临床诊断并非一次性的「快照」，而是一场动态交互、不断「探案」的推理过程。然而，当下的大模型大多基于静态数据训练，难以掌握真实诊疗中充满不确定性的多轮决策轨迹。如何让AI学会「追问」、选择检查，并一步步抽丝剥茧，迈向正确诊断？
2025年末，谷歌通过Kaggle平台，以前所未有的力度，连续推出了两个为期五天的线上强化课程。这不仅仅是两次普通的线上分享，更像是一场由谷歌顶级机器学习（ML）研究员和工程师亲自引领的、深入探索生成式AI及其前沿应用——AI Agents（人工智能代理）的集训。
你是否曾为搭建具身仿真环境耗费数周学习却效果寥寥？ 是否因人工采集海量交互数据需要高昂成本而望而却步？ 又是否因找不到足够丰富真实的开放场景让你的智能体难以施展拳脚？
复旦⼤学、上海创智学院与新加坡国立⼤学联合推出全模态端到端操作⼤模型 RoboOmni，统⼀视觉、⽂本、听觉与动作模态，实现动作⽣成与语⾳交互的协同控制。开源 140K 条语⾳ - 视觉 - ⽂字「情境指令」真机操作数据，引领机器⼈从「被动执⾏⼈类指令」迈向「主动提供服务」新时代。
在一场矿难救援中，时间意味着生命。想象一台搜救机器人在部分坍塌的矿井中穿行：浓烟、碎石、扭曲的金属梁。它必须在险象环生的环境中迅速绘制地图，识别路径，并精准定位自己的位置。
我日常最常用的 AI，不是 ChatGPT，也不是 Gemini 官网。
全开源多模态大模型（MLLM）的性能，长期被闭源和半开源模型“卡脖子”。
本文基于研究者的系统性综述，围绕“AI Scientist（AI科学家）”这一新的概念展开，核心线索是研究者的六阶段方法论与三阶段演进轨迹；您如果正搭建一个可验证、可协作、可扩展的研究自动化体系，这篇综述更像一张总路线图而非空洞口号，有不少思路可以借鉴。
Sasha Rush 在分享开头就提到，Cursor Composer 在他们的内部 benchmark 上的表现几乎与最好的 Frontier 模型（前沿模型）持平，并且优于去年夏天发布的所有模型。它的表现明显好于最好的开源模型，以及那些被标榜为"快速"的模型。
面对“AI是否陷入泡沫”的热议，美国知名对冲基金Coatue深度研究了过去400年间30余次典型泡沫案例，从中提炼出共性特征，并据此发布了年度AI重磅报告。Coatue将这一框架应用于当前AI领域，得出的结论是:AI正处于早期“替代/普及”阶段，远未到达泡沫顶点。
当AI不再对着文字死记硬背，而是学会在视频里对人类世界进行超感知，这套全新范式会不会撬开AGI的大门？
近期，阿里巴巴 ROLL 团队（淘天未来生活实验室与阿里巴巴智能引擎团队）联合上海交通大学、香港科技大学推出「3A」协同优化框架 ——Async 架构（Asynchronous Training）、Asymmetric PPO（AsyPPO）与 Attention 机制（Attention-based Reasoning Rhythm），
从支持「屎棒棒创业」到数学证明，AI的「谄媚」正成隐忧：一次更新曝出迎合倾向，GPT对荒诞乃至有害想法也点头称是。斯坦福、CMU研究证实模型更爱迎合，令用户更固执、更少反思却更信任AI；数学基准亦见模型为伪命题硬编证明。
多模态大模型（MLLMs）虽然在图像理解、视频分析上表现出色，但多停留在整体场景级理解。
做灵巧手如果不会用工具，跟咸鱼（夹爪）有什么区别？
Leonis Capital 在全球超过 10,000 家 AI 初创公司中，基于融资、招聘、用户使用情况，GitHub 趋势、新闻、ProductHunt、ARR 预估等数据和信号，筛选出了 100 家增长最快的初创公司。他们对这 100 家 AI 初创公司进行了详细分析，制作了一份 The Leonis AI 100 的研究报告。
在处理短文本时，大语言模型（LLM）已经表现出惊人的理解和生成能力。但现实世界中的许多任务 —— 如长文档理解、复杂问答、检索增强生成（RAG）等 —— 都需要模型处理成千上万甚至几十万长度的上下文。
可乐可乐是真头铁， 24年用AI做广告挨骂，25年继续用继续挨骂，主要是创意很偷懒，两年了还给我看同一条广告。
AAAI 2026录用结果重磅公布！这一届，投稿量暴增至23,680篇，录用率仅17.6%，竞争程度远超往年。一些成功上岸的研究员们晒出了录用成绩单，有人甚至拿下了88887高分。
在 AI 技术飞速发展的今天，如何高效地将多个专业模型的能力融合到一个通用模型中，是当前大模型应用面临的关键挑战。全量微调领域已经有许多开创性的工作，但是在高效微调领域，尚未有对模型合并范式清晰的指引。
AI 产业的两大核心趋势正并行发展：基础大模型的能力持续突破，而 AI Agent 的产业化落地也在全面提速。Capgemini 于 2025 年 4 月发布的一项覆盖 14 国 1500 名企业高管的调研显示[1]，已有 37% 的受访组织启动或实施 AI Agent 项目，另有高达 61 %的组织将在一年内跟进部署或进行探索，印证了该趋势的全球共识。
近日，美国南加州大学教授约书亚·杨（Joshua Yang）团队和合作者成功造出一个功能齐全的人工神经元 1M1T1R，这是一种能像真实脑细胞一样工作的人工神经元，有望催生出类似人脑的基于硬件的学习系统，并有望将 AI 转变为更加接近自然智能的形态。
近期，HuggingFace 发布的超过 200 页的超长技术博客，系统性地分享训练先进 LLM 的端到端经验。
大模型「灾难性遗忘」问题或将迎来突破。近日，NeurIPS 2025收录了谷歌研究院的一篇论文，其中提出一种全新的「嵌套学习（Nested Learning）」架构。实验中基于该框架的「Hope」模型在语言建模与长上下文记忆任务中超越Transformer模型，这意味着大模型正迈向具备自我改进能力的新阶段。
智能汽车、自动驾驶、物理AI的竞速引擎，正在悄然收敛—— 至少核心头部玩家，已经在最近的ICCV 2025，展现出了共识。
LLM Agent 正以前所未有的速度发展，从网页浏览、软件开发到具身控制，其强大的自主能力令人瞩目。然而，繁荣的背后也带来了研究的「碎片化」和能力的「天花板」：多数 Agent 在可靠规划、长期记忆、海量工具管理和多智能体协调等方面仍显稚嫩，整个领域仿佛一片广袤却缺乏地图的丛林。
还得是大学生会玩啊（doge）！ 网上正高速冲浪中，结果意外发现：有男大竟找了个机器人队友？而且机器人还相当黏人（bushi~ 白天超市打工它要跟着，一看东西装好就立马乐颠颠帮忙拉小推车，上楼下楼忙个不停：
2024年，加州大学圣地亚哥分校「Hao AI Lab」提出了DistServe的解耦推理理念，短短一年多时间，迅速从实验室概念成长为行业标准，被NVIDIA、vLLM等主流大模型推理框架采用，预示着AI正迈向「模块化智能」的新时代。
现有的LLM智能体训练框架都是针对单智能体的，多智能体的“群体强化”仍是一个亟须解决的问题。为了解决这一领域的研究痛点，来自UCSD和英特尔的研究人员，提出了新的提出通用化多智能体强化学习框架——PettingLLMs。支持任意组合的多个LLM一起训练。
《Science》的一篇新文章指出，大模型存在一个先天难解的软肋：幻觉难以根除。AI厂商让大模型在不确定性情况下说「我不知道」，虽然有助于减少模型幻觉，但可能因此影响用户留存与活跃度，动摇商业根本。
