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。
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。
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。
一夜反转！「杀进第一梯队」的巴西LLM竟「套壳缝合」了国产模型（在新窗口打开）
昨天，AI 圈大都被这一新闻「刷屏」：巴西里约热内卢市政府旗下的一家 IT 公司，平地一声雷地推出一款名为「Rio 3.5」397B 的开源模型，甚至还一路逆袭杀进了全球第一梯队，超越 Qwen 3.7 Plus 等开源模型，在多项基准测试中斩获 SOTA 性能。
Agent终于长出了身体：Jiuwen Symbiosis背后的思考与实践（在新窗口打开）
如果你在三年前问AI圈：未来最强的AI长什么样？
代码定位太慢？蚂蚁ACL2026新作：FuseSearch-4B让模型自己学会「该搜多少」（在新窗口打开）
新智元报道 【新智元导读】FuseSearch：学习型自适应并行执行 —— 一个40亿参数的模型，凭什么在代码定位上干过了商用闭源大模型？答案只有四个字：搜得更聪明。 在AI编程狂飙突进的今天，一个尴
把真实GitHub仓库转化为可执行终端轨迹！TerminalTraj入选ICML 2026（在新窗口打开）
被ICML 2026接收为Spotlight！
啥？Fable 5一出，Skill和Prompt都白学了？（在新窗口打开）
Workflow、Skill、SOP，可能真的要过时了。
HuggingFace CEO力荐，Bengio团队也押注：这个1500美元训出的HRM模型，凭什么火了？（在新窗口打开）
好家伙，这次不是模型圈自嗨。 一个训练成本约1500美元、参数量约1B、从零开始预训练的小模型，把HRM推到了下一代推理架构讨论的中心。 HuggingFace联合创始人兼CEO Clem Delangue亲自转发推荐。 图灵奖得主Yoshua Bengio作为共同作者参与的新论文，也走向了同一条latent recursive reasoning路线。 更反常的是，它不是蒸馏，不是微调，也不是在已有大模型能力上套壳。 它就是Sapient Intelligence发布的HRM-Text。 如果只看参数量，它很容易被写成一个熟悉的故事：“小模型又赢了。” 但HRM-Text真正值得注意的地方，
视频生成作为多模态推理新范式 | CVPR 2026（在新窗口打开）
被CVPR 2026收录！ 复旦邱锡鹏团队（OpenMOSS）首次提出Thinking with Video这一推理新范式： 借助视频生成模型，以视频帧为统一媒介进行多模态推理，打破视觉与文本的界限。 团队发现，Thinking with Text（基于文本的CoT推理）和Thinking with Images（在CoT中加上图像辅助推理）范式已大幅提升了LLMs和VLMs的推理能力。 但它们仍有局限：静态图像无法展现动态过程，文本与视觉模态的割裂阻碍了统一理解与生成。 而借助新范式Thinking with Video，视频生成模型在视觉任务上不仅总体媲美SOTA VLMs，而且竟也能解决
登Nature子刊！清华团队提出全球气候模态统一预测模型UniCM（在新窗口打开）
全球气候异常事件正在深刻影响农业生产、水资源调度、能源管理和防灾减灾。
0.6B VLM重塑AI修图推理流程，支持手机端侧部署，vivo+浙大出品（在新窗口打开）
如今手机拍照已成日常，后期修图是提升照片质感的关键。
看不清就乱答？多模态大模型的这个毛病终于有解了 | ICML 2026（在新窗口打开）
雨雪、雾霾、镜头噪点、压缩失真、夜间弱光……
图片越糊越危险？西湖大学发现多模态大模型「攻击舒适区」（在新窗口打开）
多模态大模型越来越会读图中文字，但最新研究显示，「读得出来」并不等于「防得住」。西湖大学 AGI Lab 的研究团队发现，当有害文本被渲染成低清、模糊或带噪图片后，模型在一个特定清晰度区间内反而更容易被越狱。
BudgetMem：给Runtime Agent Memory装上「预算路由器」，让记忆系统学会按需分配运行成本（在新窗口打开）
当 LLM Agent 处理长期对话、多轮交互和复杂文档时，Memory 已经成为不可或缺的核心模块。它帮助智能体保存历史、检索信息、维持个性化上下文，并支撑跨时间的推理能力。
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。