代码造世界，扩散绘现实：AgentGarten让智能体在实时试炼场中边玩边进化
代码造世界，扩散绘现实：AgentGarten让智能体在实时试炼场中边玩边进化推开一块挡板，通道就此封闭；搬来一段坡道，高墙便有了越过的可能。
来自主题: AI技术研报
5714 点击 2026-10-09 16:24
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
推开一块挡板，通道就此封闭；搬来一段坡道，高墙便有了越过的可能。
在语音助手、多用户共享的家庭助理等长期对话场景中，模型需要跨越多次会话记住用户的信息，但现有评测常遭遇两大难题：
9 月 22 日，以 FLUX 图像模型闻名的 Black Forest Labs 跨界发布了开源 7B 世界动作模型 FLUX 3 Action。据其官方博客，该模型在英伟达 RoboLab-120 榜单上超过了此前最强的开源模型 Cosmos 3 Nano，参数量却不到后者一半。一家做图像生成的公司跑来卷机器人控制，说明视频模型里积累的「物理直觉」正被越来越多的团队当作机器人大脑的底座。
多模态模型的视觉原生Harness，来了！
OpenAI最近真是频频往数学界扔重磅炸弹。
好家伙，世界动作模型（WAM）赛道，中国团队直接冲到了全球第一？！
拿起一枚生鸡蛋，手指需要施加恰到好处的力：既要防止滑落，又不能捏碎。拧一条湿毛巾，指尖的力道也要随着水分挤出不断调整。对人类而言，这些操作几乎出于本能。但如果只依赖视觉，摄像头拍得下手部轨迹，却捕捉不到手指接触的位置与按压的力度。
从检索动作知识、寻找角色参考，到模拟运动和衔接镜头，一个经过强化学习的智能体，能给视频生成带来多大提升？
在与用户的实时对话中，AI能否及时感知情绪？模型给出的“高置信度”结论，又是否经得起推敲？
不er，只有我一个人看不懂AI现在的说话方式了吗？
一道悬了59年的核聚变难题，GPT-6 Astra只想了20分34秒，就交出了答案。
数据要让人看懂，通常得先从数据库里查出来，再画成图。文本到可视化（Text-to-Vis）做的就是这件事：用户说出想看什么，系统去库里查询，再用图表把需要的数据展示出来。
智能体时代，安全研究不仅要关心模型说了什么，现在还必须进一步回答：它做了什么、为什么这么做，以及这次的执行轨迹是否越过了当前场景明确规定的安全边界。
大模型解短题常能给出流畅答案，推理链一长，却可能每一步都看似合理、终点仍然失效。来自弗吉尼亚理工大学、威斯康星大学麦迪逊分校和达特茅斯学院的研究团队在 NeurIPS2026 论文中提出 SAGE：用符号闭包分析（SCA）解释长推理中的探索偏差与累积偏差，再把这一诊断变成训练时的结构引导。
今天上午，OpenAI 把一个尚未发布的内部模型产出的 722 篇数学手稿一次性放上了 GitHub。发布本身的来龙去脉、模型背景和数学界的争议，我们在上一篇报道里已经梳理过。这一篇换个角度，打开仓库，看看清单上到底有哪些成果。
普林斯顿大学陈丹琦团队在arXiv发布约4B参数模型QUEEN，通过门控交叉注意力连接Leela与SmolLM3-3B，并引入四阶段课程和迭代搜索蒸馏，使其棋力接近特级大师且能用自然语言解释着法。
哈尔滨工业大学（深圳）iLearn-Lab与新加坡国立大学LV-Lab提出免训练2-bit KV Cache量化框架QuantWM，改善视频世界模型量化后的时序闪烁与画质，并实现最高6.20倍缓存压缩。
清华团队开源以Qwen 3.8-27B为基础模型的VeriLoop E2，通过VGR外部证据门控实现可验证状态提交，并取得黎曼猜想临界线零点比例下界67.350003708785593%的严格有限维证书，但上游形式化桥接尚未完成。
Google等提出RRSI，通过正则化Agent Harness自我改进中的Proposal与Selection，减少过拟合与复杂度累积，并提升未见基准上的迁移表现、降低Token成本。
VA-Bench测试12个主要多模态模型发现，Qwen3.8-max、Opus-5和GPT-5.6-sol虽在目标识别与定位上达100%、操作语义理解达99.6%—100%，完整任务成功率却仅为53.93%、52.86%和51.55%，暴露大模型从空间理解到执行与修正的断层。
来自上海创智学院、复旦大学、伦敦国王学院与牛津大学等机构的研究团队推出SocioVerse2，将大模型社会模拟扩展为可干预、可迭代、可回溯的开源社会科学研究框架。
ModelScope团队开源动态检索框架Sirchmunk，无需预构建向量索引即可在原始文件中即时定位证据，并通过KnowledgeEvolver把检索经验沉淀为可复用知识，使知识库在检索过程中持续连接、合并与重组，实现自我进化。
亚马逊公司与杜克大学的研究表明，在大模型后训练的在线策略蒸馏（OPD）中，仅保留万分之一的极端稀疏监督信号即可显著提升学生模型的推理能力，且性能可匹配甚至超越密集全信号训练。
TypeSafe AI推出的Jev模型因直接输出决策与概率火爆出圈，其技术思路与NeurIPS 2025入选论文ConfTuner高度一致，后者通过Tokenized Brier Score直接训练候选置信度概率分布以实现概率校准。
东南大学魏秀参团队提出LeaP（Learnable source Prior）方法，由本体感知信息驱动并联合预测动作生成起点的均值与方差，在RoboTwin仿真15项任务上平均成功率81.6%、较标准高斯基线提升25.5个百分点，相关论文已被CoRL 2026接收。
南洋理工大学安波团队最新研究指出，Agent Harness的选型应将模型、Harness与任务作为完整配置联合评估，不同任务下最佳组合会变化，原生搭配也未必优于其他可配置Harness。
给定一个基座模型、一个目标能力和算力预算，RSI Agent 自己设计后训练算法、收集和整理数据、写代码、跑实验、迭代改进，最终交出一个训练好的模型，全程无人介入。在自主后训练基准 PostTrain
论文DepthART提出抗偏置数据采样与相机条件化微调方法，将基础单目深度估计模型压缩至约6M参数，在保留跨场景泛化能力的前提下实现Jetson等端侧设备的高帧率部署。
OpenAI"智能时代"平台发布文章《The Eternal Complement》，讨论AI走向超级智能后文明稀缺资源将转向判断力与"品味"，提出"深度文明"与"广度文明"两种发展路径，并强调人类好奇心与创造多样性仍具持续价值。
从 1200 万个候选拉取请求中，最终留下 5000 个 SWE 代码任务 —— 不足 0.05%。把「出题、答题、改卷、训练、评测」这条代码数据流水线全自动跑起来，就是 LegoFlow； 在这个过