在很多大模型和 Agent 的训练里，最常见的一种做法就是只看结果：最后答案对了就给奖励，错了就当 0 分。 在单轮问答里，这样「只看结果」还勉强能用；可一旦换成 Agent 这种要多轮对话、搜索、刷
来自阿里高德的一篇最新 ICLR 2026 中稿论文《Everything in Its Place: Benchmarking Spatial Intelligence of Text-to-Image Models》提出了面向文生图空间智能的系统性评估基准 SpatialGenEval，旨在通过长文本、高信息密度的 T2I prompt 设计，以及围绕空间感知
OpenClaw，塌房了。这个体现开源开发者精神的顶流，干了一件非常不开源精神的事。一款叫Evolver的插件，10分钟登顶ClawHub，24小时被无故下架；
当地时间 2 月 19 日，Google 曝光 Gemini 3.1 Pro 最新模型。在 ARC-AGI-2 这个公认的推理基准测试中，Gemini 3.1 Pro 拿到了 77.1% 的分数。什么概念？它的前辈 Gemini 3 Pro 只有 31.1%，就连专门用来「深度思考」的 Gemini 3 Deep Think 也只有 45.1%。
GUI 智能体最近卷到什么程度了？Claude、OpenAI Agent 及各类开源模型你方唱罢我登场，但若真想让 AI 成为 「能在手机和网页上稳定干活的助手」，仍绕不开三大现实难题：
何朝阳说话时，语言的节奏快而密集。在我们交流的前半个小时里，他一口气介绍完新产品 Teamily.ai 的全部，但我只得到了一个模糊的感受：听起来技术很厉害，但我为什么要用它？
Peter Steinberger ，在一个月前还是几乎无人知晓的名字，如今这个奥地利程序员却成为 2026 年 AI 行业最独领风骚的人物 Peter 用 1 小时写出的原型，在几周内席卷 GitH
今天凌晨，Google 发布 Gemini 3.1 Pro。核心提升在推理能力，ARC-AGI-2（抽象推理基准）从 3 Pro 的 31.1% 跳到 77.1%，翻了一倍多，GPQA Diamond（科学知识推理）从 91.9% 提到 94.3%
当前 AI Agent 行业有一个系统性的浪费：每个 Agent 都像一块一次性电池，跑完一个任务，过程中积累的经验、调试的策略、踩过的坑，全部随任务结束而消失。下一个 Agent 遇到相同问题，又得从零开始。
谷歌在 7.5 亿月活的 Gemini 中上线了 AI 音乐生成功能，输入一句话或一张照片，几秒就能得到一首带人声和歌词的完整歌曲。背后是 DeepMind 最新的 Lyria 3 模型，训练数据超 200 万首曲目。对 Suno 等 AI 音乐创业公司而言，竞争从此不再只是比模型，更是要比入口。
