OfficeTown：面向持续演进的智能体智能的生成式组织
OfficeTown 是一个专业组织模拟框架，AI 智能体可以在其中协调工作、委派边界明确的任务并审查交付成果。材料、决策和未解决事项会跨任务持续保留，并影响后续工作；职责和权限则决定每名成员能够查看和执行的内容。OfficeTown Bench 包含来自 8 个专业领域、23 个模拟组织的 406 项任务和 4,836 项评估标准。对前沿模型的评估显示，相关能力仍有较大提升空间。使用 Offic
AI 新闻中心
AI 新闻中心 过去24小时分析了 196 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。
LEV：通过循环决策模型实现快速而深入的推理
LEV是一种决策模型，通过反复运行模型层来加深计算，而不是生成额外的文本token。它使用同一组模型权重，并可针对不同问题调整计算深度。在JevBench上，一个26亿参数模型的准确率从循环一步时的63.2%提升至四步时的76.2%。按需选择计算深度可减少15%至24%的计算量，同时将准确率损失控制在1个百分点以内。在延迟低于50毫秒时，受测模型的准确率也比延迟相近的非循环稠密模型和级联方案高5.
跳过压缩：选择完整文件的编程代理能修复更多问题
一项研究在相同 token 预算下，比较了选择完整文件、压缩代码和检索代码片段。在 SWE-rebench 最近的 300 个问题中，CQ2-CARE 使用 GPT-5.6 解决了 43.7%，使用 Claude Opus 5 解决了 46.7%。这比受测压缩方法最多高 6.3 个百分点，比检索方法最多高 12.7 个百分点。检索器常常漏掉需要修改的文件；压缩器则会改动原始代码，使生成的补丁更难应
PremiseCheck：高效核查人类与AI同行评审意见
ReviewFact是一项基准测试，用于评估自然语言处理、机器学习和自然科学领域中，人类或AI撰写的同行评审意见所包含的事实错误，同时衡量成本和延迟。PremiseCheck将语言模型与成本更低的判定模型结合：语言模型无需阅读论文，先把每条评审意见改写为明确前提，再由判定模型逐项与论文进行核对。研究称，该方法以约一半的成本达到与GPT-5.5相当的准确率。在NLP评审中，成本降至约四分之一，延迟降
陷入混淆：视觉语言模型中的属性—对象绑定
该研究提出 SABER，这是一个用于评估多模态检索系统中属性与对象绑定能力的受控基准。SABER 覆盖图像和文本查询与检索内容之间的四种组合，包含多种属性类型以及最多有十个对象的场景。评测显示，CLIP 风格的双编码器和近期基于多模态大语言模型的嵌入模型都存在明显的绑定失败。研究人员随后仅使用用于属性绑定训练的合成文本，对一个多模态嵌入模型进行微调。尽管没有使用图像监督，该方法仍提升了跨模态检索和
视觉生成能否扩展统一多模态模型的知识？
一项研究探讨图像生成训练能否提供文本中未被完整记录的视觉知识。研究人员提出“知识迁移探测”协议，在三个统一多模态模型上测试：通过图像生成训练获得的知识，能否通过纯文本问答被调用。在七类知识中，视觉监督向语言的迁移是直接的，但效果并不均衡。文本对齐以及交错图像—文本对齐方法进一步提升了知识获取能力。模型能够在图像中正确复现的知识，通常也更容易通过文本获取，但两种获取方式之间仍存在明显差距。
AVC-Reward：以事件为中心的音视频一致性评估
AVC-Reward是一种以事件为中心的评估框架，用于衡量联合生成音视频内容的一致性。该方法将音频和视觉事件分离分析，跨模态验证二者的关系，并从三个层面汇总结果：整体叙事协调性、事件级时间同步，以及细粒度属性对齐。研究团队将其实现为可训练的音视频奖励模型，并构建了AVC-Benchmark。该基准主要包含由多种音视频生成模型生成的正面和负面样本，用于比较自动评估与人类感知的一致性。论文称，AVC-
AI 公司 HUMXN 提供免费上门维修，以换取机器人训练数据
AI 公司 HUMXN 计划录制技术人员在住宅内的工作过程，为机器人收集训练数据。明尼阿波利斯、芝加哥和迈阿密的居民，如果同意在家中使用可穿戴设备进行录制，可能有资格免费获得管道、电工或暖通空调等服务。HUMXN 表示，技术人员仍会照常获得报酬。公司希望采集来自不同住宅、设备和作业环境的数据，让 AI 系统学习专业人员如何评估任务、选择工具并应对突发情况。
DAGFormer：Transformer 跨层连接的全局拓扑预测
DAGFormer 是一种 Transformer 语言模型，利用联合训练的拓扑预测器规划跨层连接。不同于为每一层单独设置连接的现有方法，它会为整个模型统一规划路由，并根据输入 token 调整各连接的强度。在参数规模为 7500 万至 10 亿、条件匹配的 OLMo-2 模型上，与标准 Transformer 相比，DAGFormer 将 WikiText-2 困惑度降低了 17% 至 25%。
通过无需训练的权重编辑抵御有害指令
研究人员提出一种无需额外训练的语言模型权重编辑方法，用于减少模型对特定有害指令的服从。该方法针对每种目标行为，仅需使用少量提示词对进行前向计算。由于修改被存储在模型权重中，改变或删除提示词中的指令也无法撤销这一修改。研究在五个指令微调模型上评估了指令诱导的虚假陈述和性别歧视行为。在两项说谎基准测试中，相比最强的替代方法，该方法使平均诚实回答率分别提高6.2和4.6个百分点，并在五个模型中的三个模型
选择不等于学习：如何决定自进化模型的未来
这项研究分析了利用模型自行生成的任务进行训练的自进化语言模型。R-Zero、Agent0 和 Skill Self-Play 等现有方法，会根据任务看起来是否可学习来选择更新，但通常会继承所有产生的更新。研究人员指出，可学习的任务不一定能带来有用的更新。HeirCommit 会冻结更新后的模型，并通过全新的评估问题决定是否继承该模型。EvoHeir 将参数继承与经验继承分开，即使不继承产生经验的模
正确设计循环模型：拓扑结构、输入注入与循环状态设计
该研究分析了在多个逻辑深度重复使用同一组 Transformer 模块的语言模型。研究人员通过受控实验，分别考察循环位置、输入注入和循环状态组织方式。结果显示，采用“前置部分—循环模块—尾部”结构的 Huginn 架构，在 7.3 亿参数规模下的全部 10 项基准测试中都优于 Ouro。该优势也能迁移到混合专家模型：Huginn 在知识、推理和编程任务上大多表现更好，同时比对照的前馈式 MoE 基
豆包刘星回应“国内超一半算力用于爽剧”：字节仅约10%算力用于视频生成
豆包公关负责人刘星表示，“国内超一半算力用于短剧和视频生成”的说法不太靠谱。以字节为例，公司总算力中只有约10%用于视频生成模型的训练和推理。此前，中文在线在投资者关系活动记录中披露，国内AI Token消耗中，短剧和视频生成占55%，电商广告占24%，研发占15%。
研究人员利用 Wi-Fi 信号检测隐藏手枪
瑞典国防研究局（FOI）的研究团队开发了 WiFireNet，这套 AI 系统通过分析 Wi-Fi 信号变化来检测隐藏手枪。系统使用信道状态信息（CSI），在受控测试中的平均精确率为 72.5%。若要进一步准确定位武器在携带者身上的位置，精确率会降至 53.8%；在陌生的室内环境中，系统表现也会变差。原型机使用较旧的 Wi-Fi 标准进行验证，团队计划后续测试 Wi-Fi 7 和 Wi-Fi 8，
腾讯推出 WorkBuddy 教育公益版：全国教师每月可领 2000 积分，连续 12 个月
腾讯面向全国教师推出 WorkBuddy 教育公益版。账号审核通过后，每位教师每月可领取 2000 积分，连续 12 个月。该版本将陆续上线 100 多位基于教育研究打造的 AI 教学助理，并提供创意教学、课堂剧本、课件制作、动画演示和素材加工五类工具。积分用完后，教师仍可继续使用免费模型。