腾讯混元最新开源：一套RL框架打通多个模态，庞天宇团队新作（在新窗口打开）
大语言模型的RL技术已日趋成熟，多模态生成模型的强化学习训练却仍在“各自为战”——图像扩散模型一套流程、视频生成另一套标准、VLM和LLM又有不同的技术栈。
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。
李飞飞刚立规矩才13天，国产卡上「真物理」就来了！（在新窗口打开）
被算力荒逼出来的硬核奇迹！腾讯米哈游老兵组成的「草根」团队，硬在国产芯片上炼出了超10分钟的绝对物理一致性。画面可以糙，物理绝不能假，这就是通往AGI的真正基石。
达摩院发布世界模型评测基准，自家模型一个都没上榜......（在新窗口打开）
达摩院联合高校推出WorldOlympiad评测基准，跳出传统视频“唯画质”的评价逻辑，以物理真实性、三维几何一致性、长时序交互保真度三大维度，搭配游戏、机器人、通用实景三大场景，打造一套全方位的视频世界模型评测体系。
蚂蚁EGSS算法破解Test Time Scaling困局 | ACL 2026（在新窗口打开）
更聪明的计算远比更多的计算更有效。 这正是蚂蚁集团CodeFuse团队，用一篇ACL 2026主会论文验证的核心结论。 Test-Time Scaling（TTS）是通过在推理阶段投入更多计算资源，让Agent多次尝试、探索不同推理路径再选最优的关键范式，是当前LLM在复杂任务上取得SOTA的核心方法。 然而业界主流TTS方法对所有推理步骤一视同仁地投入计算，大量Token浪费在确定性操作上，且多轨迹选择仅靠“谁得票多”，Agent自我验证通过率88%中却有35.7%是错的—— 投入翻倍，收益边际递减。 针对这一现状，蚂蚁集团CodeFuse团队提出EGSS： 通过“工具熵”指标精准识别高不确
ICML 2026 | Agentic强化学习训练的信息自锁问题（在新窗口打开）
随着大语言模型逐步从「单轮问答」走向「真实环境中的持续交互」，LLM agents 正在被用于越来越复杂的 agentic applications：deep research、coding、computer use、customer service、medical inquiry、troubleshooting 等等。
ICML 2026 | 大模型为什么算不对加法？南大团队提出等本位和轨迹，揭示LLM算术错误的几何机制（在新窗口打开）
尽管大语言模型（Large Language Models, LLMs）在复杂数学推理、代码生成和知识问答上表现突出，但它们仍常在多位数加法这类基础算术任务上犯错。
如何用 6 倍速 Kimi K2.7 Code，做「小红书端到端排版 Skill」？（在新窗口打开）
昨天 Kimi K2.7 Code 高速版 上线了，我上手试了下，最大的感受就一个字：快。
PaddleOCR：82k+ Stars的国产OCR天花板，0.9B小模型精度反超GPT-5.5（在新窗口打开）
大模型再强，也读不懂你公司那一柜子的合同、发票和扫描件。在"纸张世界"和"LLM世界"之间，缺一座桥——而百度开源的 PaddleOCR，可能就是当下最稳的那座。
王梦迪、丛乐团队Science Earth：当组织本身开始涌现，全球科学能力第一次在同一张网上互相发现（在新窗口打开）
过去一年，由斯坦福大学丛乐（Le Cong）与普林斯顿大学王梦迪（Mengdi Wang）领衔的AI科研团队，一直在做同一件事： 把越来越多的异质能力，纳入同一个协同视野。
从贝叶斯到大语言模型：一文详解「时序点过程」近年进展（在新窗口打开）
机器学习已经习惯了处理序列：一句话中的词、视频中的帧、推荐系统中的点击、金融市场中的订单。但在很多真实场景里，数据并不是按固定步长排好队出现的。
给机器人装安全护栏，北航联合团队提出RoboSafe，让具身智能体在物理世界中安全行动（在新窗口打开）
当大模型开始控制机械臂、家用机器人时，“安全”这件事也变得不一样了。
Anthropic 5.2万人调查大曝光！美国人对AI已达成共识（在新窗口打开）
在一个什么都能吵翻天的国家，71%的美国人难得达成共识：AI必须有人管——但管它的，绝不能是造它的人。
视觉latent reasoning为什么不稳？这篇论文从特征空间找到了关键缺口（在新窗口打开）
导读：视觉 latent reasoning 希望让多模态模型在内部生成连续 latent token，用这些中间表示补充多模态理解和推理任务中缺失的视觉证据。但问题在于，模型生成出来的 latent token 可能并不落在它原本熟悉的视觉输入空间里；如果模型无法稳定读取这些 token，它们就很难成为有效的中间视觉证据。
AI Scientists的下一站是社会科学：清华团队推出「硅基社会实验室」AgentSociety²（在新窗口打开）
在《三体》式的科幻想象中，文明可以被遥远地观察，社会可以被冷静地记录，人类行为仿佛成为一个可被推演的复杂系统。
腾讯Robotics X开源HyVLA-0.5：基于亚毫米级指套UMI与真机强化，摆脱繁重遥操（在新窗口打开）
6 月 15 日，腾讯 Robotics X、福田实验室与混元团队联合发布面向真实世界机器人操作任务的端到端具身智能模型 Hy-Embodied-0.5-VLA（简称 HyVLA-0.5）。
给音视频生成打草稿！复旦&腾讯提出Baton：首创语义蓝图指引，实现音画逻辑精准同步（在新窗口打开）
当用户给出一句简单提示词时，当前的音视频生成模型往往已经能够生成具有不错质量的视听内容。然而，一旦提示词变得复杂，问题便开始暴露出来。
用国产GPU训练AI给自己写内核，摩尔线程刷榜硬核基准（在新窗口打开）
国产算力生态的难题，从此有了 AI 解。
1080条提示词、7款模型大比拼：视频生成离「好看、好用又准确」还差多少？（在新窗口打开）
当视频生成模型走出娱乐创作的舒适区，进入科学、医疗、教育等知识密集场景，它们是否还能生成事实准确、清晰可用的视频？
ICLR 2026｜美图提出位置编码场 PE-Field ，让 DiT 感知和控制 3D 空间（在新窗口打开）
PE-Field将传统的2D位置编码扩展为结构化的3D场，使DiT能够更加直接地在3D空间中处理几何信息。
低成本复刻Fable 5的路子找到了：OrcaRouter多模型组队，性能反超（在新窗口打开）
AI网关OrcaRouter最近上线了一套可编程路由策略Routing DSL，多个模型同时答题，自动仲裁出最优解。几个你现在就能调用的“常规模型”，给它来个组合编排，跑出来的综合胜率，直接掀翻了Fable 5的单体基准线。Opus 4.8打不过Fable 5，GPT-5.5也单挑不过，但这两个拼一组，结果就反超了。
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。