中国科学院携手全球顶尖机构发布首个十亿参数级的手术视频基础模型SurgMotion！（在新窗口打开）
手术 AI 正在从 “单帧感知” 迈向 “全流程视频理解” 的全新时代！近日，由中国科学院香港创新研究院人工智能与机器人创新中心领衔，发布了全球首个十亿级参数、最大规模数据集练成的手术视频原生基础模型 ——SurgMotion！
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。
提示词压缩竟成大模型新漏洞？港科大提出黑盒攻击框架COMA | ASE 2026（在新窗口打开）
现在的 AI Agent 动辄需要处理超长上下文，既要看系统提示词、工具说明，又要翻阅历史对话和检索文档。为了省钱、省算力并降低延迟，很多开发者会给系统加上 “提示词压缩”（Prompt Compression）模块，把冗长的上下文浓缩后再喂给大模型。
解读 | 2026全球AI经济全景研报：千亿营收、万亿开支，繁荣背后的三重核心矛盾（附原版PDF）（在新窗口打开）
Exponential View 在 2026 年 6 月底发布《AI 经济现状报告》，通过一套去重复统计、自下而上覆盖千余家企业的财务测算模型，剥离行业虚高估值与宣传泡沫，还原海外生成式 AI 市场真实营收、资本开支、算力供需与产业链价值分配格局。
刚刚，翁荔博客又上新：通过Harness工程实现AI自我提升（在新窗口打开）
刚刚，翁荔（Lilian Weng）又更新博客了！距离她上一次更新《谨慎对待 Scaling Law》还不到 10 天。这一次，她书写的主题是当前大热的 Harness Engineering，聚焦的正是当下 AI 研究最前沿一个环节：当模型本身的智能已经足够强大时，真正决定它能走多远的，或许是包裹在模型外面的那层「Harness」也就是负责编排模型思考、调用工具、管理上下文、评估结果的那套系统。
具身智能空间视觉死穴，终于被最新顶会彻底解决！（在新窗口打开）
VLA 大模型看似强大，却被一个致命弱点扼住喉咙——相机稍微挪动几毫米，操作成功率就能暴跌一半。招商局先进技术研究院下属实验室提出新的移动数据范式，首次在真实机器人系统上证明：让相机动起来采集数据，就能以极低成本破解 VLA 的空间泛化瓶颈，且效果普适于多种主流架构。被一个致命弱点扼住喉咙——相机稍微挪动几毫米，操作成功率就能暴跌一半。
让Skill“有图可依”：openJiuwen首发多模态Skill范式Skill-Omni（在新窗口打开）
针对这一问题，openJiuwen社区正式发布Skill-Omni——业界最早工程化落地的多模态Skill范式。 它让Agent的经验从“读得懂”升级为“看得见”，把网页和视频中的视觉知识，沉淀为Agent可复用的多模态Skill。
刚刚，DeepSeek 文档更新，Agent 开发者要注意这个字段（在新窗口打开）
刚刚，DeepSeek 在官方 API 文档里给出了一个 thinking mode 和 tool call 结合使用的样例。表面上看，这只是一个常规的工具调用演示：用户提出问题，模型判断需要调用工具，工具返回结果后，模型再继续生成答案。
ECCV'26 | 为视频虚拟试衣解锁自由视角，TryOnCrafter玩转4D试衣代理（在新窗口打开）
视频虚拟试衣（VVT）作为电商展示与数字内容创作中的核心技术，已在动态人物换装、服装纹理保持和视频时序连贯性方面取得显著进展。然而，现有方法大多仍受限于固定相机视角，生成结果被动依赖源视频的原始相机轨
世界模型太慢？西交大提出Fast LeWorldModel：用「动作前缀并行预测」让动态估计加速4倍（在新窗口打开）
以 LeWorldModel（LeWM）为例，它在规划时有一个重要瓶颈：每评估一条候选动作序列，模型都要一步步自回归 rollout。也就是说，LeWM 先预测下一步 latent，再把预测出的 latent 输入 dynamics model，继续预测下一步：
上半年，VC们的钱一半投向了AI，光这30家公司就融了超1700亿元（在新窗口打开）
2026年上半年，中国AI创业公司经历了一场狂热的融资热潮，总融资额突破三千亿元，仅6个月的融资体量已超过2025年全年。AI融资金额占市场约48.6%，接近一半，事件数占比约22.5%。
如何判断AI视频真假？综述动态、可溯源、可解释的检测体系 | ACL26（在新窗口打开）
AI视频生成技术迅猛发展，生成内容的逼真度不断提升，现有检测方法已无法满足需求。最新综述提出「事实保真度验证」新目标，从视觉与语言双视角梳理出四层检测框架，涵盖底层线索、时空一致性、跨模态核验及世界知识推理，强调多层证据耦合与可解释性。
让GUI Agent不再「边做边忘」：快手、浙大提出MemGUI-Agent，攻克长程GUI任务（在新窗口打开）
手机GUI Agent正在从「看懂屏幕、点击按钮」走向更复杂的跨App自动化任务：这些任务听起来并不复杂，但对现有手机GUI Agent来说，一个核心难题始终存在：任务一长，就容易忘。
单次训练横扫9个基准，遥感检测最大数据集与基础模型框架LEVIRDet问世（在新窗口打开）
近日，北京航空航天大学史振威教授和邹征夏教授团队发布了一个面向通用遥感目标检测的大规模数据集与基础模型框架 ——LEVIRDet。该研究构建了目前最大规模、最全面的遥感目标检测数据集 LEVIRDet-159，并在此基础上提出了面向通用遥感检测的基础模型 LEVIRDetNet。
15个推理模型集体翻车，详解输出背后的思考链潜藏风险（在新窗口打开）
哈佛大学、南加州大学、布朗大学、MIT 等多个机构的研究者联合做了一项系统性研究，给出了否定的答案，并举例到「当我们发现大模型的思考链可被用于生成炸弹装置或投毒配方等高风险内容时，便意识到这一问题非同小可」。
谁说3DGS必须靠LiDAR？如视Argus入选ECCV，让图像也能提供LiDAR级位姿约束（在新窗口打开）
近期， ECCV 2026 结果公布，Realsee 团队的成果 Argus: Metric Panoramic 3D Reconstruction for Indoor Scenes 成功入选。它面向室内全景图像，能够从稀疏、无序的全景照片中，直接预测相机位姿、度量深度和点云重建结果，可以为 3DGS 提供更稳定、更精准的几何约束。
更可信、更省钱的Agent？实测OpenSquilla（在新窗口打开）
上周有个项目，让我觉得很有意思。GitHub上一个叫OpenSquilla的，发布不到一个月，Star涨到了5300多。OpenSquilla 0.4.0，定位Token-Efficient AI Agent，是一个很有效率又很有创意的智能体框架。
聊聊Anthropic这篇最新研究，我觉得可能是AI意识诞生的前夜。（在新窗口打开）
今天凌晨刷到Anthropic发了一篇研究。标题叫《A Global Workspace in Language Models》，语言模型中的全局工作空间。如果用一句最简单的话来说，那就是，Anthropic在Claude的大脑里，找到了一个暗房间。
Claude、GLM、GPT谁才是真正的AI软件工程师？首个持续更新Visual Spec-to-App Benchmark发布（在新窗口打开）
为了解决这一问题，来自 University of Arizona、Zoom 与 Stony Brook University 的研究团队推出了 VISTA（VIsual Spec-To-App Benchmark）, 首个面向 Visual Spec-to-Web-App Coding Agents 的端到端 Benchmark。
ICML 2026｜如何对Multi-Agent系统进行过程评估？重新认识多智能体系统中的Orchestrator（在新窗口打开）
来自南京大学 NLP 实验室的 ICML 2026 论文 Recognize Your Orchestrator: An Entropy Dynamics Perspective for LLM Multi-Agent Systems 指出：在当前主流的 Orchestrator-Executor 多智能体架构中，系统失败往往并不首先来自某个执行器不会干活，
机器人看视频学操作！伯克利首次打通互联网视频到灵巧手真机部署链路（在新窗口打开）
UC Berkeley团队提出的端到端流程旨在解决该问题，研究团队跑通了首条能够从网络视频生成真实灵巧手实机执行轨迹的完整链路：先从真实场景中的单目RGB视频中重建4D手-物交互过程，再将这些交互轨迹重定向到拥有22个自由度的Sharpa Wave灵巧手上。
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。