从智能体到赛博员工，生产力智能涌现（在新窗口打开）
最近一两年，AI 行业有一个很微妙的变化：大家不再满足于问 “模型会不会回答”，也不再只关心 “Agent 能不能调用工具”。越来越多的讨论开始回到一个更终极的问题：AI 到底能不能完全自动化接管工作区，理解个性化需求，像一个真实的人类劳动力一样，把一件事情从头到尾做完？
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。
解决视频生成穿帮问题！浙大&微软3000条纯文本让模型理解3D（在新窗口打开）
浙大联合微软亚洲研究院最新提出的World-R1，不改架构、不要3D数据，纯靠强化学习就让视频生成模型学会了“理解”三维世界。World-R1 的出发点很简单：预训练的视频模型里面已经有 3D 知识了，只是“沉睡”着。用强化学习把它叫醒就行。
从图像到视频的任意分割：X2SAM让MLLM 真正看懂像素级时空世界（在新窗口打开）
为了解决这一问题，来自中山大学和美团的研究团队提出了 X2SAM，一个统一的图像与视频分割多模态大模型框架。它希望让模型不仅能「看懂」图像和视频，还能进一步「指出」目标在每个像素上的准确位置。
D-OPSD: 将OPSD引入扩散模型，让少步扩散模型「边跑边学」，还能学会新概念（在新窗口打开）
阿里巴巴 Z-Image 团队联合香港科技大学、加州大学圣地亚哥分校、香港中文大学等机构提出 D-OPSD（On-Policy Self-Distillation），首个针对少步扩散模型的在线策略自蒸馏框架。D-OPSD 无需奖励模型、无需成对偏好数据，
你的AI Agent正在“失忆”，腾讯开源了一味良药（在新窗口打开）
TencentDB Agent Memory 全球正式开源
商汤SenseNova U1深度拆解，原生统一架构终结缝合时代（在新窗口打开）
当 AI 行业的目光集中在 Agent、工具调用、长程任务这些上层应用之时，底层的多模态架构正在经历一次更安静、也更彻底的范式转变 —— 它要回答的是一个看似朴素的问题：理解与生成，是否天生就该是两件事？
Claude脑子里想的，被翻译成人话了！Anthropic新研究看懵人类（在新窗口打开）
Claude的内心独白被翻译成人话了！就在今天，Anthropic开源了一台AI读心机器，然而它跑出来的第一批成果却让人触目惊心。
博士80小时熬夜改代码，Codex 2小时交卷！科研奇点来了（在新窗口打开）
就在今天，Agentic AI工程师发现：博士80小时的科研任务，Codex不到2小时就跑完了，效率差达到了40倍！其实按照旧标准，AGI早已存在了，只是全行业都在移动球门。
首创TTFA指标！港大团队开源FASTER，让VLA模型真正实现「即刻响应」（在新窗口打开）
具身智能正以前所未有的速度发展，VLA 模型展现出越来越强的动作和泛化能力。然而，当我们真正把 VLA 模型部署到物理世界时，一个核心挑战浮出水面：实时性。
90% 的AI编程费用都白花了！技术大神直接砍掉80%账单！开发者：真正烧钱的不是模型，而是无效上下文（在新窗口打开）
“你花在 AI 编程上的费用，90% 都浪费在了没必要上传的上下文里！”
训练数据枯竭怎么办？首篇「数据价值密度」综述理清思路（在新窗口打开）
当训练数据枯竭、训练成本飙升，大语言模型（LLM）训练之路该何去何从？
突破三维感知瓶颈：魔芯科技发布VGGT系列成果，实现动态高保真重建并获新一轮融资（在新窗口打开）
在迈向通用人工智能（AGI）的过程中，世界模型被视为让机器理解物理规律、实现空间智能的关键。而高效、鲁棒和精准的三维感知能力，被广泛认为是世界模型的首要前提。通常来说，一个成熟的世界模型需要具备三大核心能力：对长时空序列的持续记忆、对复杂动力学的因果解耦、以及对高清物理细节的精细感知。
不是幻觉！Claude自下指令甩锅人类，百万上下文沦为降智重灾区（在新窗口打开）
Claude深陷「角色混淆」Bug，分不清自己的话与用户指令，长上下文成了降智「重灾区」。
0成本升级，快手OneSearch-V2全量上线，生成式搜索进入「懂你」时代（在新窗口打开）
针对生成式检索范式在电商搜索场景下面临的复杂查询理解不足、用户潜在意图挖掘乏力、奖励系统易过拟合历史窄偏好等落地瓶颈，快手技术团队在已规模化部署的工业级生成式搜索框架 OneSearch 基础上，发布了一篇系统性升级的研究论文，正式推出新一代框架 OneSearch-V2。
ACL 2026｜打破推理同质化！阿里达摩院新作让RLVR从重复采样走向有效探索（在新窗口打开）
I²B-LPO 是一个面向 RLVR 后训练的探索增强框架，通过改进 rollout 策略引导模型生成更多样化的推理轨迹，将探索行为从 “重复采样” 推进到 “在关键节点生成更具区分度的推理轨迹”，在多个数学基准上同时提升准确率与语义多样性，最高分别达 5.3% 和 7.4%。该工作接收于 ACL 2026 Main，来自阿里达摩院 - 智能决策团队。
当你还在训练大模型，他们已经教AI“画”出了App（在新窗口打开）
一篇让你看懂的AGenUI开源解读 很多人对AI Agent的想象还停留在“聊天”上。你丢一个问题过去，它回你一段文字，顶多加一张图。 但真正用过这类产品的朋友应该都懂——纯文本的交互天花板太低了。你想订个酒店，它给你敲了一长串候选清单，你还要手动复制店名跳到另一个App去搜。 这不叫智能，这叫换了个地方查资料。 但有没有一种可能：AI直接“画”出一个带按钮、带列表、带地图的界面，让你直接在对话里完成所有操作？ 高德和阿里千问C端应用团队刚刚开源的 AGenUI，就是在回答这个问题。 一次“跨界联名”，捅破了一层窗户纸 上周，AI圈被一个名字刷了屏——AGenUI。简单说，它是业内首个同时覆盖
微软Terminus-4B之后，Agent可能会进入「专用小模型Sub Agent」时代（在新窗口打开）
您有没有想过：在代码Agent里，执行终端命令、跑测试、读报错、总结日志这种任务，用Claude Opus、Claude Sonnet、GPT-5.3-Codex这类昂贵Token的大模型来执行，是不是有点浪费？一定要这么做吗？
蚂蚁灵波开源LingBot-VLA后训练代码！150条示教数据即可适配新机器人（在新窗口打开）
就在刚刚，蚂蚁集团旗下具身智能公司灵波科技传出新动作—— 全面开源其具身基座模型LingBot-VLA的真机后训练工具链。
Codex+hyperframe做视频，让剪辑师们慌了?（在新窗口打开）
这两天打开X，发现一个开源项目刷屏了——Hyperframes。GitHub上两天干了17.4k star，1.6k fork，Codex、Cursor、Claude Code的插件全线覆盖。
挑战扩散自回归统治！字节提出视觉生成第三种路线，让模型像人类一样边画边改（在新窗口打开）
ber！这个五一假期，我也是真够忙的： 自拍、电影、追剧、街头采访、听音乐会，还抽空回老家结了次婚……
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。