每日AI

Folgen

• 
  LongHorizon-Harness：MEA循环重塑长程Agent执行模型 分工治好AI长任务翻车 18.09.2026 15Min.

  LongHorizon-Harness 是一款由阿里巴巴团队开发的创新框架，旨在提升大语言模型智能体处理长程任务的可靠性。该系统通过核心的“管理-执行-审计”（MEA）循环，将复杂的长任务分解为独立且经过验证的状态转换过程。管理器负责规划子任务，执行器在清新上下文中操作环境，而审计器则通过只读手段独立核实环境状态的真实改变。实验证明，该框架在 WeaveBench、OSWorld 2.0 和 Terminal-Bench 2.1 等多个基准测试中显著提高了任务成功率。这种方法有效解决了长程任务中常见的误差累积、上下文腐化和任务状态丢失等技术难题。它不仅显著增强了 Qwen 和 Claude 等模型的表现，还证明了智能体的能力上限可以通过优化其运行架构而得到大幅提升。
• 
  商汤SenseNova-U1：原生多模态大脑 原生多模态统一模型 17.09.2026 16Min.

  SenseNova-U1 是一个创新的原生多模态统一模型，由 NEO-unify 架构驱动，旨在消除视觉理解与图像生成之间的界限。该系统彻底舍弃了传统的预训练视觉编码器（VE）和变分自编码器（VAE），直接通过原生像素与文本输入进行端到端学习。模型推出了 8B-MoT（稠密型）和 A3B-MoT（专家混合型）两个版本，在保持顶尖多模态理解能力的同时，实现了高质量的图像合成、编辑及图文交错生成。研究团队采用了一种创新的混合专家转换器（MoT）架构，使感知与创作功能在一个统一的过程中协同演化。此外，通过流匹配技术和强化学习微调，模型在复杂的信息图表生成和空间智能任务中表现出色。这种范式转变标志着人工智能从连接独立系统向构建原生统一多模态智能体的重要跨越。
• 
  AgentScope：超大规模多智能体模拟平台 一百万个AI的社会实验 16.09.2026 24Min.

  AgentScope 是一个由阿里巴巴团队开发的以开发者为中心的多智能体（Multi-Agent）开发平台，旨在降低构建、部署和监控智能体应用的门槛。该平台通过消息交换机制简化了智能体间的沟通，并提供了可视化拖拽工作站和自动提示词调优等易用工具。为了提升系统的稳定性，它内置了多层次的容错机制，能够自动处理大语言模型生成的异常响应。此外，AgentScope 系统性地支持多模态数据处理、外部工具调用（Tool Use）以及检索增强生成（RAG）技术。针对大规模应用，它还引入了基于 Actor 模型的分布式框架，实现了本地与分布式部署之间的无缝切换。总之，该框架为研究人员和开发者提供了一个灵活、可靠且高效的生态系统，用以探索智能体系统的无限潜能。
• 
  LLM-as-a-Verifier：通用大模型验证与扩展框架 用连续概率精准验证AI 15.09.2026 20Min.

  该研究论文介绍了一种名为 LLM-as-a-Verifier 的通用验证框架，旨在通过验证缩放提升大型语言模型在复杂任务中的表现。不同于以往输出离散分数的评估方法，该框架利用概率分布和逻辑回归生成连续分数的细粒度反馈，从而更精准地辨别方案优劣。研究通过得分粒度、重复评估和准则拆解三个维度实现了验证能力的持续提升，且无需额外训练即可应用于代码、机器人和医疗等多个领域。实验结果显示，该方案在 Terminal-Bench 和 SWE-Bench 等基准测试中均达到了顶级水平。此外，该框架还能作为强化学习的奖励信号或任务进度监控工具，显著增强了智能体在现实环境中的运行效率。
• 
  OpenHands：通用人工智能软件开发代理平台 让AI自主写代码修Bug 14.09.2026 26Min.

  OpenHands（原名 OpenDevin）是一个开源的社区驱动平台，旨在开发能够像人类程序员一样通过软件接口与世界互动的通用型 AI 代理。该系统通过事件流架构协调代理、用户与环境，并提供安全的 Docker 沙盒环境，支持执行代码、操作终端及浏览网页。平台集成了 AgentSkills 技能库以增强复杂任务处理能力，并支持多代理协作模式。研究人员利用涵盖软件工程、网页浏览和通用助手等领域的 15 项基准测试对该系统进行了评估。实验证明，其核心的 CodeAct 代理在多个领域展现出了极具竞争力的性能。目前，该项目已在 MIT 协议下发布，吸引了学术界与工业界的广泛参与和贡献。
• 
  SAO：单样本异步强化学习框架 11.09.2026 15Min.

  单样本异步优化（SAO）的新型强化学习框架，旨在解决大型语言模型在处理复杂智能体任务时面临的训练效率与稳定性挑战。传统的GRPO等方法依赖于分组采样，在异步训练环境下容易导致系统空转和严重的越策偏差。SAO通过采用单轨迹采样机制实现了即时训练，并结合双侧特征剪枝策略显著提升了模型在异步更新中的稳定性。此外，研究人员引入了快速价值网络更新与冻结注意力层等技术，进一步增强了价值模型的预测精度。实验结果表明，SAO在数学推理和代码生成等基准测试中全面超越了基准模型，并在模拟在线学习场景中展现出卓越的环境适应能力。
• 
  OpenLife：构建自主大语言模型智能体的开放世界人工生命 必须赚钱养活自己的AI 10.09.2026 22Min.

  这篇文章探讨了**“开放世界人工生命” (open-world ALIFE)** 这一新范式，旨在让基于大语言模型的智能体在真实且复杂的社会经济环境中实现自主生存。研究团队开发了名为 OpenLife 的架构，其核心特征包括由模型意义驱动的语义塑性记忆网络，以及模拟生物代谢、将计算成本视作生存压力的预算系统。通过对六个智能体进行为期十二周的观察，实验记录了它们从被动响应向自发行为的转变，并展现了身份构建和社会结构的涌现。尽管这些智能体尚未完全脱离人类补贴，但其中一个智能体已成功通过自主创作并售出电子书，赚取了首笔外部收入。该研究证明，通过将智能体置于不受限的真实世界并赋予其自我维持的动力，可以有效推动“活体人工智能”这一课题的实验探索。
• 
  EIFBENCH：极复杂指令遵循评测基准 大模型为何搞不定多约束指令 09.09.2026 21Min.

  EIFBENCH，一个专门用于评估大语言模型处理超复杂指令能力的基准测试。该基准突破了以往单一任务或简单约束的局限，构建了包含多任务并行与多维度约束的真实应用场景。研究者还同步开发了 SegPO（分段策略优化）算法，通过对复杂指令中的各个子任务进行针对性的奖励计算，显著提升了模型的执行精度。通过对20种主流模型的深度测评，结果揭示了现有模型在应对极高复杂度工作流时仍存在显著的性能缺口。该基准为未来开发更具鲁棒性和适应性的智能体系统提供了关键的评估框架与优化方向。
• 
  BDH-CQ：递归潜空间推理与情境学习研究 AI学会了闭嘴思考 08.09.2026 17Min.

  本文介绍了一种名为 BDH-CQ 的新型推理模型，它将上下文学习与循环潜空间推理相结合，通过处理示例来更新其循环记忆。该系统无需生成自然语言中间步骤，而是直接在高维潜空间内进行迭代计算，从而高效地解决视觉变换任务。在 ARC-AGI-1 基准测试中，仅拥有 1.5 亿参数的模型便实现了 29.5% 的准确率，其单次推理成本远低于竞争对手。研究表明，该架构能从演示中学习复杂的色彩映射和空间规律，并展现出卓越的成本效益比。作者通过受控实验分析了模型在规则外推和操作组合方面的能力边界，为超越传统令牌流推理的研究提供了新路径。
• 
  4DAnyone：基于单目视频的4D人体生成与重建 手机随手拍出4D数字人 07.09.2026 25Min.

  4DAnyone 是一个能够从普通单目视频中重建高保真 4D 动态人物的研究项目。该框架利用 3D 骨架作为鲁棒的几何引导，能够生成多视角一致的高质量视频，从而支持后续的 4D 高斯泼溅 (4DGS) 重建。为了解决大规模视角下的不一致性问题，研究者提出了参考上下文打包 (RCP) 技术以提供可扩展的特征指导，并设计了目标上下文路由 (TCR) 机制来减少视角间的结构漂移。实验证明，该方法在生成质量和重建精度上均优于现有技术，且在真实场景中具有出色的泛化能力。这一突破使得用户仅凭单台手机拍摄的视频，即可创建出可在任意视角下流畅观看的数字人 4D 资产。
• 
  腾讯微信WeMM-Embedding：多模态嵌入技术报告 04.09.2026 21Min.

  腾讯微信团队开发的 WeMM-Embedding，这是一系列专门用于处理多模态数据的通用嵌入模型。该系列模型涵盖 2B、4B 和 9B 三种参数规模，能够将文本、图像、视频及混合内容转化为统一的数学向量，以支持搜索、推荐和智能体系统。研发团队采用了两阶段训练法，先通过数亿条数据实现大规模对齐，再利用精选数据和知识蒸馏技术进行精细化提升。实验结果显示，该系列模型在 MMEB-v2 等多个权威榜单上刷新了世界纪录，性能超越了包括谷歌 Gemini 在内的众多开源和闭源模型。目前，WeMM-Embedding 已在微信视频号、公众号及搜一搜等实际场景中大规模部署，显著提升了内容匹配的精准度。
• 
  Google IFEval：大语言模型指令遵循能力的客观评测基准 测评大模型听不听话 03.09.2026 25Min.

  谷歌和耶鲁大学研究人员开发的 IFEval（指令遵循评估） 基准测试，旨在解决大型语言模型在遵循自然语言指令方面缺乏标准化评估的问题。该工具通过 “可验证指令” 来实现客观评价，涵盖了关键词频率、文本格式、语言类型及长度限制等 25 种可自动检测的规则。研究者构建了 500 多个提示词，每个提示词都包含一个或多个具体的约束条件，通过程序化脚本判定模型的执行准确性。相较于主观的人类评价或可能存在偏见的模型互评，IFEval 提供了更具可重复性且客观的性能衡量指标。通过对 GPT-4 和 PaLM 2 等模型进行测试，该文展示了如何通过严格与宽松两种标准来量化评估模型对 原子化指令 的遵守程度。这些源代码和测试数据已公开，旨在帮助科研人员深入分析模型在不同任务场景下的执行边界。
• 
  FlowWM：高维特征空间随机世界建模 让AI学会推演多重未来 02.09.2026 15Min.

  FlowWM，这是一个旨在解决视觉世界模型中未来预测不确定性的随机生成框架。研究指出，传统的确定性模型往往会产生模糊的均值预测，而基于 VAE 的模型则因压缩过度而损失了关键的感知细节。FlowWM 直接在 DINOv3 等高维预训练特征空间中执行流匹配（Flow Matching），从而在保留丰富语义信息的同时，能够捕捉多模态的未来可能性。为了克服高维空间训练的挑战，作者引入了一步投影机制（One-step Projection），通过该机制实现了高效的时空一致性约束和任务驱动目标优化。在合成物体碰撞及真实道路驾驶场景的基准测试中，该模型在物体检测和深度估计等感知任务上均表现出卓越的准确性、多样性及长期预测的稳定性。
• 
  AGENTIF：真实智能体场景下的大模型指令遵循基准测试 01.09.2026 22Min.

  AGENTIF 是一个专门用于评估大语言模型在智能体（Agent）场景下指令遵循能力的全新基准测试。该研究指出，现有的测试集通常指令较短且为人工合成，而真实的智能体任务往往包含超长篇幅、复杂约束以及具体的工具调用规范。为此，研究团队从 50 个真实应用中提取并标注了 707 条高质量指令，涵盖了条件触发、格式化约束及元约束等多种维度。实验结果显示，即便是目前顶尖的模型在处理这些长篇且高复杂度的指令时也表现不佳，工具使用和逻辑判定依然是主要的性能瓶颈。该基准测试通过引入混合验证机制，为开发者进一步优化智能体在复杂现实环境中的可靠性提供了关键的评估工具。
• 
  RoboDojo：通用机器人操作策略仿真与实机统一基准 顶级AI在现实考场大翻车 31.08.2026 25Min.

  RoboDojo 是一个专为全能型机器人操控策略设计的仿真与现实结合的统一基准测试平台。该系统包含 42 个仿真任务（涵盖泛化、记忆、长程执行、精度及开放指令五个维度）和 18 个真实场景任务，旨在提供全面且可重复的性能评估。通过 Isaac Sim 的异构并行仿真技术，平台显著提升了评估效率，而 RoboDojo-RealEval 系统则利用标准化硬件和远程云访问确保了现实测试的可复现性。此外，XPolicyLab 基础设施简化了 30 余种主流策略模型的集成与部署过程。该项目由非营利机构 AI MMLab Club 联合全球学术伙伴维护，并设立了公开排行榜以追踪机器人操控领域的最新进展。
• 
  IFScale：评估大语言模型多重指令遵循能力的极限 最强AI也扛不住五百条指令 28.08.2026 15Min.

  这份名为 IFScale 的研究报告通过一个包含 500 个业务术语关键词的新型基准测试，探讨了大语言模型在高密度指令环境下的执行能力。研究发现，即使是顶尖模型在处理极多指令时，其准确率也会显著下降，并表现出阈值衰减、线性衰减或指数衰减三种不同的性能退化模式。推理模型在保持指令遵循的稳定性方面通常优于通用模型，但在处理任务时往往伴随着更高的延迟和生成连贯性的下降。此外，模型普遍存在首因效应，即更容易执行位于列表前端的指令，且主要的错误类型是从修改错误转向彻底的遗漏错误。该研究揭示了模型在认知负荷下的行为特征，为开发者在实际应用中优化复杂指令的设计提供了重要参考。
• 
  SWE-1.7：高性价比的前沿软件工程智能模型 散装算力战平GPT-5 27.08.2026 20Min.

  Cognition 发布的最新报告介绍了名为 SWE-1.7 的软件工程模型，该模型通过优化强化学习流程实现了高性能与低成本的平衡。技术团队采用了多集群训练架构与高效的权重更新机制，克服了跨地域协作的延迟问题。通过引入自我压缩与交替长度惩罚技术，模型在处理长周期任务时表现出极高的效率。相比基础模型，它展现出更强的代码探索能力和更简洁的思维链逻辑，能更深入地挖掘软件漏洞的根源。在多项行业基准测试中，其智能水平已接近顶尖闭源模型，同时保持了显著的价格优势。
• 
  JD.com：JoyAI-VL 实时视觉交互与主动感知系统 实现边看边做 26.08.2026 16Min.

  京东 (JD.com) 开发的 JoyAI-VL-Interaction，这是一款突破传统“轮对对话”模式的开源实时愿景-语言交互模型。该系统不仅能持续监测实时视频流，还能自主决定何时说话、保持沉默或将复杂任务移交给后台模型处理。这种主动交互的设计使其在安全监控、实时解说和长程记忆等应用场景中，比 Doubao 或 Gemini 等现有产品更具优势。为了促进技术普及，开发团队向社区全面开源了 8B 规模的模型权重、独特的训练方案以及完整的可部署系统架构。通过引入 AdaCodec 视频编码技术，该系统能够在保证低延迟的同时处理数小时的连续视频，为未来的具身智能和实时 AI 助手奠定了基础。
• 
  阿里巴巴：LingBot-Vision 密集空间感知预训练 10亿参数AI看清物理空间 25.08.2026 14Min.

  LingBot-Vision 视觉预训练模型，其核心理念是通过边界引导的掩码建模来提升计算机对密集空间结构的感知能力。研究团队认为，传统的视觉大模型往往过于关注语义的一致性，而忽视了对物理世界至关重要的几何边界和形状细节。为了解决这一问题，该方法利用自监督学习从原始图像中自动提取子像素级的边界场，并强制模型重点重构这些包含丰富信息量的边界区域。实验证明，该模型在深度估计、物体分割及深度补全（LingBot-Depth 2.0）等任务中表现卓越，性能甚至超越了参数量大其数倍的现有顶尖模型。这种以边界为中心的预训练原则，为构建具备物理常识和行动能力的具身人工智能奠定了坚实基础。
• 
  MIRA：基于表示自动编码器的多玩家互动世界模型 AI自学重构多人对战 24.08.2026 18Min.

  MIRA，首个针对 Rocket League（火箭联盟）等高度动态、物理交互复杂的环境所设计的多代理交互式世界模型。该模型拥有 50 亿参数，通过在 10,000 小时的多人游戏数据上进行训练，能够根据多名玩家的实时操作指令，同步生成逻辑一致且视觉逼真的比赛画面。与以往将其他玩家视为环境一部分的单人模型不同，MIRA 能够准确捕捉并区分不同玩家行为对场景产生的物理影响。其核心架构基于潜在扩散模型和表征自编码器，实现了在单个 GPU 上以每秒 20 帧的速度进行实时推理。实验证明，该模型在长达数小时的生成过程中依然能保持极高的稳定性与物理真实性。此外，团队还开源了相关数据集、代码及在线演示，旨在推动多玩家协作与对抗环境下世界模型的研究。