双榜SOTA！微软ACL2026新作重新定义AI长记忆（在新窗口打开）
随着大语言模型在各类应用中加速落地，一个核心技术瓶颈日益凸显——AI始终缺乏真正的长期记忆能力。当前主流的RAG（检索增强生成）方案依赖语义相似度检索历史信息，但“语义相似”并不等于“真正相关”，常常出现检索结果不完整、无法区分信息相关性、缺乏推理能力等问题。
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。
让大模型“边看边改”，视觉分割准确率直接上涨9% | ICML 2026（在新窗口打开）
智能体时代，如何让视觉分割更准确？ 复旦、创智联合推出RSAgent，给出最新答案——让多模态大模型通过多轮工具调用生成准确掩码。 相关工作已入选ICML 2026。 视觉分割，一直是个“说起来简单，但做起来容易失手”的任务。 给模型一张图、一句话，让它把目标区域的像素圈出来——听起来直接，但一旦目标含糊、被遮挡，或者需要推理才能定位，一次性猜出正确的掩码就变得相当困难。 RSAgent团队认为，现有方法缺少的，不是更强的分割头，而是“确认和纠错”的过程。 为此，他们推出了RSAgent这个让多模态大模型通过多轮工具调用，完成文本引导分割的智能体框架。 模型不再一次性输出mask，而是先观察图
用8年时间将向量数据库做到极致后，我们为何又推出了Vector Lakebase？（在新窗口打开）
在这些场景，一个集合也许一个月只被查询几次，运行时间不超过5小时，用户也并不需要为此投入向量数据库级别的资源建设，让高性能资源一个月时间里有715小时都被浪费。相应的，成本也就成了这一场景下的优先考量要素。而解决这一问题，也是我们选择在近期推出Vector Lakebase 产品的初心所在。
CVPR 2026 | 1000万段驾驶视频，教会模型如何估计相机位姿（在新窗口打开）
不用百万级 3D 标注，模型也能从普通驾驶视频中学会「自己是怎么动的」。Wayve 的 LA-Pose 试图把未标注视频里的运动信号，转化为自动驾驶系统所需的相机位姿估计能力。
AMD新论文颠覆认知：FP4训练不稳定，原因不是随机性不足（在新窗口打开）
众所周知，大模型训练成本极高。 但大家又知道，降低训练精度能够显著降低训练成本。DeepSeek-V3 用 FP8 训练把成本打到了 560 万美元，已经让全行业侧目。 在 FP8 成功后，行业仍然在不断探索低精度的边界：从 FP8 降到 FP4，训练成本还能再降多少？ 理论上，FP4 的计算吞吐可以是 FP8 的两倍。NVIDIA Blackwell 和 AMD MI350 系列都已经在硬件层面原生支持了 FP4 运算，前者在 B200 上标称 FP4 算力可达 4500 TOPS（稀疏）。硬件已经准备好了，但软件和算法那一侧，一直卡在一个问题上： 用 FP4 从头训练大模型，训练过程非常不
从Foundation Model到Physical AI，三星「杀入」大模型核心战场（在新窗口打开）
过去几年，大模型竞争主要发生在 AI 公司之间。但随着 AI 开始从数字世界进入真实设备与物理世界，竞争逻辑正在发生变化。
Python逆天改命！开源Hermes首次击败OpenAI Codex（在新窗口打开）
一个纯Python写的开源项目，竟把OpenAI用Rust写的王牌给秒了！最终战绩6比5，Hermes直接上演工程暴力美学，解释型语言终于逆天改命。
将DSA注意力引入多模态，快手Keye2.0开启强化推理新范式（在新窗口打开）
当你把一段长达9分钟、在“晴空万里”与“冰天雪地”间剧烈切换的冰岛旅行Vlog输入给大模型，并要求它做一份旅行攻略时，常规的视觉大模型通常只能给出一份基于字幕和画面标签拼凑的“流水账”。
安卓开发被Vibe Coding接管了？谷歌把搓App门槛彻底打下来，一周搓出25万个（在新窗口打开）
最近，谷歌的日子不太好过。 自从 I/O 大会以来，谷歌经历了连环翻车： Gemini 3.5 Flash 被网友吐槽实际体验、额度消耗和稳定性不及预期；Gemini Omni Flash 原生多模态视频生成与编辑模型，表现不如 Seedance 2.0；Antigravity CLI 闭源、bug 多、且还被抓到演示视频里出现 Codex 文件；Google Cloud 自动风控系统错误封禁了知名 PaaS 平台 Railway 的账号，导致 Railway 服务大面积宕机好几个小时；AI Overviews 搜索 disregard、ignore 等单词时，AI 不正常显示字典释义，把搜索
刚刚，中国AI闯入全球编程前二！前面只剩Claude（在新窗口打开）
Code Arena最新放榜，Qwen3.7-Max以1541分冲进全球第四，成为前五中唯一的非Claude模型。编程，中国模型第一次杀到这个位置。
你以为在用 Claude，其实只碰了 1%（在新窗口打开）
Anatoli Kopadze 这条帖子 2200 万阅读，我一开始以为又是那种「10 个 AI 技巧改变你人生」的流量帖。点进去一看——还真有东西。17 个功能里大概有 5 个我压根不知道存在，还有 3 个我一直在用但用法完全是错的。
我们开源了一个可以降低 AIGC 率的模型（在新窗口打开）
最近到了毕业季，好多朋友来找我聊一件事：有什么办法帮他降 AIGC。
Claude Code和机器人背后的共同机制，UIUC、Meta、Stanford这篇最新综述讲清楚了（在新窗口打开）
说在前面：这又是一篇讲Harness的Survey，你最近可能已经看过了数篇讲Harness的文章、论文，其中还可能包括我上周解读的《Agent Harness Engineering：Agent的底盘工程综述｜CMU、耶鲁、Amazon》。
用文字记住图片，是一种错觉：MemEye用「原图证据」重测多模态Agent Memory（在新窗口打开）
多模态Agent最容易制造的一种错觉是：它看过图片，所以它记住了图片。
不用人类手写训练框架了！AI自己写代码，训出1B端侧「小钢炮」（在新窗口打开）
你的电脑里，或许很快会住进一只会聊天的「小怪兽」。
龙虾之父教你省钱：开源Skill给你的Skill减肥（在新窗口打开）
Skill水平参差不齐，龙虾之父Peter看不下去了。
一个月的活一周干完！英伟达世界模型训练速度飙升400%（在新窗口打开）
英伟达世界动作模型 DreamZero 训练一次要烧 8 张 H100 整整 25 天，RLinf 从算子融合到 I/O 全链路系统级重构，把训练吞吐拉高近 4 倍——1 个月的活，1 周就能干完。
面壁智能推出AI写的预训练框架ForgeTrain，从此AI开始造自己（在新窗口打开）
造AI这件事，现在的主角变成了AI。 因为就在刚刚，一个国产AI先自己写出了一套大模型预训练框架，然后再用这套预训练框架，训练出了一个新的小尺寸模型！ 这就是面壁智能搞出来的big news。 这套由AI写出来的预训练框架叫做ForgeTrain，它是全球首个完全由AI编写的生产级大模型预训练框架，性能甚至超越了英伟达的Megatron。 并且ForgeTrain在华为昇腾上预训练MiniCPM5-1B，相比昇腾的框架也有10%的加速。 围绕它，面壁智能还提出了一套新的软件编程范式，叫Forge Engineering。 更直白一点说，就是当AI写代码的成本越来越低，未来软件不一定非要做成一套
0.9B跑出90%真机成功率！上海交大为VLA补上空间感（在新窗口打开）
机器人看得见，但不一定看得准。 大量VLA模型仍然主要依赖二维视觉，一旦遇到精定位、细摆放、遮挡判断这类需要空间感知的任务，成功率就会明显下滑。 补空间信息的路有两条，但都有代价。 显式3D路线靠深度传感器和点云重建，硬件链路长、对标定误差敏感；隐式3D路线从RGB学几何，省了硬件，但不少方案依赖较重的基础模型，训练和推理成本偏高。 现在，上海交大MINT团队提出了一条中间路线: Evo-Depth，约0.9B参数，不额外增加硬件负担，用紧凑的隐式深度编码把空间感写进VLA策略里，仿真与真机同时兼顾性能与部署效率。 仿真端，Meta-World 84.4%、LIBERO 95.4%；真机平均成
“Token”必须死？（在新窗口打开）
“我语言的局限，即意味着我世界的局限。”（ Die Grenzen meiner Sprache bedeuten die Grenzen meiner Welt. ）
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。