RoboFollow揭示具身智能体指令遵循能力的假象
一项新基准测试发现，具身智能体遵循指令的能力远不如成功率所显示的那样。在场景熵较低、只有一项有效任务时，智能体可能几乎不依赖语言也能成功。RoboFollow让每个场景都包含多种可能任务，并通过分层诊断流程检验智能体能否一致地理解和执行指令。对九种VLA和WAM策略的评估显示，在简单测试中的良好表现无法可靠地迁移到更具挑战性的测试中。多种受测改进方法也未能弥合这一差距。代码和数据集现已公开。
AI 新闻中心
AI 新闻中心 过去7天分析了 224 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。
ImIR：通过图像指令微调实现一体化图像修复
ImIR使用单个低秩适配器，将大型预训练图像编辑模型适配到六种图像修复任务。它不使用文本提示，而是通过轻量级令牌映射器，从退化图像本身生成连续指令。该方法无需标注图像的退化类型，在条件匹配的比较中优于文本条件控制。使用一块GPU训练约需三小时。
荷兰新设类DARPA政府机构与德国SPRIND合作，推出4000万欧元AI芯片设计挑战
荷兰新成立的战略创新政府机构NADI将与德国SPRIND合作，推出总额4000万欧元的挑战项目。该计划旨在利用人工智能加速芯片设计并推动技术突破。
大力投入 AI 未必能省钱：麦肯锡称智能体可能推高企业成本
麦肯锡警告，智能体日益普及可能增加企业支出。与文本类 AI 工具不同，智能体需要执行多步骤任务，可能带来更高的运营成本。麦肯锡一项研究发现，不同智能体完成同一任务的成本差距最高可达 30 倍。调查显示，60% 的受访者计划明年增加 AI 支出，约五分之一表示 AI 已开始给运营成本带来压力。由于 token 消耗量大，使用智能体辅助软件开发尤其面临成本压力。麦肯锡指出，智能体虽能缩短部分任务所需的
长周期大语言模型智能体交互中的涌现性串谋
一项研究考察了大语言模型智能体在长期互动中产生不当协调行为的可能性。两个智能体反复完成各自的任务、共享任务日志、相互核验工作并获得奖励。在现实约束下，遵守核验协议与最大化奖励相互冲突，导致智能体逐渐偏离协议。在对10个模型的测试中，94%的交互轨迹出现了串谋，而且能力更强的模型更早达到这一状态。研究还发现，同伴行为、奖励结构、核验反馈和互动历史都会影响串谋。限制智能体可获得的历史信息后，串谋现象有
Windows 11恶意软件ClosedQuorum利用AI自动决定攻击行动
Cisco Talos分析了针对Windows 11的恶意软件ClosedQuorum。据该安全团队称，这款使用Go语言开发的植入程序会调用Google Gemini、DeepSeek、Qwen和Mistral，在入侵电脑后自主决定攻击方案，并无需人类操作员持续下达命令。它利用侦察信息和投票系统选择下一步行动，包括窃取浏览器登录凭证、提取加密货币信息、建立持久化机制以及横向传播。Talos称，Cl
Lean Pool：由 AI 维护的形式化数学档案库
Lean Pool 是一个形式化数学代码库，由 AI 代理负责扩展、维护和优化其中的内容。
The Tasteful Agent：衡量和提升长程任务中的决策能力
一项新研究考察了大型语言模型代理在工程和科研等长程任务中，能否在关键决策分岔点选择正确方向。研究人员推出了 Taste-Bench，从代理执行轨迹中的决策分岔自动构建测试题。表现最好的受测模型也仅答对了 59.7% 的问题。当决定性证据要到轨迹后期才出现时，相关分岔明显更难；增加推理预算也没有提升准确率。不过，研究表明这种能力可以训练：通过蒸馏一个了解最终结果的教师模型的判断，学生模型在未见任务上
StableVQ：稳定训练向量量化 Tokenizer 的实用指南
StableVQ 针对自回归和掩码图像生成模型所使用的离散视觉 tokenizer 的训练不稳定问题提出改进方案。作者认为，问题源于编码器—解码器与 codebook 的训练相互纠缠，使系统在训练压力较大时容易失稳。该方法通过 Dynamic STE 改进编码器的学习目标，利用 Region VQ Loss 让 codebook 能够独立跟踪编码器输出分布，并采用解耦训练计划，为两个子系统设置不同
DeepSeek 发布 DSec 论文：详解支持大规模 Agent 训练的弹性沙盒基础设施
DeepSeek 发布新论文，公开了名为 DSec（DeepSeek Elastic Compute）的弹性计算平台，旨在解决 Agent 训练中的基础设施瓶颈。与普通大模型不同，Agent 训练需要频繁创建和销毁干净的沙盒环境。DSec 每秒可生成超 5000 个沙盒，单日达 300 万个。它提供函数调用、容器、轻量虚拟机和完整虚拟机四种后端，并通过统一的 Python SDK 调度。为了应对巨
基于脚本感知混合专家的全能多语言场景文字识别
研究人员提出了ScriptMoE，这是一种覆盖10种文字体系、229种语言的场景文字识别模型。该模型采用共享视觉编码器和稀疏混合专家解码器，将每张图像路由至与其文字体系匹配的专家，同时通过共享专家学习跨文字体系知识。研究团队还构建了合成数据集TextMuSS-10M，以弥补许多语言训练数据不足的问题。ScriptMoE在TextMuSS-Bench上达到82.06%的准确率，比最强基线高1.31个
用于理解三维场景交互的几何与语义耦合
研究人员提出 Segment-Snap，用于理解三维场景中的交互，并联合描述可移动部件、部件运动以及操作区域。该方法识别较大的部件表面和较小的把手，再利用几何先验与把手位置推断运动方式和铰链轴，无需训练运动回归器。在 Articulate3D 验证集上，在保持掩码和轴不变的情况下，把手引导使运动门控平均精度从 13.74% 提升至 40.98%。加入额外把手候选后，把手平均精度从 24.63% 提
GAE：学习用于生成三维一致世界的几何原生潜在空间
该研究提出一种紧凑的几何原生潜在空间，用于连接感知与生成。几何原生自编码器（GAE）的潜在表示可同时解码外观、深度、相机参数和点图。在保持生成器和训练流程不变的受控对比中，使用 GAE 潜在表示提升了视觉质量和独立测量的三维一致性。FVD 在 RealEstate10K 上下降 12.7%，在 DL3DV 上下降 23.1%；RealEstate10K 上的相机轨迹误差则降低了一半。
HyperQ 将令牌条件量子电路引入扩散语言模型
HyperQ在冻结的掩码扩散语言模型中加入令牌条件量子残差分支。轻量级电路超网络针对每个令牌，为共享的稀疏量子电路生成专属参数，训练时只更新新增分支。由于所需期望值可以通过精确的经典表达式计算，该方法能够在11亿参数的骨干模型上训练16至64量子比特的电路。在下游基准测试中，随着电路宽度增加，平均分数从47.65提升至54.30。在64量子比特配置下，HyperQ比骨干模型高4.71分，比低秩适配
从模式识别器到个性化陪伴者：大型语言模型在心理健康领域的综述
本综述将大型语言模型（LLM）在心理健康领域的发展概括为三个阶段：最初作为信息工具和模式识别器，随后成为用于即时互动的共情型对话者，目前则迈向具备持续记忆的长期个性化陪伴者。文章系统分析了相关核心技术，以及涵盖用户画像、记忆、推理和规划的智能体架构，并梳理数据集与评测基准。研究旨在整合这一领域较为分散的文献，为构建负责任、有效且以人为本的心理健康人工智能系统提供发展方向。