成能进仿真器跑的 3D 物体
这篇推文本身因为微信环境验证没抓到正文，我只能根据标题和已有英文摘要来说。PhysX-Omni 是一个 3D 生成框架，特点是生成出来的模型不是只能看，而是直接带物理属性，能区分刚体、软体和带关节的物体，扔进仿真器就能跑。配套的数据集 PhysXVerse 有超过 8700 个物理 3D 资产，覆盖 2900 多个类别。对做机器人仿真的人来说，省掉了手...
推荐理由：标题说打通全链路，但正文没抓到，只能按摘要判断。PhysX-Omni 解决的是仿真资产从能看升级到能跑的问题，省掉了手动标物理属性的脏活。8700+ 资产和 2900+ 类别说明数据集有一定覆盖面，不过没披露资产质量、仿真精度和实际跑分，效果还得等模型放出来再看。大晓机器人和南洋理工的组合在机器人圈有认知度，但放到整个 AI 圈声量中等，所以卡在 featured 门槛上。
普林斯顿用 DeepSeek V4 做数学证明，成本只要别人的五百分之一
普林斯顿的研究员搞了一套叫 Goedel-Architect 的智能体系统，专门让模型在 Lean 这种形式化证明语言里自动做数学题。他们拿 DeepSeek-V4-Flash 跑 PutnamBench 数学竞赛题，672 道题里正确率到了 75.6%，API 调用费总共才花了 294 美元。对比之前 Hilbert 系统用别的模型达到 70.0% ...
推荐理由：普林斯顿团队搞了个叫Goedel-Architect的智能体系统，让DeepSeek-V4-Flash在形式化证明语言Lean里自动做数学题。PutnamBench 672道题正确率75.6%，API调用费总共294美元，对比之前Hilbert系统用别的模型达到70.0%却花了约17万美元，成本差了近500倍。这个对比很直观，数字也扎实，但正文没详细拆解294美元是怎么算出来的，也没说Hilbert那17万是不是包含了大量试错和人工调参。所以“500倍”这个说法可以先打个折看，不过即使有水分，成本优势依然明显。整体还是偏学术研究，离工程落地有距离，...
用Qwen2.5-3B搭了个五人森林经济体，小模型能跑流程但算账不太行
一个开发者拿Qwen2.5-3B（30亿参数的开源小模型）做了个多智能体模拟：五个角色在森林里各自生产、交易、囤货，跑了15轮。模型在100%的调用里都能输出格式正确的JSON，这点挺稳，但一到经济决策就露怯——它分不清该囤柴还是该卖蜜。作者靠两招补救：一是给环境加限制，比如食物会坏、冬天缺燃料，逼着模型做取舍；二是优化提示词，直接写明“别买自己生产的...
推荐理由：HKR全过。标题本身就抓人——3B小模型跑经济模拟，不是那种千篇一律的benchmark刷分。正文给了实打实的交易数据和基尼系数变化，不是空谈“涌现行为”。对做agent模拟的工程师来说，模型100%输出合法JSON这点很实用，但经济决策拉胯的坑和两条补救措施（环境约束、提示词优化）才是真正能省时间的干货。这只是一份个人工程报告，不是产品发布或框架开源，所以保持在featured门槛上，不往上拔。
谷歌给企业级 Gemini 搭了个“多代理协作”的外挂资料库框架，查事实类问题准确率最高提升 34%
谷歌研究院和谷歌云一起搞了个叫“跨语料库检索”的框架，用在 Gemini 企业智能体平台上，本质是让多个 AI 代理分工合作：一个负责理解问题并拆解计划，一个负责改写查询词，一个负责把问题路由到最合适的数据库，还有一个反复去搜、去验证。这套流程比传统 RAG（给模型外挂资料库直接查）在事实类数据集上准确率最多高出 34%。文章没细说测试用的具体数据集规...
推荐理由：谷歌把 RAG 拆成多个代理分工干活，在事实类数据集上准确率最多高出 34%，这个数字挺抓人。不过文章没披露测试用的具体数据集规模和难度，所以这个 34% 的含金量得打个折看。另外，框架绑在 Gemini 企业平台上，有给自家云服务带货的味道，所以分数没给到纯研究框架那档。
6月5日星期五
东南大学和北大搞了个机器人精细操作评测框架，说传统只看成功率的办法会把能力高估七成
这篇推文本身被微信的环境验证挡住了，正文内容没抓到。从标题和已有的英文摘要看，MetaFine 是一个诊断式的元评测框架，专门拆开看机器人在精细操作上的理解、感知和行为三个环节，而不是只给一个“成功/失败”的二元结果。研究团队说，传统只看最终成功率的评测方式，对精细操作能力的评估会虚高最多 70%。具体怎么测的、用了哪些任务和模型，正文没披露，没法展开。
推荐理由：标题和摘要抛出的 70% 虚高数字很有冲击力，MetaFine 的三轴诊断思路也确实比只看成功率进了一步。但正文被微信环境验证挡住，具体任务、模型和实验细节全是缺口，没法核实。所以它是一篇有钩子、有新知但信息不完整的二次评论帖，放在 featured 门槛上刚好，不宜再拔高。
CMU 新论文让大模型在上下文窗口满了之后“睡觉”，用离线循环前向传播更新记忆权重，再清掉缓存
CMU 和马里兰大学的研究者给大模型加了一个“睡眠”机制。具体做法是：当模型处理长文本、上下文窗口（L-token）塞满时，不直接丢掉旧的 KV 缓存，而是先跑 N 轮离线的循环前向传播，把当前信息压缩更新到 SSM（状态空间模型）的快速权重里，然后再清空缓存。论文在 GSM-Infinite 任务上拿 Jet-Nemotron 2B 模型试了试，设 ...
推荐理由：HKR 三项都过：钩子强，知识点有可复现的机制和 Jet-Nemotron 2B 的实测数字，也踩中了中美算力效率竞赛的神经。但它仍是一篇早期论文，不是产品发布或行业级事件，所以刚好卡在 featured 门槛上。
Transformer 真的需要 Q、K、V 三套投影吗？这篇论文系统测了三种共享方案
这篇 ICML 2026 的论文直接动手试了三种省参数的方案：让 Key 和 Value 共用一套投影（Q-K=V）、让 Query 和 Key 共用（Q=K-V），以及三者全共用（Q=K=V）。后两种会让注意力图变成对称的，作者用 2D 位置编码来打破对称性。实验覆盖了合成任务、图像分类和语言模型，最大跑到 12 亿参数、100 亿 token 的训...
推荐理由：这篇 ICML 2026 论文没搞理论推导，直接动手试了三种省投影的方案：Key 和 Value 共用一套（Q-K=V）、Query 和 Key 共用（Q=K-V），以及三者全共用（Q=K=V）。后两种会让注意力图变成对称的，作者用 2D 位置编码来打破对称性。实验从合成任务一路做到 12 亿参数的语言模型，最大跑了 100 亿 token。结果挺实在：Q-K=V 方案在语言模型上几乎不掉点，但 KV 缓存直接砍半，推理成本能省不少。不过这是架构研究，不是落地产品，而且论文里没提法案文本和执行时间表——那部分只是公开信呼吁，还没变成法律。所以放在 ...
当 AI 开始自己造自己：Anthropic 谈递归式自我改进的进展
Anthropic 发了一篇文章，讲他们内部怎么让 Claude 越来越多地参与 AI 开发。核心概念是“递归式自我改进”——让 AI 系统能完全自主地设计和开发自己的下一代。他们说自己还没到那一步，但趋势在加速。文章给了几个内部数据：到 2026 年 5 月，Anthropic 合并的代码里超过 80% 是 Claude 写的；工程师现在平均每个季度...
推荐理由：H 和 R 都过了：标题钩子强，话题本身也切中前沿模型的安全焦虑。K 没过是因为这只是一封公开信和政策呼吁，不是已生效的法律，正文也没披露具体机制或模型细节，信息密度撑不起更高评级，放在 featured 合理。
6月4日星期四
Together AI 把 2-bit KV Cache 压缩真的跑在了线上服务里
Together AI 和悉尼大学、UIUC 搞了个叫 OSCAR 的 2-bit KV Cache 压缩方案，每个 KV 元素实际只占约 2.28 bit，在 Qwen3-4B-Thinking 上跑分 71.86，比 TurboQuant 高出 40.1 分。简单说就是把模型推理时占显存的大头——键值缓存——压到极低精度，还尽量不丢性能。正文没披露...
推荐理由：HKR 三项都站得住：OSCAR 把 2-bit KV Cache 从纸面推到线上，还给了实打实的分数和对比。不过话题本身还是底层推理优化，放 featured 比放头条更合适，做推理基建的人会点进去看。
CVPR 2026 上，小鹏给英伟达、特斯拉和 Waymo 讲了一遍自己的物理 AI 技术栈
小鹏在 CVPR 2026 上公开了他们的世界模型技术栈，包含 X-World、X-Foresight 和 X-Cache 三个部分。X-Cache 能砍掉约 70% 的重复计算，相当于让模型推理时少做无用功。第二代 VLA 模型用了超过 4 万亿个 token 训练，这个量级说明训练数据投入很大。车端推理延迟压到了 80 毫秒，对实时驾驶决策来说这个...
推荐理由：我会先打个折，这毕竟是小鹏在顶会上的技术展示，不是独立验证过的第三方评测，所以分数没给到 85 以上。但选题确实抓人：CVPR 舞台上让北美自动驾驶三巨头听一家中国公司讲物理 AI，本身就制造了对比。信息量也够，X-Cache 的七成重复计算缩减、4 万亿 token 的训练规模、80 毫秒的车端延迟，都是能直接拿来讨论的指标。正文没披露 X-Cache 具体在什么场景下测出这个节省比例，也没说 80 毫秒是平均还是 P99，这点先别太激动。整体看，对做自动驾驶和端侧模型的人有参考价值，也踩中了中美技术竞争的神经，所以放在 featured 位置。
6月3日星期三
NVIDIA 在 CVPR 发了三篇物理 AI 论文：抓取、自动驾驶和游戏里练出来的智能体
这三篇论文都进了 CVPR。GraspGen-X 用 20 亿次模拟抓取训练，让机械手能处理没见过的物体，但正文没披露真实世界的抓取成功率。LCDrive 把自动驾驶的推理 token 砍了大约一半，靠的是让模型直接输出轨迹而不是先写文字再转成动作，延迟更低，不过没提极端场景下的安全性验证。NitroGen 在 1000 多个游戏里跑了 4 万小时的交...
推荐理由：NVIDIA 在 CVPR 放出的三篇论文，每篇都带着实打实的数字：GraspGen-X 用 20 亿次模拟抓取训练机械手，LCDrive 把自动驾驶模型的推理 token 砍掉一半，NitroGen 在 1000 多款游戏里攒了 4 万小时交互数据来训游戏 agent。我会先打个折——这是厂商研究打包发布，不是新模型或产品上线，所以重要性停在 78 分。但信息密度够高，对做机器人、自动驾驶和游戏 agent 的人有直接参考价值，尤其是用合成数据替代真实采集、降低推理延迟这两条思路，正文没披露具体硬件环境和延迟数字，这点先别太激动。
大模型 SFT 的算力浪费有救了：同质化数据训练几百步就该停，新方法能提前揪出过拟合
这篇文章正文被微信环境验证挡住了，看不到具体内容。从标题和已有的英文摘要看，Junpeng Zhang 他们发现，用高度同质化的数据做 SFT 时，有效训练窗口其实很短，大概几百到一千步左右。他们搞了一个基于交互信号的预警方法，能在 loss 差距还没拉大之前就检测到过拟合，据称能省下 30% 到 50% 的训练算力。不过具体怎么检测、实验怎么设计的，...
推荐理由：这篇论文没画大饼，直接给了一个可操作的结论：同质化数据做 SFT，有效训练步数很短，几百到一千步就差不多了。他们还提出一种交互机理预警，能比传统看 loss 更早发现过拟合，实测能省下 30% 到 50% 的算力。对天天在调参、担心过拟合又心疼显卡钱的人来说，这个发现挺实用。不过正文没披露实验用的模型规模和具体数据配比，实际省下来的算力在不同场景下会打多少折扣，还得自己试。
蚂蚁灵波在 RSS 2026 提出首个自回归因果世界模型，用 50 条演示数据就能让机器人学会通用操控
蚂蚁灵波和港科大搞了个叫 LingBot-VA 的模型，把“预测画面接下来怎么变”和“判断该做什么动作”合到一个自回归框架里。论文说，每个任务只用 50 条真实世界的演示数据微调，在 RoboTwin 2.0 的简单和困难设定下，成功率分别到了 92.0% 和 91.1%。不过原文因为微信环境异常没抓到，具体实验细节和泛化边界暂时看不到，这个成功率数字...
推荐理由：标题的“50条数据”是个强钩子，对数据成本敏感的从业者吸引力很大。文章把自回归因果世界模型的机制讲得比较清楚，就是让模型先预测画面变化再决定动作，不是黑箱。但全文只有一篇论文发布，没看到开源代码、实物测试视频或跟主流基线（比如扩散策略）的量化对比，验证强度不够。所以重要性给78，属于值得关注但别急着全信的研究发布。
大晓机器人和南洋理工搞了个统一物理3D生成框架，刚体、软体、带关节的物体都能一次搞定
这个框架叫PhysX-Omni，目标是让生成的3D模型直接能进物理仿真跑起来，不用再手动修。它把刚体、软体和关节体三类物体的生成统一到一个流程里，省掉了以前要分开处理的麻烦。配套的PhysXVerse数据集有8700个资产，覆盖2900个类别，规模不小。评测基准PhysX-Bench从几何、尺寸、材质、可交互性、运动学和文字描述六个维度打分，但正文没披...
推荐理由：统一物理 3D 生成这个钩子很清晰，数据集和评测基准的规模也给了实锤，对做机器人仿真的团队确实有用。不过正文没提开源、没提落地案例，也没说生成质量跟现有方案比到底好多少，所以分数先不打满，78 分合理。
MAI-Thinking-1：让模型持续思考几千步不崩，比让它开始思考难得多
微软 MAI-Thinking-1 的技术报告没在吹模型多会解题，而是在讲怎么让强化学习训练别崩。他们给 GRPO 算法打了三个补丁：一个像恒温器一样动态调节模型的“自信度”，防止它变得死板或乱猜；一个像断路器，在梯度爆炸时直接截断，保住整批训练数据；还有一套自蒸馏抢救流程，训练万一崩了，能把之前学会的推理能力搬到新模型上继续跑。这三个机制合起来，让模...
推荐理由：标题把卖点从“会思考”转到“持续思考”，一下就把训练崩溃这个真问题拎出来了。三种机制的名字虽然有点包装感，但至少给了具体抓手：恒温器控波动、断路器防崩、自蒸馏保风格。正文没披露具体实验数据和复现条件，所以“几千步不崩”这个数字先打个折看。整体对做推理模型训练的人有参考价值，但离落地验证还差一口气。
vibe coding 之后：AI 编程的工业化
MAI 从 487 万个开源 PR 里筛出 26.5 万道可训练题目，又为它们建了一套三层判分体系。AI 编程这两年真正的变化不是模型变聪明了，而是训练基础设施被工业化了：出题从手工活变成了流水线，批改也从“单测全绿就行”升级到能检查工具使用效率和前端视觉质量。
推荐理由：这篇文章没发模型、没给跑分，但把“vibe coding”之后该看什么讲清楚了：训练数据怎么筛、判分怎么搭、工程成本怎么控。487 万 PR 筛到 26.5 万题，这个压缩比本身就说明他们在做苦活，不是随便抓一把数据就训。三层判分体系正文没展开细节，但至少表明他们知道代码题不能只靠单次通过率来评。我会先打个折：没看到开源计划、也没看到实际训练出来的模型效果，所以目前更像一套训练基础设施的思路，离可复现的结论还差一步。对正在考虑自训代码 agent 的团队来说，这篇值得看，但别急着当标杆。
微软放出 MAI-Thinking-1，35B 活跃参数的 MoE 模型，没靠蒸馏自己从头训
微软发了 MAI-Thinking-1，一个混合专家（MoE）模型，总参数 1 万亿但每次只激活 350 亿，跑起来相对省算力。它用 30T token 从零预训练，没拿第三方模型做蒸馏，这点比较硬气。微软管自己的迭代优化流程叫“爬山机器”，听着像在反复试错往上拱。成绩单上，AIME 2025 拿了 97.0%，LiveCodeBench v6 拿了 ...
推荐理由：微软发了 MAI-Thinking-1，一个 MoE 架构的推理模型，活跃参数 35B，总参数 1T，用 30T tokens 从零开始预训练。我会先打个折：正文没给任何跑分、开放方式或定价，所以没法判断实际水平。光看参数规模，35B 活跃部分在推理时成本不会太高，但 1T 总参数意味着训练和存储都不便宜。这点先别太激动，等有 benchmark 和访问方式再说。
6月2日星期二
DataMaster：让模型自己搜数据、洗数据、拼数据，MLE-Bench Lite 奖牌率从 35.91% 拉到 68.18%
这篇论文提出了 DataMaster，一个让大模型自己当数据工程师的流程。它不碰模型结构和训练算法，只做三件事：自动搜索外部数据、清洗脏数据、把多个数据集拼成一张表。在 MLE-Bench Lite 这个机器学习竞赛基准上，DataMaster 把奖牌率从 35.91% 提到了 68.18%，几乎翻倍。正文没披露具体用了哪些模型、单次任务耗时和额外算力...
推荐理由：DataMaster 做的事很直接：模型和训练代码都不动，只让系统自己去搜、洗、拼数据，结果 MLE-Bench Lite 奖牌率从 35.91% 拉到 68.18%，接近翻倍。我会先打个折——这还只是单篇研究，没有生产环境验证，benchmark 本身也不是完整 MLE-Bench，所以别急着当银弹。但“数据工程自动化”这个方向确实戳中很多团队的日常痛点，加上数字够具体，给 78 分 featured 合理。
图灵奖得主 Sutton 新论文：AI 的下一步，得学会在行动中理解世界
这篇文章的正文被微信环境验证挡住了，实际内容没抓到。从标题和摘要看，Banafsheh Rafiee 和 Richard S. Sutton 提了一个叫“生成认知”的框架，给 AI 立了四根柱子：经验、感知与行动不可分、自主性、具身性。说白了就是主张智能不能光靠看数据，得在跟环境互动的过程中长出来。但具体怎么实现、有没有实验，正文没披露，这点先别太激动。
推荐理由：这篇是 Sutton 和 Rafiee 的新论文解读，核心是提出“生成认知”框架，主张智能体得靠经验、感知和行动绑在一起、自己定目标、还得有身体去试错。我会先打个折：正文没披露实验、代码或可复现的测试，目前还停在概念层。但 Sutton 的名气和四个支柱的提法，让它有资格进 featured，属于研究评论向的必读。
头部 AI 实验室开始正经研究机器有没有“意识”
Google DeepMind、Anthropic 和 Meta 都在研究 AI 能不能产生意识，以及这对人意味着什么。但正文被付费墙挡了，没披露具体用什么方法、有没有时间表、怎么才算“有意识”的评判标准。
推荐理由：我会先打个折：标题很抓人，但正文几乎没给干货。三家大厂在研究 AI 会不会产生意识，这确实是个能吵起来的话题，安全和对齐方向的人都会关注。可文章没披露他们怎么定义“意识”、用什么实验验证、有没有阶段性结论，连时间表都没有。所以这条只能当个信号看，别太激动。基于信息缺口，重要性停在 72，放在 featured 里提醒大家有这么个动向就够了。
6月1日星期一
JetBrains 发布 Mellum2：一个 12B 参数的混合专家模型，每次推理只激活 2.5B 参数
JetBrains 在 Hugging Face 上开源了 Mellum2，一个从零开始训练的混合专家模型。它总共有 120 亿参数，但每次计算只激活其中的 25 亿，这让它跑起来比同尺寸模型快了一倍多，适合对延迟和吞吐量要求高的场景。模型专门处理文本和代码，不做多模态，主要用在路由分发、外挂资料库检索、摘要和子智能体这些需要频繁调用模型但不必上大模型...
推荐理由：HKR 三项都过，但正文只给了 12B 和 MoE 这两个信息，没放跑分、没提许可证、没写上下文窗口，也没说怎么跟自家 IDE 集成。先按中等量级的模型发布处理，放在 featured 里偏低的档位。
AI 监管比想象中难；蛋白质折叠模型也找到了规模定律；有人给 AI 灭绝风险估了个价
这期 Import AI 聊了几件事。美国 AI 经济的真实增速可能被严重低估了：名义 GDP 在 2025 年约 2500 亿美元，但算上质量提升，实际年增速接近 2600%。之所以在常规统计里看不出来，是因为 AI 推理价格跌得和性能涨得几乎一样快，而且数据中心建设规模还没大到能明显拉动 GDP。作者提醒，AI 跟过去的半导体、互联网不一样，它可能...
推荐理由：这篇是 Import AI 的周报汇总，不是一手突发新闻，所以我会先打个折。但它的选题角度很刁钻，把“AI 灭绝风险”当成一个可以算账的经济问题来聊，比单纯喊安全口号有意思。里面给的美国 AI GDP 数字和质量调整增速，能让读者对行业体量有个具体感知。监督那部分也点出了当前对齐工作的实际困难，不是空谈。整体信息密度够，对关注 AI 政策与安全的从业者有参考价值。
我在一张 RTX 3060 上给冻结的 1.4B Mamba 主干挂了 8 个推理专家臂，这是拆解报告
作者用一张 12GB 显存的 RTX 3060 训练了一个叫 Mamba-Titan-1.4B-Reasoning 的模型。做法是把一个 1.4B 参数的 Mamba-1 主干完全冻结，只在第 24、25 层外挂了 8 个可训练的专家臂，组成一个总参数量 2.54B 的混合专家模型，每次推理只激活其中 2 个专家。数学题准确率大概做到 50%。正文没披...
推荐理由：这是一篇 Reddit 个人实验帖，不是论文，也没有独立复现，所以我会先打个折。但它的价值在于把一次失败解剖写得清楚：在单张 RTX 3060 上，冻结 Mamba 主干、外挂 8 路 MoE 做推理，最后数学准确率卡在 50% 左右。正文没披露训练时长和具体数据集，这点信息有缺口。对想用消费级显卡折腾推理模型的从业者来说，这篇能省掉一次踩坑，属于低门槛、有参考意义的 featured 内容。
5月31日星期日
人大高瓴发了一篇40页综述，专门讲怎么给大模型打分
这篇综述把“评分标准（Rubrics）”这件事拆成了五个部分来讲：定义、怎么构建、怎么用来训练、怎么用来评估、以及还没解决的难题。它想回答一个很实际的问题：在模型能自己调用工具、走流程干活的 Agent 时代，光看答案对不对已经不够了，得有一套更细的尺子来衡量“好答案”到底好在哪里。正文没披露具体的实验数据，更像是一张研究地图，帮从业者快速看清这个方向...
推荐理由：这篇综述没发布新模型或产品，但 40 页的框架对 agent 评测很有用，我会先打个折，放在 featured 档。正文没披露具体实验数据，更像文献梳理，但问题意识够强，从业者能直接拿来对照自己的评估流程。