借助 GPT Astra，开发者在《我的世界》中原生运行《使命召唤：黑色行动 2》
一名开发者展示了在《我的世界》中原生运行《使命召唤：黑色行动 2》“Hijacked”地图的项目。Luckey Faraday 使用 GPT Astra 将基于浏览器的移植版用 Java 重写，使地图、碰撞检测、机器人、导航网格、武器和渲染全部作为 Fabric 模组运行在《我的世界》的 OpenGL 环境中。演示以全屏约 45 FPS 运行。Faraday 表示，这并非播放视频，而是通过 Fab
AI 新闻中心
AI 新闻中心 过去30天分析了 1116 篇文章，发现了 0 条重要报道 (分数 ≥ 5.5)
获取从可信来源聚合的最新 AI 新闻。
小鹏启用其宣称全球首条人形机器人自动化生产线
小鹏宣布已启用人形机器人IRON的自动化生产线。公司表示，该产线覆盖从零部件组装到整机总装的全流程，IRON还可通过双足行走完成下线环节。IRON身高1.78米，体重70公斤，全身拥有76个自由度。小鹏称，机器人搭载3颗AI芯片，总算力达到2250TOPS，并采用第二代VLA大模型，可在本地运行最高300亿参数的模型。小鹏计划在今年底进入规模量产，目标月产量超过1000台。初期产品将用于小鹏门店和
CERA-MoA 让持续学习的LLM智能体与路由机制协同进化
CERA-MoA是一种面向混合智能体系统的迭代式强化学习框架，使动态路由器与独立智能体共同进化。该方法利用中间层隐藏状态构建预测式熟悉度估计器，在无需完整运行轨迹的情况下评估各智能体的语义能力。基于累积阈值的自适应路由机制会针对不同任务动态启用合适且数量最少的智能体子集。同时，系统根据智能体能力的变化分配训练样本，以促进专业化。跨多个领域的实验表明，CERA-MoA的表现优于静态智能体路由和固定流
BraTS-GoAT 2026评估nnU-Net在不同脑肿瘤人群中的泛化能力
BraTS-GoAT评估了模型在异质脑肿瘤人群中的肿瘤分割表现。研究人员使用1,351例带标注病例，通过五折交叉验证训练传统3D nnU-Net。在官方合并验证集上，增强肿瘤、肿瘤核心和全肿瘤的Dice值分别为0.7805、0.8288和0.8854。平均区域Dice从来源OOF病例的0.9058下降到合并验证集的0.8310，表明跨人群泛化能力减弱。测试时镜像仅带来小幅单折提升，残差编码器版本的
Fathom：为卸载式 KV 缓存的稀疏解码实现按查询调整读取深度
Fathom 是一种用于加速长上下文智能体会话解码的方法，适用于 KV 缓存及其排序索引位于主机内存的场景。每个查询会决定从各个键通道读取多少位，并根据通道的重要性分配位预算。在 Qwen3-8B 的百万 token 测试中，Fathom 的单步解码速度比 Double Sparsity、Loki 和 SparQ r=32 使用的 136 位扫描快 1.67 倍。在与 SparQ 68 位读取相同
利用 VLM 代理进行上下文机器人学习
该研究提出 GPT-Policy，一种用于机器人上下文学习的框架。系统包括保留任务相关视觉变化的上下文编译器、提出机器人工具动作的视觉语言模型，以及验证并执行每个动作并报告结果的受限控制器。在真实机器人测试中，即使没有机器人动作标注，人类视频演示也能提高任务完成率；在对接触敏感的任务中，对齐的动作参考带来了进一步提升。研究还通过可靠性、效率、模型对比和上下文消融实验，分析了该方法的表现与局限，以及
开发者称借助 OpenAI GPT-6 Astra，破解 83 年未解的德军密电
一名彭博开发者声称，他借助据称属于 OpenAI 的 GPT-6 Astra，破解了一条德国士兵于 1941 年发送的恩尼格玛密电。据称，该模型和多个专业 AI 智能体负责搜索历史档案、编写密码分析代码、测试机器设置并交叉验证结果。突破点可能来自另一条已解密电文中的地名“Rosenow”，以及恩尼格玛不会将字母加密成自身这一已知弱点。还原文本包含合理的德语片段，以及可能由电报操作员留下的拼写错误。
内存墙的另一半：通过训练式路由预测从 SSD 运行 35B MoE
Edge0 是一款流式推理引擎，旨在让混合专家模型在消费级硬件上运行。经过训练的预路由器会提前一个 token 预测下一层将选择的专家，使所需权重能够从 SSD 预先读取，并与计算过程重叠。未合并的恢复 LoRA 用于弥补 int4 量化和替换原有路由造成的质量损失。在一台配备 24GB 内存的机器上，Edge0 可让 35B MoE 模型以每秒 20 个 token 的速度运行，峰值活动内存仅为
智谱 GLM 公布国内首个递归自我改进生产实践
智谱 GLM 团队披露了递归自我改进（RSI）在生产环境中的应用案例。由 GLM-5.3 驱动的 Infra Agent 完成了 GLM-5.3-Flash 推理基础设施的设计、调试和优化。在超过 10 万张国产芯片组成的集群上，该系统不到两周便从零搭建生产级推理服务。智谱称，端到端吞吐量提升至初始基线的 3 倍，硬件利用效率和单 Token 成本达到主流 NVIDIA GPU 系统的相近水平。该
微软发布 VS Code 1.138：优化 AI 智能体协作并扩展 Codex harness 支持
微软发布了 Visual Studio Code 1.138。此次更新新增开发容器中的智能体会话，允许智能体使用项目指定的工具、依赖项和环境配置，而不会默认访问本地计算机的全部资源。该功能需要安装 Docker，并使用受支持的开发容器配置。新版还支持 Codex harness，可在 ChatGPT 应用与 VS Code 之间延续同一会话。用户可以使用 GitHub Copilot 或 Chat
每小时最高消耗3万美元：前DeepSeek研究员首次直播小米大模型训练
小米MiMo团队负责人、前DeepSeek研究员罗福莉在X平台首次公开直播了小米最新模型MiMo-V2.6的训练过程。团队目前正针对智能体系统开展大规模强化学习实验，并扩展计算资源、测试环境和评估方法。根据公开训练页面，MiMo-V2.6-Pro和Flash两个并行版本累计训练成本约128万美元，合计每小时消耗超过3万美元。小米方面表示，未来几周将逐步公开更多相关技术细节。这些数据反映出先进大模型
小米公开MiMo-V2.6强化学习训练过程，计划开源技术细节
小米MiMo团队负责人、前DeepSeek研究员罗福莉公布了MiMo-V2.6大模型强化学习训练的最新进展。小米同步上线实时页面，展示训练进度、Token消耗和成本。团队正在开展大规模多任务智能体强化学习实验，采用异步并行计算、支持多框架混合运行的环境，以及结合测试用例和评分标准的组内信用分配机制。根据公开数据，MiMo-V2.6-Pro训练约43小时，成本为89万美元；Flash版本训练约38小
消除长上下文混合专家训练中的每个内存峰值
研究人员提出针对长上下文混合专家（MoE）模型训练的内存优化技术。以往只要任一组件峰值内存超过设备内存，训练就会失败。研究识别出四个瓶颈：专家分发、词汇投影、梯度检查点边界和优化器状态。PipelinedLLEP、Ring-DTP、选择性检查点卸载（SCO）和 OffloadStreamAdamW 以固定 GPU 工作集限制这四者。这些方法仅改变计算顺序和粒度，因此损失和梯度保持精确。测试显示，M
PANORAMA：通过掩码候选选择实现全景接地描述
该研究针对全景接地描述任务，要求视觉语言模型同时描述前景物体和背景区域，并将每个短语关联到像素级掩码。作者推出了人工标注的 PanoCaps 基准，包含密集描述、近乎完整的像素覆盖以及实体级图文对齐，并提出 Generalized Panoptic Quality 评估指标。PANORAMA 使用预训练分割器生成由短语条件控制的掩码候选，再选择与每个短语对应的区域。在 PanoCaps 上，该模型
ChatGPT 背后贡献者 Almeida 推出 AI 模型 Jev，输出免费
TypeSafe AI 发布了 Jev，这是一款不生成文本或代码、而是返回结构化决策的“System One Model”。Jev 支持从最多 255 个预设选项中进行选择、输出数值评分，并提供经过校准的是或否概率。公司称，该模型采用“校准决策强化学习”（RLCD），旨在使模型置信度更贴近实际正确率。在结构化任务中，TypeSafe 宣称 Jev 比前沿大型语言模型快 20 至 200 倍，成本低