搜索
10 月 30 日凌晨，今年 4 月成立的破壳机器人（PokeBot），发布了第一款模型产品 RoboAPI ，他们的世界模型 Poke-Aurora 也首次亮相。不同于其他具身模型发布 Demo，破壳发布的 RoboAPI 是一个面向真实物理世界、可公开访问、开箱即用的具身 API，亮相的同时便向行业发出邀请：欢迎试用。
来自新加坡国立大学、可灵 AI 和香港科技大学的研究团队提出了 DiffusionART，一种面向图像和视频生成的在线 Diffusion RL 算法。该方法支持采用 ODE 采样，不要求奖励模型可微，也无需额外调参，可自然适配标量奖励、二值偏好奖励等多种奖励形式，具有极高的样本效率。
蓝振忠的气质看上去像一名在读研究生，沉静，说话不疾不徐，他是卡耐基梅隆大学博士，计算机视觉出身，曾是谷歌的大模型专家，做出了 ALBERT。两个多小时的访谈里，他三次共享屏幕给我们看论文，讲到自己的技术判断时，语气从来没有犹豫过。
从 GPT-6 在演示里用 Blender 做三维建模，到 AI 短剧占据越来越多的屏幕时间，再到机器人走进真实场景，看似不同的应用，正指向一组共同的能力要求：理解物体在哪里、彼此如何关联、状态怎样随时间变化，以及采取行动可能带来什么结果。
每个做 AI 系统的人都经历过这个阶段：效果上不去，又不知道往哪使劲——读轨迹、改 prompt、调配置，靠人一轮轮试，一试就是好几天。
一张高清照片中，远处的手提包是什么颜色？一页票据里，某项费用到底是多少？面对这些问题，多模态大模型常常需要先找到相关区域，再放大查看。但如果第一步就框错了位置，后面的推理也可能跟着出错。视觉思维链让模型能够边看边想、调用工具寻找证据。不过，许多方法仍然像生成句子一样，把边界框坐标逐个写成文本 token。连续的空间位置，为什么要通过离散文字来表达？
一颗梨在液体中快速旋转，周围的液体应该随之流动、飞溅；一个物体撞向水面，液体也应该产生与碰撞相对应的响应。
人类说一句「我不是狼」，多模态大模型既能看到表情，也能听见声音。但它真的知道这句话是真是假吗？
近期，Meta 的 Muse、OpenAI 的 Dot 等产品相继推出，让 Personal Agent（个人智能体）再次成为大模型领域的关注焦点。相比传统的对话助手，这类 Agent 不再局限于回答问题，而是能够结合用户的个人背景、历史记忆与应用上下文，主动执行任务并持续推进长期目标。一个更具主动性、能够长期陪伴用户的 AI 助手，正在逐渐成为现实。
计算复杂性理论要变天了。