从研究目标到科学问题的完整解答：通过证据支持的物理研究评估智能体
PhysClosureBench 是一个包含 50 项经专家验证的研究任务的基准，覆盖强场物理、阿秒物理及相关领域。它评估 AI 智能体能否组织研究，并生成、验证回答问题所需的证据。研究测试了七种前沿语言模型。Claude Opus 5 的平均 Atomic Score 最高，为 6.29 分（满分 10 分），但仅有 32.7% 的尝试达到代表研究完整解决的 RC4。总体来看，至少获得 8 分的
AI 新闻中心
AI 新闻中心 过去24小时分析了 194 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。
GPT-6-Astra实现了具身智能吗？
一份报告在12项基准测试中评估GPT-6-Astra，涵盖桌面操作、人形机器人、移动平台和灵巧机械手。按照统一协议加入上下文学习和更长的执行步骤后，该模型据称取得了前所未有的表现。研究还发现，将模型的高层推理与低层控制器结合起来虽然有效，但成本较高。在8种机器人配置上的真实环境测试显示，收集演示数据的成本高昂，而且受物理约束影响，难以通过延长执行时间来换取更高的成功率。作者认为，GPT-6-Ast
DLite：面向智能体 AI 的无历史投机解码
投机解码通过小型草稿模型生成候选词元，再由目标模型验证，从而加速大语言模型推理。研究人员发现，在上下文长且持续变化的智能体任务中，现有草稿模型的接受长度最多下降 80%；保留历史 KV 缓存也会带来显著的系统开销。DLite 无需显式维护历史，而是复用目标模型的上下文隐藏状态进行局部预测，并通过轻量级顺序预测头恢复词元块内部的依赖关系。论文称，在通用、长上下文和智能体任务测试中，DLite 的接受
HexaShell：探索 VLM 机器人编程代理能力边界的轻量框架
HexaShell 评估基于视觉语言模型（VLM）的代理在控制机器人时能做到什么程度。代理通过命令行操控双臂机器人，分析摄像头图像和失败日志，并编写小型程序来改进能力。研究团队报告称，在 RoboDojo 的全部 42 项任务中，系统成功率为 39.7%，进度得分为 48.0，均刷新该基准的纪录。推推动作任务成功率为 92.5%，记忆任务为 65.0%，但精密插入任务仅为 8.3%。结果表明，主要
成本降低90%：DeepSeek-V4.1-Flash登顶Arena开源WebDev模型榜单
DeepSeek发布了V4.1-Flash-20261017（Max）模型。根据Code Arena官方WebDev榜单，该模型在开源模型中排名第一，超过Kimi K3（Max）。DeepSeek称，其推理成本约为对比模型的十分之一，每百万输入Token收费0.30美元，每百万输出Token收费1.20美元。该模型在总榜获得1670分，排名第12位；与9月10日发布的上一版本相比，分数提升52分。
康奈尔大学巴苏谈美中人工智能竞赛
康奈尔大学教授、世界银行前首席经济学家考希克·巴苏谈论了美国与中国之间的人工智能竞赛及其对全球经济的影响。他在上海外滩峰会期间接受了斯蒂芬·恩格尔的采访。
Game2Real-Bench：简单游戏能否揭示并迁移到现实世界的视觉推理能力？
Game2Real-Bench 研究视觉语言模型（VLM）在简单游戏中展现的视觉推理能力是否也适用于真实世界图像。基准包含 1,000 个可验证的程序生成游戏样本，以及 400 个按照推理要求配对的真实场景样本。研究人员评估了 25 个 VLM，发现它们在游戏和真实场景中的表现高度相关（皮尔逊和斯皮尔曼相关系数均为 0.935）。单样本迁移提升了部分模型的约束推理能力，但游戏示例会削弱细粒度感知。
BizBench 揭示长程智能体在真实商业环境部署中的隐性挑战
BizBench 是一项多轮 AI 智能体基准测试，基于一家支付公司的真实业务流程构建，包含 50 项任务、789 份知识文档和 601 种可发现工具。它不仅评估目标是否达成，也检查执行过程各步骤是否有效。测试中，Claude Opus 5 和 GPT-6 Sol 的严格成功率分别为 64.0% 和 61.3%。Qwen3.8-27B 的目标达成率为 42.0%，但将执行有效性纳入评估后，严格成功
面向视频世界模型的持久平面记忆
视频世界模型需要持久的 3D 记忆，才能让生成的环境在长序列中保持一致。PPMem 使用紧凑的平面基元表示墙壁、地板和立面等结构。每个自回归片段都会同时生成 RGB 视频和平面几何；融合后的几何通过渲染深度为后续片段提供条件。作者称，这种记忆比点云方案紧凑得多，同时可提供米制深度、表面法线和可导出的几何。在 DL3DV 和 RealEstate10K 测试中，PPMem 的视频质量优于此前基于 3
StopWatch：面向物体目标导航的目标定位
预训练视觉语言模型能为前往指定物体的导航提供丰富的世界知识，但经过微调的导航策略往往无法发现目标已在视野中，或无法准确估计目标距离。StopWatch通过显式定位目标来解决这一问题，大幅提升成功率，并在涵盖三个场景集合的六项基准测试中达到最先进水平。研究还修正了这些基准中的标注缺陷。在使用真实标注进行目标定位时，该策略的表现几乎达到生成演示数据的专家水平，表明后续提升空间主要在感知，而非策略学习。
第三方 DLSS-NR 模组更新，为 AMD Radeon 显卡解锁英伟达 DLSS 主要功能
DLSS-NR 模组 0.8.0 版为 Radeon 显卡加入 DLSS 超分辨率、帧生成、光线重建和最新神经渲染模型。该模组支持 RX 6000、7000 和 9000 系列，可用于采用 FSR、DLSS 或 XeSS 的 DirectX 12 游戏。开发者称画面质量已接近英伟达显卡原生运行 DLSS 的效果，并报告 RX 9070 XT 在 1080p 下可稳定达到 90 至 100 帧。不过
马斯克：Optimus 人形机器人和 Cybercab 将构成特斯拉绝大部分价值
马斯克在 X 发文称，特斯拉的 Optimus 人形机器人和 Cybercab 自动驾驶汽车将构成公司价值的“绝大部分”，并重申将重心放在机器人与人工智能领域。他还将超级智能、机器人、太阳能和大规模太空运输列为经济扩张潜力极高的业务方向。特斯拉计划于 10 月 21 日收盘后公布第三季度业绩。
“货轮在霍尔木兹海峡沉没、海面漂满 iPhone”视频由 AI 生成
一段声称拍到货轮在霍尔木兹海峡沉没后，大量 iPhone 包装盒漂浮海面的影片，在社交平台累计获得超过 8000 万次观看。事实核查人员确认，该影片是 AI 生成的虚构内容。新加坡海事及港务管理局确实通报，一艘新加坡货轮遭袭后沉没，另一艘船受损。假视频于 10 月 16 日发布在 Instagram 账号“Nativora”上。该账号将内容定位为利用 AI 制作的虚构自然与野生动物影像，创作者也标
decomp.dev 停用主要功能，转为历史资料存档
用于追踪反编译代码匹配进度、凝聚社区的 decomp.dev，已关闭主索引和新增项目功能。创始人表示，AI 模型加快了成熟代码库相关工作的进展，但 AI 生成的贡献和低质量移植也损害了信任与协作。运营者称已无力继续妥善维护平台。现有项目页面和历史数据将保留，但索引和新项目提交已停用。其代码库未采用开源许可证。
欧洲三大工业企业把握人工智能热潮
施耐德电气和西门子进一步拓展软件业务，而竞争对手ABB则侧重实体设备。三家公司都在寻求从人工智能热潮中获益。