Anthropic发现AI「破窗效应」：只是教它偷个懒，结果它学会了撒谎和搞破坏（在新窗口打开）
刚刚，Anthropic 发布了一项新研究成果。今天，他们发布的成果是《Natural emergent misalignment from reward hacking》，来自 Anthropic 对齐团队（Alignment Team）。他们发现，现实中的 AI 训练过程可能会意外产生未对齐的（misaligned）模型。
内容栏目
AI技术文章
分享不同 AI 工具、模型与相关技术的使用方法和实践文章。
罗福莉首个小米成果！开源具身大模型（在新窗口打开）
正式入职小米还不到10天，罗福莉的首篇论文，这就来了！针对自驾与具身操作场景的知识迁移难题，MiMo团队提出并开源了全球首个打通这两大领域的跨具身（X - Embodied）基座模型——MiMo-Embodied。
国产AI拿下国际物理奥赛金牌，13项顶级竞赛豪取12金1银，划重点：开源（在新窗口打开）
首个拿下国际物理奥林匹克竞赛IPhO 2025理论考试金牌的开源模型，出自国产。上海人工智能实验室团队推出新模型家族，代号P1。在IPhO 2025理论考试中，P1-235B-A22B取得21.2/30分，成为首个达到该金牌线的开源模型，仅次于Gemini-2.5-Pro与GPT-5。
AI问答，直接「拍」给你看！来自快手可灵&香港城市大学（在新窗口打开）
今天，来自快手可灵团队和香港城市大学的研究者们，正在尝试打破这一界限。他们提出了一个全新的任务范式——「视频作为答案」，并发布了相应模型VANS。而这项工作则开创性地提出了Video-Next Event Prediction任务，要求模型直接生成一段动态视频作为回答。
GPT-5得分不到0.4！法律+金融最大规模基准：1.9万+专家评估准则（在新窗口打开）
最新PRBench基准可以测试AI在金融和法律领域的表现。结果显示，即使是顶尖大模型在处理复杂任务时也表现不佳，尤其在涉及重大经济后果的任务中。PRBench通过模拟真实场景和多轮对话，揭示了AI在专业领域的不足，强调开发更可靠AI系统的重要性。
SGLang Diffusion震撼发布：图像视频生成速度猛提57%！（在新窗口打开）
就在一周前，全宇宙最火爆的推理框架 SGLang 官宣支持了 Diffusion 模型，好评如潮。团队成员将原本在大语言模型推理中表现突出的高性能调度与内核优化，扩展到图像与视频扩散模型上，相较于先前的视频和图像生成框架，速度提升最高可达 57%：
无需训练、只优化解码策略，DTS框架让大模型推理准确率提升6%，推理长度缩短23%（在新窗口打开）
专注推理任务的 Large Reasoning Models 在数学基准上不断取得突破，但也带来了一个重要问题：越想越长、越长越错。本文解读由 JHU、UNC Charlotte 等机构团队的最新工作
AI模型大战：Gemini 3 Pro、GPT-5.1-Codex-Max与Claude Sonnet 4.5如何选择？（在新窗口打开）
前沿AI竞赛在2025年11月达到高潮。48小时内，谷歌推出Gemini 3 Pro宣称在主要推理基准测试中领先，而OpenAI立即用GPT-5.1-Codex-Max反击，这是一款专门训练用于通过创新"压缩"（compaction）技术自主工作超过24小时的专业编码模型[43]。加上Claude Sonnet 4.5已确立的编码统治地位和激进的安全过滤器，开发者面临前所未有的选择：
4K超分Agent修图师来了！一键救活所有模糊照片（在新窗口打开）
由德克萨斯A&M大学、斯坦福大学、Snap公司、CU Boulder大学、德克萨斯大学奥斯汀分校、加州理工大学、Topaz Labs以及加州大学Merced分校的研究者联合提出的基于AI智能体的方法4KAgent针对不同类型的图像以及需求对图像进行智能修复并放大到4K分辨率，带来优秀的视觉感知效果。该工作已被NeurIPS 2025接收。
AAAI 2025 Oral | 火山引擎多媒体实验室提出VQ-Insight，AIGC视频画质理解大模型（在新窗口打开）
近日，AAAI 2026 公布了录用结果，该会议是是人工智能领域极具影响力的国际顶级学术会议之一。据悉本次会议共有 23680 篇投稿进入审稿阶段，最终 4167 篇论文被录用，录取率为 17.6%。
AI终于学会「读懂人心」，带飞DeepSeek R1，OpenAI o3等模型（在新窗口打开）
“What is meant often goes far beyond what is said, and that is what makes conversation possible.” ——H. P. Grice
分割一切并不够，还要3D重建一切，SAM 3D来了（在新窗口打开）
沉默后爆发？ 深夜，Meta 有了重大更新，接连上线 SAM 3D、SAM 3（Segment Anything Model，SAM）。 其中，SAM 3D 是 SAM 系列的最新成员，它将人们对图像的 3D 理解带入通俗易懂的世界，其包含两个模型： SAM 3D Objects：支持物体与场景重建SAM 3D Body：专注于人体形状与姿态估计 这两个模型都具备强大且稳定的 SOTA（业界领先）性能，能够将静态的 2D 图像转化为细致的 3D 重建结果。 SAM 3 可通过文本、示例和视觉提示，对图像和视频中的物体进行检测、分割与跟踪。 作为本次发布的一部分，Meta 同步开放了 SAM 3
Google Antigravity「系统提示词」简直太牛了，厉害是有原因的（在新窗口打开）
Google昨天伴随Gemini3.0pro一同发布了他们的AI IDE产品Antigravity《与Gemini 3.0一起发布的AI IDE「Antigravity」究竟有多厉害？》。其震撼性的三位一体全流程Agent体验让无数开发者直呼“Cursor危险了”。
零门槛deepfake！75.8k Star 的Deep-Live-Cam 一张照片秒换脸，开源 deepfake 神器本地跑！（在新窗口打开）
Deep-Live-Cam 是一款开源的实时换脸与视频深度伪造（deepfake）工具，只需要一张人脸图片，就能在本地电脑上对摄像头画面或视频进行实时换脸。 支持 Windows / Linux / macOS，多种硬件加速（CPU / CUDA / CoreML / DirectML / OpenVINO），并内置不良内容检测与合规提示，定位是服务 AI 生成媒体行业的高效生产力工具。
永别了，Tokenizer！何恺明师徒新作，颠覆AI生图技术（在新窗口打开）
扩散模型「去噪」，是不是反而忘了真正去噪？何恺明携弟子出手，回归本源！
AI Agent 工程化，本质是数据库系统设计（在新窗口打开）
最近半年，我阅读了业界关于 AI Agent 的工程实践：Anthropic 的 Context Engineering 论文、Manus 的工程分享、Cline 的 Memory Bank 设计等。同时自己也一直在做跟 AI Agent 相关的项目，如：Jta[1]（开源的翻译 Agent，基于 Agentic Workflow）。
通往通用人工智能的关键一步？DeepMind放大招，3D世界最强AI智能体SIMA 2（在新窗口打开）
您的 AI 伙伴「游戏陪玩」版已上线。 今天，Google DeepMind 发布了 SIMA 2，一个在虚拟 3D 世界中能自主游戏、推理并持续学习的通用 AI 智能体。 DeepMind 创始人哈萨比斯将其定义为通往通用人工智能的关键一步。 去年，谷歌 DeepMind 推出了 SIMA （Scalable Instructable Multiworld Agent，可扩展、可指导的多世界智能体），这是一个能够跨越多种虚拟环境、遵循基本指令的通才 AI，标志着 AI 在 3D 世界中将语言转化为行动的初步探索。 SIMA 2 则代表了这一研究的重大飞跃，是创建通用和有益 AI 智能体研究的
“最强具身VLA大模型”，究竟强在哪儿？（在新窗口打开）
看似轻描淡写，实则力透纸背。 Physical Intelligence刷屏全网的机器人基础模型π*0.6，一亮相就秀出了实力： 让机器人连续一整天制作意式浓缩咖啡，数小时不间断折叠各类衣物，还能精准组装工厂所需的包装纸箱。 在π*0.6的加持下，这些任务的成功率都达到了90%以上。 然而，仔细阅读论文就会发现，比起连做13个小时咖啡，π*0.6真正的突破在于引入了一种更直觉的学习方法——Recap： 指导：用人类示范教它基础动作辅导：纠错指导让它修正错误练习：从自主经验中不断优化、变得更强 这彻底扭转了过去机器人只会逼近 “真值” 的模仿学习模式，让机器人能从自己的错误中成长。 就连网友也直
何恺明团队新作：扩散模型可能被用错了（在新窗口打开）
何恺明又一次返璞归真。 最新论文直接推翻扩散模型的主流玩法——不让模型预测噪声，而是直接画干净图。 如果你熟悉何恺明的作品，会发现这正是他创新的典型路径，不提出更复杂的架构，而是把问题拆回最初的样子，让模型做它最擅长的那件事。 实际上，扩散模型火了这么多年，架构越做越复杂，比如预测噪声、预测速度、对齐latent、堆tokenizer、加VAE、加perceptual loss…… 但大家似乎忘了，扩散模型原本就是去噪模型。 现在这篇新论文把这件事重新摆上桌，既然叫denoising模型，那为什么不直接denoise？ 于是，在ResNet、MAE等之后，何恺明团队又给出了一个“大道至简”的结
NeurIPS 2025 Spotlight | 香港大学提出无需数据标记的ViT密集表征增强方法（在新窗口打开）
在视觉处理任务中，Vision Transformers（ViTs）已发展成为主流架构。然而，近期研究表明，ViT 模型的密集特征中会出现部分与局部语义不一致的伪影（artifact），进而削弱模型在精细定位类任务中的性能表现。因此，如何在不耗费大量计算资源的前提下，保留 ViT 模型预训练核心信息并消除密集特征中的伪影？
参与交流
查看 AINRK 交流群说明
了解加入交流群的方式，阅读内容无需登录。