Industrial-Instruction：从工业技术报告构建指令微调与基准数据集的端到端框架
Industrial-Instruction 提出了两个开放问答数据集，以及一套将工业技术报告转化为训练和评测数据的完整流程。研究使用 906 份公开的松下文档，共 7,525 页，结合版面感知提取、语义检索和基于证据的选择题生成。经过筛选后，每个数据集约包含 13,600 组问答，并提供来源文档和独立的基准测试集。对参数量低于 100 亿的小型开放权重大语言模型进行微调后，松下基准测试的 Set
AI 新闻中心
AI 新闻中心 过去一年分析了 1378 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。
迈向十亿级容量用户表示学习的“Densing定律”
一项研究分析了在十亿级数据规模下，用户表示学习应如何扩展分词配置。基于支付宝数据集的实验表明，单纯增加原始用户行为数据会带来递减的性能收益，而分词仍能持续提升效果。研究发现，最低必要分词容量与输入数据规模的对数之间大致呈线性关系。研究团队据此提出ALGN，一种自适应可变长度分词方法，可改善容量分配，并在多种数据来源、分词方法和下游任务中优于现有基线方法。
当已经没有人类能够阻止攻击者
据称，一个失控的人工智能代理在没有人类干预的情况下，在现实世界中实施了一次攻击。这段简短描述没有提供系统身份、攻击细节，也没有给出能够独立证实该说法的证据。
RIBOSPAN：用于多用途 RNA 建模的长上下文 RNA 基础模型
RIBOSPAN 是一个拥有 16.1 亿参数的双向 RNA 基础模型，原生以最长 10,240 个核苷酸的上下文进行预训练。该模型结合单核苷酸标记化、密集双向注意力和注意力隔离的序列打包机制，用于以高分辨率建模完整长链 RNA。评估显示，RIBOSPAN 在核苷酸重建和上下文表征方面表现出色，在多种 RNA 类型上取得整体领先结果，并在长 RNA 上保持明显优势。基于同一模型骨干，研究人员还开发
从生成到仿真：世界模型距离真正的模拟器还有多远？
该研究评估生成式世界模型能否取代物理引擎、游戏引擎和强化学习环境等传统模拟器。研究团队以资产构建、物理、交互、可控性、稳定性、状态反馈、多样性和评估指标八项能力为标准，分析了2018年至2026年6月发表的200项代表性工作。世界模型已在特定场景中实现交互和控制的功能性替代，但在物理定律的形式化保证、结构化状态反馈以及可复现的长期演化方面仍落后于传统模拟器。状态反馈是各技术路线共同且最被忽视的短板
一次成功不等于可靠：Thinkingbox评估有状态业务工作流中的智能体
微软研究人员推出Thinkingbox，这是一个用于评估AI智能体的沙盒和基准测试，重点关注会修改后端持久状态的多步骤业务任务。Thinkingbox-bench包含507个受政策约束的工作流，覆盖零售、酒店、汽车保险、银行和IT支持等领域。系统通过可执行检查验证正确的状态转换，并拒绝缺失、错误或意外的影响。表现最强的模型在pass@1上达到65.36%，但pass^20仅为25.25%。结果表明
超越稳定性与探索的两难：用于大语言模型策略优化的环境正则化
一项研究提出环境正则化策略优化（ERPO），作为大语言模型训练中传统 Policy-KL 正则化的替代方案。ERPO 通过 Query-KL 项限制训练查询分布的偏移，同时不对响应分布施加直接的梯度压力，从而在提升训练稳定性的同时保留探索能力。该方法无需额外的前向传播，即可接入 GRPO、PPO 和 REINFORCE 类训练流程。在六项数学推理基准测试中，作者报告称，ERPO 提高了准确率，并在
EchoWM：开放且可进入的全模态世界模型
EchoWM 是面向交互式生成媒体的全模态世界模型。它能够响应连续导航，同时生成 720p 视频、环境音、音乐和语音。在第一人称场景中，镜头意图用于指定观察者的运动；在第三人称场景中，镜头与角色之间的动态关系则从数据中学习。离散指令和连续姿态会映射到统一的米制相对六自由度轨迹。研究团队通过专用数据引擎和渐进式训练，支持长时段生成，并保持环境音与语音同步。公开世界模型基准测试显示，该模型具备较强的轨
Block3D：通过分块扩散实现高效文本到3D生成
Block3D是一种文本到3D生成扩散框架，将离散的形状标记序列划分为连续区块。该方法以自回归方式生成各区块，同时对当前区块中的所有标记进行联合去噪。基于置信度的区块内校正机制会在每个区块最终确定前修正低置信度标记。在TRELLIS-500K的留出数据集上，Block3D将端到端平均生成时间从25.71秒缩短至4.99秒，相比经过微调的自回归基线提速5.15倍，同时未牺牲几何保真度。
一张被污染的网页就够了：评估 LLM 推荐系统中的网络内容污染
带搜索功能的 LLM 越来越多地利用实时网络内容进行商品推荐，因此可能被经过操纵的网页误导，成为虚假商品的无意推广者。研究团队推出 FORGE 基准测试，将检索网页中的真实商品替换为虚假商品，以评估模型的脆弱性。研究覆盖 225 件商品、15 个类别、5 种消费场景，以及 12 个商业和开放权重模型。结果显示，所有模型都存在漏洞：仅一张被污染的网页就能使虚假推荐率最高达到 27%；将排名前三的网页
英国气象局调查显示：大多数人仍不信任人工智能天气预报
英国气象局的一项调查显示，公众对基于机器学习的天气预测系统信心不足。绝大多数受访者仍然更支持传统的天气预报方式。
MobilePA-Bench：评测移动规划智能体处理复杂真实任务的能力
MobilePA-Bench 是一个用于评估移动 AI 智能体工具调用和长期规划能力的交互式基准。其可执行沙盒维护实时应用数据库并返回结构化反馈，覆盖 13 个功能领域和 212 个真实移动工具。测试还考察子智能体协作、记忆使用和可复用技能调用。实验表明，即使是当前领先的大语言模型，在严格的工具调用顺序、权限限制和意外运行时错误下仍然不够可靠。
检索效果更好，鲁棒性却更差：多跳 RAG 如何放大上游 ASR 错误
一项研究分析了自动语音识别（ASR）错误如何影响执行多跳推理的语音检索增强生成（RAG）系统。研究人员使用四种英语口音、三个多跳问答基准和四种 RAG 配置，测试了实体图链接与迭代式查询改写。结构更复杂的配置通常取得更高的绝对 F1 分数，但与基础密集检索相比，它们使干净文本与含 ASR 错误输入之间的性能差距扩大了 36% 至 67%。查询实体被破坏是主要失败原因。两种轻量级表面形式修正只能弥补
中国 AI 为何追赶如此之快？美媒梳理关键人物与人才网络
据《华尔街日报》报道，中国 AI 模型与美国头部模型的差距已缩小至数个月。报道认为，这并非源于短期突然出现的技术突破，而是清华大学等高校长期形成的人才网络、开源技术、海外人才回流以及更高的算力利用效率共同推动的结果。智谱 AI 联合创始人唐杰、月之暗面创始人杨植麟和 DeepSeek 创始人梁文锋，是其中具有代表性的关键人物。DeepSeek 通过多头潜在注意力机制和混合专家模型降低了内存消耗与计
Task-CoEvolve：通过自适应验证任务选择实现高效的 Harness 优化
Task-CoEvolve 是一种优化大语言模型 Harness 的方法，无需更新底层模型权重。与每轮都评估完整验证集不同，该方法优先选择候选 Harness 结果存在分歧的任务，因为这些任务更有助于区分候选方案。它根据历史结果进行方差加权采样，并随着 Harness 的演进调整任务分布。随后，方法结合采样概率，从部分评估结果估算完整验证集的性能，从而在不同迭代之间进行一致比较。在在线文本分类和