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
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%。
医疗AI终于走出了「只会聊天」的舒适区。今天，斯坦福与普林斯顿联手NVIDIA发布MedOS。这不是一个单纯的手术机器人，而是全球首个通用医疗具身世界模型。从临床诊断到治疗，从外科手术到药物研发，MedOS正在让AI真正读懂「生老病死」的物理现实。
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：
现有 VLA 模型的研究和基准测试多局限于家庭场景（如整理餐桌、折叠衣物），缺乏对专业科学场景（尤其是生物实验室）的适配。生物实验室具有实验流程结构化、操作精度要求高、多模态交互复杂（透明容器、数字界面）等特点，是评估 VLA 模型精准操作、视觉推理和指令遵循能力的理想场景之一。
机器之心编译 如果把人生看作一个开放式的大型多人在线游戏（MMO），那么游戏服务器在刚刚完成一次重大更新的时刻，规则改变了。 自 2022 年 ChatGPT 惊艳亮相以来，世界已经发生了深刻变化。在
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。
1970年，一个叫Gordon Gallup的心理学家把一面镜子放进了黑猩猩的笼子里。黑猩猩一开始对着镜子龇牙。它以为那是另一只黑猩猩。它威胁它，拍胸脯，绕到镜子后面找那只不存在的敌人。
这次是 Anthropic，率先发布了他们称之为「我们目前能力最强的 Sonnet 模型」Claude Sonnet 4.6。Claude 称，新模型对编码、计算机使用、长上下文推理、智能体规划、知识工作和设计进行了全面升级。
