AI 日报 2026-06-15 · 自改进智能体、MiniMax稀疏注意力、微软Tok

论文

EvoArena：在动态环境中追踪记忆演化以实现鲁棒的 LLM 智能体

当前大语言模型（LLM）智能体的评估大多在静态环境下进行，而真实部署场景本质上是动态的，需要智能体持续调整知识、技能和行为以适应环境变化。为此，我们提出 EvoArena，一个包含终端、软件和社交领域渐进式更新的基准套件。同时提出 EvoMem，一种基于补丁的记忆范式，将记忆演化记录为结构化更新历史，使智能体能通过记忆变化推理环境演变。

Jundong Xu原文

MiniMax Sparse Attention

前沿大语言模型对超长上下文的需求日益迫切：agent工作流、仓库级代码推理和持久记忆都需要模型联合处理数十万到数百万 token，但softmax注意力的二次复杂度让大规模部署难以实现。本文提出 MiniMax Sparse Attention (MSA)，一种基于分组查询注意力（Grouped Query Attention, GQA）的块级稀疏注意力。

Xunhao Lai原文

WeaveBench: 面向混合界面计算机使用代理的长期现实世界基准

现有基准将计算机使用代理（CUA）的各界面作为独立能力评估，缺乏对跨界面长期编排的测试。为此，我们提出 WeaveBench，一个面向长期混合界面的基准，包含 114 个任务，覆盖 8 个真实工作领域，基于真实用户请求和可公开验证的工件。每个任务要求代理在单条轨迹中结合 GUI 观测/动作与 CLI/代码操作。

Wanli Li原文

SpatialClaw: 重新思考代理空间推理的动作接口

空间推理——确定物体在三维空间中的位置、关系及运动的能力——仍然是视觉语言模型（VLM）面临的基本挑战。工具增强代理通过为VLM附加专业感知模块来应对这一挑战，但其有效性受限于调用这些工具的动作接口。本研究探讨了接口设计如何影响代理进行开放式空间推理的能力。现有空间代理要么采用单次代码执行，在观察到任何中间结果之前就确定完整分析策略；

Seokju Cho原文

InterleaveThinker: 强化代理式交错生成

近期图像生成器在单图生成与编辑中展现出逼真的效果和指令跟随能力。然而受限于架构，它们无法实现交错生成（文本-图像序列），这在视觉叙事、引导和具身操作中至关重要。即便是最新的开源统一多模态模型（UMMs）也表现有限。本文提出InterleaveThinker，首个多智能体流水线，赋予任意现有图像生成器交错生成能力。

Dian Zheng原文

MaxProof: 利用生成验证器强化学习与群体级别测试时缩放扩展数学证明

MaxProof 是一个针对竞赛级数学证明的群体级别测试时缩放框架，属于 MiniMax-M3 系列。首先，M3 使用工程化的低假阳率生成验证器（defense-in-depth generative verifier）训练三种面向证明的能力：证明生成、证明验证和基于批评的证明修复。这些能力被合并到单一发布的 M3 模型中。

Jiacheng Chen原文

Robust-U1: MLLMs 能否自我恢复损坏的视觉内容以实现鲁棒理解？

多模态大语言模型 (MLLMs) 在视觉理解中取得了显著成功，但在现实世界的视觉损坏下性能严重下降。现有鲁棒性增强方法存在局限：黑盒特征对齐缺乏可解释性，白盒文本推理无法恢复丢失的像素级细节。本文研究根本问题：MLLMs 能否自行恢复损坏的视觉内容？为此，我们提出 Robust-U1，一种赋予 MLLMs 显式视觉自恢复能力以实现鲁棒理解的新框架。

Jiaqi Tang原文

FORT-Searcher: 合成抗捷径搜索任务以训练深度搜索代理

训练深度搜索代理需要可验证的问题，其答案直到通过搜索获取足够证据后才可获得。现有合成方法常通过丰富图结构来增加表观难度，但结构复杂并不能保证实现搜索难度：预期的搜索过程可能通过更廉价的识别路径坍塌。本文用捷径感知难度框架形式化这一差距，并识别出四种可操作的捷径风险：证据共覆盖、单线索选择性、暴露常量、先验知识绑定。

Jia Deng原文

LabVLA: 在科学实验室中落地视觉-语言-动作模型

科学实验室日益依赖AI系统进行实验推理，但物理操作仍主要由人类完成。Vision-Language-Action (VLA) 模型为书面协议与机器人执行之间提供了接口，但现有策略多基于家庭和桌面演示训练，很少涉及实验室中的仪器、透明液体或固定协议流程。为弥补这一差距，我们聚焦数据和具身两大瓶颈。

Baochang Ren原文

VIA-SD: 通过模型内部路由进行投机解码的验证

投机解码 (Speculative Decoding, SD) 通过轻量级草稿模型生成候选词，并由大型验证器并行验证，从而降低大语言模型的高推理成本。现有草稿-验证方法采用二元决策：接受或完全重新计算。

Yuchen Xian原文

从二维网格到一维Token：改革多模态图像融合的共享表示

多模态图像融合旨在整合不同模态的互补信息，生成既保留丰富局部细节又保持全局一致外观的融合图像。现有方法在2D特征网格上构建共享表示，擅长建模局部结构，但对图像级全局外观因素的控制有限。为平衡局部与全局目标，我们引入基于冻结预训练图像分词器的紧凑一维Token接口，用于建模非局部外观因素。

Yuchen Xian原文

EurekAgent: 智能体环境工程是自主科学发现的全部所需

基于大语言模型的智能体在自动化科学发现方面展现出越来越大的潜力。给定一个可优化的度量和执行环境，它们能够提出、验证并迭代科学解决方案，并且已经产生了超越人类设计方法的结果。随着模型能力的不断提升，我们认为自主科学发现的瓶颈正从规定智能体工作流转向设计智能体环境：即塑造智能体行为的资源、约束和接口。

Amy Xin原文

HYDRA-X: 原生统一多模态模型与整体视觉分词器

整体视觉分词器是统一多模态模型 (UMM) 的基础，能将多样视觉输入映射到统一表示空间。本文提出 HYDRA-X，首个在单个 Vision Transformer 中统一图像和视频分词化的 UMM。设计面临两大核心挑战： 1. 高效向原生 ViT 注入时空重建能力； 2. 将图像级和视频级语义意识嵌入潜空间。

Guozhen Zhang原文

N-GRPO: 嵌入级邻居混合用于增强策略优化

大型语言模型在数学推理中的成功高度依赖于生成多样化且有效的解题路径。然而，当前的展开技术面临一个根本性权衡：token级采样往往产生仅措辞不同的冗余轨迹，而利用随机噪声的嵌入级方法则经常破坏语义一致性。为解决此问题，我们提出N-GRPO，一种集成在Group Relative Policy Optimization (GRPO)框架中的新型探索策略。

Xukun Zhu原文

揭示隐状态循环：基于在线策略强化学习的可切换潜在推理

潜在思维链（latent chain-of-thought）通过用连续的隐状态循环替代可见推理迹来压缩推理，但现有形式难以用标准在线策略强化学习（on-policy RL）优化，且缺乏因果可解释性。我们的核心洞察是：一对显式的边界令牌可同时解决这两个问题：离散的进入和退出锚点使潜在模块与标准在线策略 RL 兼容，同时为机制分析提供了自然支点。

Jiayu Yang原文

VideoMDM：从2D监督走向3D人体运动生成

我们提出 VideoMDM，一种基于扩散的框架，可直接从单目视频中提取的精确2D姿态训练3D人体运动先验，无需任何3D真值。预训练的 2D-to-3D lifter 提供近似3D姿态序列作为有噪教师：这些序列被扩散，模型在3D空间中去噪，并通过重投影预测结果并与精确关键点比较，在2D空间进行监督。

Amir Mann原文

哪里、什么、为什么及重要性：面向文本到图像反馈的结构化缺陷定位

尽管文本到图像（T2I）模型生成的图像越来越逼真，但仍存在局部、细微且结构复杂的失败。诊断这些失败需要实例级反馈，回答缺陷发生在哪里、是什么类型、为什么有缺陷，以及它对整体图像质量的重要性。近期密集反馈方法虽超越了标量监督，但其热力图中心表示仍将诊断建模为像素场回归，难以定位可变数量的缺陷，也无法将语义原因绑定到单个失败上。

Huaisong Zhang原文

MoVerse: 实时视频世界建模与全景高斯脚手架

从单个窄视场图像创建可交互漫游的场景极具挑战性，因为输入仅覆盖环境极小部分，而交互式漫游需要完整的周围世界、持久的几何结构、可控的相机运动以及时间连贯的高保真观测。 MoVerse 通过将世界构建与观测渲染分离来解决该问题。首先，利用拓扑感知扩散将输入扩展为重力对齐的 360° 全景图，在3D推理前填补缺失视场。

Yang Zhou原文

TreeSeeker: 深度搜索中树状结构的试探、错误与回溯

深度搜索要求智能体通过多步网络搜索、浏览、证据比较与综合来回答复杂问题。核心挑战在于：当多个方向看似可行但仅部分后续能产生可靠证据时，如何决定搜索路径。若智能体贪心地沿当前最佳方向推进，可能持续延伸薄弱分支；若无纪律地探索，则会浪费预算在无关联的尝试上。为此，我们提出 TreeSeeker，一个用于深度搜索中受控试探与错误的推理时框架。

Zhuofan Shi原文

HarnessBridge：用于LLM Agent Harness的可学习双向控制器

大型语言模型越来越多地被部署为智能体以执行长周期任务，然而其性能不仅受模型能力和环境设计影响，还受调节智能体-环境交互的 harness（控制框架）影响。现有 harness 主要依靠人工设计，随着轨迹变长和交互复杂化，难以扩展。我们提出 HarnessBridge，一个轻量级可学习 harness 控制器，它将智能体-环境接口参数化为双向投影。

Xiaoxuan Wang原文

动态

Tibo发现Codex并欢迎提问

嗨，我是Tibo，我刚发现了Codex。AMA

Tibo原文

马斯克分享AI在企业中最鼓舞人心的正和愿景

这是最鼓舞人心的企业AI正和愿景。

Amjad Masad原文

用Codex为agent自动编写goal

我基本上不再自己写 /goal 了。我让 Codex 为它自己以及它生成的每个 agent 各写一个。像这样 👇 https://t.co/8ykoPJNLmC

Peter Steinberger 🦞原文

Codex 自主设定目标并构建代理工具，是元提示泛化

Codex 可以查看并设定自己的 /goal。我们构建的一切，也作为 agent 的工具。这是元提示（meta prompting）的泛化，即让 agent 根据你的意图自行设定任务。

Tibo原文

用户对比fable与GPT/Opus后感觉后者像GPT-3.5

使用fable几天后，再回到GPT 5.5/Opus 4.8，真的让这些模型感觉像在用GPT 3.5之类的

Siqi Chen原文

Hermes Agent 用 Manim 和 TTS 制作解释视频

让 Hermes Agent 使用 Manim 视频技能和 TTS 工具创建了一个解释 Hermes Agent 的视频。

Teknium 🪽原文

Hermes 现支持聊天机器人富文本格式

转推 @iamlukethedev: Hermes 现在支持这个了！游戏规则改变者！

Teknium 🪽原文

Anthropic AI高层飞往华盛顿解决Fable禁令

Axios报道，Anthropic AI的高级职员今天上午飞往华盛顿，与特朗普政府成员会面，试图解决Fable禁令。

Andrew Curran原文

Nadella提出Token资本概念，企业需构建AI能力学习循环。

微软 CEO Satya Nadella 发了一篇长文，提出了一个新概念：Token 资本。他的核心论点是，AI 时代每家公司都需要同时经营两种资本。一种是传统的人力资本，员工的知识、判断力、关系网络；另一种是 Token 资本，公司自己构建并拥有的 AI 能力。两者不是此消彼长的关系，人的判断力越强，Token 资本增长越快。

宝玉原文

Rio 3.5模型实为开源模型Nex N2 Pro的变体

Rio 3.5 模型本周引爆了互联网。剧情反转？它本质上是我们开源模型 Nex N2 Pro 换了个马甲。🤯 我们分析了权重，配方完全一致：Rio 3.5 ≈ 0.6 Nex N2 Pro + 0.4 Qwen 3.5。如果你在没有初始系统提示的情况下询问，它甚至会直接自我介绍为“Nex N2 Pro”！

Peter Steinberger 🦞原文

Yann LeCun警告美国AI封闭化将导致全球采用中国开源模型

这个丑陋的现实正盯着我们：美国人将拥有封闭的AI花园，我们得乞求几家东印度公司给予访问权限，开源将因国家安全理由被禁止，而60亿非美国人，即世界其他地区，将标准化使用中国的AI堆栈。臃肿、破碎、缓慢、丑陋。现在还有时间改变，但它正像流沙一样从指间滑过。读一读下面Bill Gurley的这段话，因为如果我们不迅速改变方向，这将成为我们可怕的现实。

Yann LeCun原文

天使投资相关推文

天使投资 👌 https://t.co/It3rSSRSdX

Lenny Rachitsky原文

LeCun评论Anthropic事件：种瓜得瓜

Yann LeCun (LeBased) 就 @AnthropicAI 的闹剧发表看法。我不得不说我完全同意Yann的看法。 "种瓜得瓜。" 👏 https://t.co/HFMEULwBGq

Yann LeCun原文

SpaceX计划部署AI轨道数据中心卫星，吸引台湾供应链

SpaceX的新计划到2027年底（年化）部署1GW的AI1轨道数据中心卫星，引发了台湾AI服务器供应商富士康、广达、纬创以及光通信供应商LandMark、华立捷等的高度兴趣。报道称，每颗AI1卫星大约相当于一台AI服务器机架，假设基于Nvidia GB300，每个机架消耗135kW，因此年化约为7400个AI服务器机架——为供应链合作伙伴带来强劲订单。

Andrew Curran原文