反击VLA中「L」无用论：用对位置指令泛化能力暴涨20-40%（在新窗口打开）
作为具身智能最主流的路线之一，VLA 快速发展的同时也因为其各种问题被诟病。其中最主要的痛点之一便是指令泛化能力。
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。
深度原理发布AI科学家平台Mira，登顶多项评测榜单，实现产业落地（在新窗口打开）
2026 年被业内普遍视作 AI4S（AI for Science）的「智能体元年」。
全球首个，连续时间具身世界模型！任意帧率自由生成（在新窗口打开）
让机器人把一只虾夹起来，再放进锅里。 真正困难的，可能不是认出虾，也不是找到锅，而是把握夹爪闭合的那个瞬间：早一点，夹爪会落空；晚一点，虾可能已经被推走。夹住之后，机械臂还要连续调整力度、方向和速度。整个过程没有暂停键，也不会等摄像头拍完「下一帧」再继续。 但许多视觉世界模型认识时间的方式，恰恰来自这些被摄像头截取的画面。它们看到第1帧、第2帧、第3帧，并学习如何从一张图跳到下一张图。至于两帧之间发生了什么、换一种帧率后该如何预测，甚至某个关键瞬间缺失后如何还原，模型通常没有一条可以直接查询的连续轨迹。 问题也由此变得具体： 如果机器人对世界的理解只存在于一格格画面里，它要怎样抓住发生在两帧之
视觉AI从「会生成」走向「能创作」，RabbitVis探索AI应用新范式（在新窗口打开）
随着 AI 生图能力不断提升，如何让 AI 真正进入创作流程成为新的行业问题。兔展智能基于 UniWorld-Design 视觉 AI 大模型推出 RabbitVis，尝试推动视觉 AI 从图片生成走向可编辑、可交付的创作流程。
Transformer上限触顶，Mobius能否引发下一代模型架构的革命？（在新窗口打开）
Transformer 的上限在哪里？这个问题从 2022 年 ChatGPT 问世起，就开始被广泛讨论。
Transformer开始构建三维世界：开源模型几张图片秒级生成可探索3D场景（在新窗口打开）
从 2D 像素到 3D 场景 Query，影溯正在尝试把三维内容生产推向可规模化调用的新阶段。
Fable5仅做对3.5%！大模型会看图，但还没有主动视觉（在新窗口打开）
人类看图时，不会先在大脑中拍下一张「截图」，再闭眼推理。思考过程会不断引导我们的目光：找到一个线索，形成一个假设，再回到图像里验证它。
无本体数据直达真机，深朴智能拔掉机器人后训练的「真机数据锚点」（在新窗口打开）
当下，一个逐渐清晰的共识是，具身智能的叙事正由「会不会做一个动作」，转向「能不能在真实世界里稳定完成复杂任务」。尤其是在刚刚过去的 WAIC2026 现场，这一点尤为明显，机器人不再满足于表演式的单动作演示，而是被期待走进产线、仓储和酒店客房，真正「做事」。
GPT-Live 底层拆解：OpenAI 如何让 95% 的音频帧不再延迟（在新窗口打开）
通过重写 Python、魔改 WebRTC 握手，GPT-Live 让Agent从单向对话进入「实时交互」时代。
大模型灾难性遗忘新解法：秩1联想记忆实现无损持续学习 | ICML'26（在新窗口打开）
想象一个刚上岗的实习生。教他做A任务，他学得很好；接着教他做B任务，他又学会了——但回过头再让他做A，他却忘得七七八八。
北大等联合发布Data Pyramid：用五层数据金字塔系统回答「机器人应该从什么数据中学习？」（在新窗口打开）
多模态基础模型可以通过互联网规模的图像与语言学习「看」和「说」，但具身智能没有同样的捷径。机器人必须进一步理解物理状态与动力学，判断动作如何改变环境，并在真实世界中执行连续行为；这要求训练数据同时连接观察、状态、动作与物理后果。
数学家24小时驳回OpenAI攻破的猜想！“AI证对了每句话，但已跟原猜想无关”（在新窗口打开）
OpenAI宣称下一代AI模型解决了10个世界级难题，其中包括推翻了Connes刚性猜想。
7 个月新成立 23 家，世界模型进入「批量生产」阶段（在新窗口打开）
2026年已过去七个月，中国AI创业市场出现了一个值得关注的现象：在世界模型赛道，新成立的公司数量持续攀升，截至8月初已达到23家。这个数字意味着什么？作为对比，2025年全年新成立的世界模型公司是20家，2024年只有10家。2026年用7个月就超过去年全年总量。
能让DeepSeek自进化的Harness！LlamaFactory作者开源新工具：0.2元自动造Agent（在新窗口打开）
过去，LlamaFactory 让每个人都能微调大模型；现在，PenguinHarness 希望让每个人都能构建自进化 Agent。
VQA高分是在看图，还是在记答案？ReKey只更新决定答案的那一小块（在新窗口打开）
视觉问答模型的准确率不断提高，但高分未必来自视觉理解 —— 当基准图像与答案已进入训练语料，模型可能只是复现了记忆。浙江大学等团队提出 ReKey：保留原始真实场景，只更新决定答案的那一小块视觉线索，使每轮评测都面向未见过的内容。
Codex + Obsidian 搭本地知识库：273 篇笔记 27 天实录（在新窗口打开）
7 月初的时候，我照着 Karpathy 那套 LLM Wiki（简单说就是让 AI 帮你把资料编译成一个能长大的百科）搭了个本地知识库。
让沉默三千年的甲骨开口：首个模仿人类专家工作流的辅助释读系统（在新窗口打开）
一片龟甲或牛肩胛骨摆在案头，裂纹穿过刻辞，几个字还缺了笔画。
从「看见」到「补全」：哈佛、MIT与港科大Stream3D打通流式3D重建与生成（在新窗口打开）
如何从一段视频中获得完整、稳定的 3D 物体？过去，这个问题大致沿着两条路线发展。
告别通用具身模型崇拜：具身智能走向异构策略编排（在新窗口打开）
当 VLA、WAM、RL、TAMP、MPC 等机器人控制策略在各自擅长的任务中大放异彩，如何刻画其能力边界，并在正确的时机为不同子任务匹配最合适的策略，正逐渐成为机器人完成复杂长时序任务的关键。
VLA动作预测必须经过LLM吗？TurboVLA仅0.2B参数，RTX 4090上跑出32Hz在线动作预测（在新窗口打开）
近年来，视觉 — 语言 — 动作模型（Vision-Language-Action Model，VLA）正逐渐成为通用机器人控制的重要技术路线，但当这些模型真正进入高频闭环执行时，一个矛盾越来越突出：模型越来越大、语义能力越来越强，动作更新却未必足够快。
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。