
让VLM学会「心中有世界」:VAGEN用多轮RL把视觉智能变成「世界模型」推理机器 (opens in a new tab)
当今的 AI 智能体(Agent)越来越强大,尤其是像 VLM(视觉-语言模型)这样能「看懂」世界的智能体。但研究者发现一个大问题:相比于只处理文本的 LLM 智能体,VLM 智能体在面对复杂的视觉任务时,常常表现得像一个「莽撞的执行者」,而不是一个「深思熟虑的思考者」。
Total 916 articles

当今的 AI 智能体(Agent)越来越强大,尤其是像 VLM(视觉-语言模型)这样能「看懂」世界的智能体。但研究者发现一个大问题:相比于只处理文本的 LLM 智能体,VLM 智能体在面对复杂的视觉任务时,常常表现得像一个「莽撞的执行者」,而不是一个「深思熟虑的思考者」。

语音是人类最自然、最习惯的交互方式。随着代码智能体、办公智能体逐渐普及,人们对智能体的期待也不再只是 “问一个问题、得到一个答案”,而是希望像和同事一样持续沟通,共同完成一项工作:任务进行到一半,可以随时询问进展;想到新要求,可以直接补充;方向变了,也可以马上取消或修改。

浙江大学计算机辅助设计与图形系统全国重点实验室杜鹏团队提出了一个支持多模态输入的CAD建模智能体:CADDesigner。该智能体致力于构建一个中间层,将大模型、智能体与传统几何引擎深度融合,帮助CAD设计师提升模型设计能力和生产效率。

昨日晚间,国家网信办、国家发展改革委、工业和信息化部近日联合印发《智能体规范应用与创新发展实施意见》(简称:《实施意见》)。这是国家三部门首次单独以 “智能体(Agent)” 为核心主题制定的系统性政策,此前没有任何一部国家部委文件专门聚焦智能体的定义、安全、应用、生态进行全面规范。

基于视觉语言模型(VLM)的多智能体系统(MAS)正成为复杂多模态协作的核心方案,却被一个致命痛点死死卡住:多智能体视觉幻觉滚雪球——单个智能体的视觉误判通过纯文本信息流逐级放大,早期细微错误最终演变成系统性崩溃。

我秒了我自己?? 阿里Qwen团队刚开源的Qwen3.6-27B,直接把自家前代旗舰Qwen3.5-397B给卷没了。 在四大智能体编程基准上全面超越,只用了前代大概1/15的参数量。 从成绩单来看,除了智能体编程基准的集体领先,单项差距也比较明显,SkillsBench从老旗舰的30.0直接干到48.2,差距拉开超60%。 而且,和Qwen3.5-397B的MoE不同,Qwen3.6-27B采用的是纯密集架构。 架构简洁、部署简单、推理稳定,普通开发者拿过来就能跑,不用折腾一堆配置。 27B也不虚 Qwen3.6-27B专门对智能体编程做了一波狠优化。 模型在训练中强化了代码库理解、跨文件编

T (R,O) Grasp 是一种基于物体 — 机器手空间关系建模的图扩散架构,具备跨智能体的统一表征能力。在 NVIDIA 40GB A100 GPU 上,该方法可实现 5 FPS 的推理速度和 50 grasp/s 的吞吐量,并在多种智能体上取得 94.83% 的平均抓取成功率,刷新了跨智能体灵巧抓取的 SOTA,具备与动态场景实时交互的能力。

能无限进步的「超级智能体」来了! 最近,Meta研究团队的一篇题为HYPERAGENTS(超级智能体)的论文迅速刷屏。 这篇论文将LSTM之父Jürgen Schmidhuber二十年前提出的哥德尔机(Gödel Machine)思想,与达尔文开放算法相结合,提出了能持续自我迭代的达尔文哥德尔机。 基于此这一思想,Agent不仅能更好地完成具体任务、持续提高自身表现。 更关键的是,它可以不断优化“改进自身”的底层逻辑,实现“元学习(Meta-learning)” 这,便是论文定义的新一代超级智能体——Hyperagents。 论文更进一步提出:未来AI有望通过持续自我迭代,最终突破人类预设的初

天下苦 PPT 久矣。 体验过市面上各种 AI 生成 PPT 工具的人,往往都会遇到同样的痛点:排版崩坏、内容空洞、经不起推敲。 为什么会这样?因为目前的通用大语言模型(LLM)写 PPT,本质上是在对话框里 “盲写” 代码或文本。它们既没有真正的 “手” 去查阅权威文献,也没有真正的 “眼睛” 去审视自己排版出来的最终效果。 近日,中国科学院软件研究所中文信息处理实验室开源了第二代 PPTAgent -- DeepPresenter。这是业界首次将幻灯片智能体模型与完整的智能体沙箱环境一同开源,更能支持在单张 3090/MAC 上一键部署。它彻底重构了 AI 制作 PPT 的逻辑,让智能体不

拟开源NemoClaw。 智东西3月10日消息,据《连线》援引知情人士的话,英伟达计划推出一个开源AI智能体平台NemoClaw。它将支持企业指挥AI智能体来代替其员工执行任务。 消息人士称,无论产品是否运行在英伟达的芯片上,它们都可以访问NemoClaw。 英伟达对AI智能体的兴趣正值人们开始接受“龙虾”之际。“龙虾”即开源AI智能体工具OpenClaw的昵称,可在本地设备上自主运行并执行一系列任务。 另据外媒上个月报道,英伟达计划在年度GTC大会上发布一款用于AI推理计算的新芯片系统。该系统将采用美国AI芯片初创公司Groq设计的芯片。 《连线》报道称,英伟达已与Salesforce、思科