AI 日报 2026-06-17 · Graph Memory、APPO、Persistent AI

开源项目

zvec

轻量级进程内向量数据库，由阿里巴巴开源，主打毫秒级检索亿级向量，支持密集/稀疏向量、全文搜索和混合查询。亮点是内嵌式架构无需独立部署，零配置即可用，性能在阿里内部大规模场景验证，近期新增DiskANN索引和多种语言SDK。Apache 2.0开源。

alibaba原文

论文

OmniDirector: 无需交叉配对数据的一般性多镜头相机克隆

从参考视频中克隆相机运动是视频生成中的重要任务，因为视频能提供直观且精确的控制。现有方法要么直接使用参数化表示，无法处理多镜头生成；要么合成交叉配对数据，却受限于数据稀缺，导致复杂相机运动克隆效果不佳。为应对这些挑战，本文提出一种通用的相机运动表示——相机网格（camera grid），将相机参数编码为网格运动视频。该表示支持多镜头视频生成中不同轨迹的整合。

Jiwen Liu原文

APPO: Agentic Procedural Policy Optimization

近年来，智能体强化学习（RL）的进展显著提升了大型语言模型智能体的多轮工具使用能力。然而，现有方法大多在粗粒度的启发式单元（如工具调用边界或固定工作流）上进行信用分配，难以识别哪些中间决策影响下游结果。本文从两个角度研究智能体RL：分支位置和分支后信用分配。

Xucong Wang原文

记忆是重构的，而非检索的：面向 LLM Agent 的图记忆

尽管近期取得了进展，LLM agent 仍难以对长交互历史进行推理。现有记忆增强 agent 依赖静态的检索-推理 (retrieve-then-reason) 范式，这种刚性流水线设计阻碍了 agent 根据推理过程中发现的中间证据动态调整记忆访问。

Shuo Ji原文

From Chatbot 到 Digital Colleague：迈向持久自主 AI 的范式转变

大语言模型（LLMs）正经历从对话生成器到集成 AI 系统的根本性转变，这些系统具备推理、行动、记忆和自我改进能力。我们将这一过渡概念化为从 Chatbot 到 Digital Colleague 的转变：从对话式答案到持久工作。这一转变沿着两个紧密耦合的维度展开。

Yongheng Zhang原文

Orchestra-o1: 全模态智能体编排

现有智能体编排框架仅支持有限模态，难以应对文本、图像、音频、视频等异构模态共存与交互的全模态场景。本文提出 Orchestra-o1，一种全模态智能体编排框架，通过统一编排机制实现模态感知的任务分解、在线子智能体专业化及并行子任务执行。该方法可扩展至复杂真实任务，在 OmniGAIA 基准上准确率超越第二名 10.3%。

Fan Zhang原文

HarnessX: 可组合、自适应、可进化的 Agent Harness Foundry

AI 代理的性能关键取决于runtime harness，包括提示、工具、记忆和控制流，它们中介模型如何观察、推理和行动。然而，当前的 harness 大部分是手工制作且静态的：每个新模型或新任务仍需定制化搭建，执行过程中产生的丰富轨迹也很少被系统性地用于改进。

Tingyang Chen原文

重新思考长视频中的 RAG：检索什么以及如何使用？

检索增强生成（RAG）正从文本扩展到长、自我中心视频，系统需要跨多个模态和时间粒度选择查询相关片段。然而，视频 RAG（VideoRAG）的进展受限于两个不足：现有基准允许不依赖视频回答问题，模糊了检索错误；先前方法对每个查询使用单一模态-粒度配置，忽略了片段级变异性。

Yuho Lee原文

OmniVideo-100K: 通过结构化脚本和证据链进行音视频推理的数据集

当前自动化音视频问答（QA）管线普遍采用“视频-字幕-QA”范式，但该方法将视频分割为短片段并分别生成音频与视觉模态描述。这种解耦处理割裂了声音与视觉源的固有关联，且独立片段处理常导致同一实体跨片段描述不一致。此外，将长文本理解与QA合成耦合在单一步骤中，往往使模型局限于局部事件，生成的问答缺乏长期时间连接与深层跨模态推理。

Xinyue Cai原文

从 AGI 到 ASI

过去十年，构建人类级人工通用智能 (AGI) 已从遥不可及的设想变为许多大型 AI 组织的具体目标。实现这一目标将对人类社会产生深远影响，引发大量复杂问题。本报告探讨在机器智能连续体中，AI 在后 AGI 世界中如何继续发展。

Tim Genewein原文

较小模型是 GRPO 中策略级多样性的天然探索者

本文在 GRPO（Group Relative Policy Optimization）中发现了一个提升 rollout 多样性的新维度。现有策略主要通过增加 token 级随机性来提升多样性，但这可能引入逐步噪声并导致轨迹不连贯。我们观察到，同一模型族中的较小模型天然具有更高的策略级多样性，表现为随样本数增加时，其 pass@k 优于较大模型。

Yiming Ren原文

测量LLMs在误导性医疗语境下的认知鲁棒性

大型语言模型(LLMs)在医学考试中已达专家级水平，鼓励了高分即安全判断的假设，而患者日益依赖其健康建议。我们证明此假设脆弱：当向LLMs原本正确回答的问题注入误导性语境时，它们放弃了正确答案。我们将对抗语境下保持正确判断的能力定义为认知鲁棒性，并引入MedMisBench进行测量。

Hongjian Zhou原文

RedAct：编辑智能体能力轨迹以保护程序技能

用户依赖执行轨迹来观察智能体行为、诊断故障并确保问责。这些轨迹包含丰富的过程细节，包括工具调用、中间决策和错误恢复逻辑。然而，这些细节可能暴露私有的程序技能，使得下游方法能够在不访问模型权重或技能文件的情况下恢复关键公式、阈值和策略。

Shuwen Xu原文

跳过还是循环？学习 LLMs 中的 Program-of-Layers

大型语言模型 (LLMs) 通常按照固定的深度和顺序、非循环地执行所有层进行推理。我们揭示了训练无关、灵活、动态的 Program-of-Layers (PoLar) 广泛存在：预训练层可作为模块打包，然后跳过或循环，为每个输入形成定制化程序。对于大多数输入，显著缩短的程序执行可以达成相同或更高的准确率，而原始 LLM 的错误预测可通过更少层的替代程序纠正。

Ziyue Li原文

Pythagoras-Prover: 通过增强型 Lean 形式化推进高效形式化证明

现代 Lean 定理证明器仅在大量训练和推理计算下才能实现强性能，部分原因是已验证的证明数据稀缺以及形式化证明搜索的长推理轨迹，使得监督微调 (SFT) 和采样成本高昂。我们提出 Pythagoras-Prover，一个面向实际计算预算的计算高效的开源 Lean 定理证明器系列。

Joshua Ong Jun Leang原文

RepFusion: 利用多模态先验在表示空间中进行去噪

大型语言模型（LLM）广泛应用于文本到图像（T2I）系统，但通常仅用于文本编码，去噪任务由新训练生成骨干网络处理。表示自编码器（RAE）的出现将生成目标转向语义结构化的视觉表示，创建了与预训练LLM先验更兼容的潜在空间。

Xichen Pan原文

LLM智能体能够视觉化理解代码仓库

基于大语言模型（LLM）的编码智能体在软件工程任务中表现出色。然而，大多数智能体几乎完全将代码仓库视为文本处理，这与人类开发者利用文件夹层次结构、依赖关系等视觉结构在大型代码库中定位自己的方式不同。随着多模态大语言模型（MLLM）的出现，一个开放问题是：智能体能否有效利用代码仓库的视觉表示？

Dongjian Ma原文

iMac: 将动作转化为运动和接触图像用于具身世界模型

具身世界模型已成为视觉机器人决策和交互环境模拟的关键范式。然而，传统具身框架依赖于低维结构化的动作向量（如关节角度和末端执行器位姿），存在表达力有限、跨不同具身体泛化能力差、以及对复杂物理交互的动态建模不自然等问题。

Zhenyu Wu原文

Hy-Embodied-0.5-VLA: 从 Vision-Language-Action 模型到真实世界机器人学习栈

本文提出 Hy-Embodied-0.5-VLA（简称 HyVLA-0.5），一个覆盖完整机器人学习栈的端到端系统。该栈包含五个关键阶段：数据收集、模型设计、继续预训练与有监督微调、RL 后训练以及真实世界部署。每个组件在系统中扮演独特角色：数据收集提供训练样本；模型设计定义网络架构；继续预训练与微调提升模型能力；RL 后训练通过强化学习优化策略；

He Zhang原文

无需隐藏提示！你仅通过演示层修改就能操纵 AI Peer Review

随着 AI 生成的评审从实验工具转向同行评审基础设施，多数鲁棒性关注集中在显式攻击上，如隐藏指令和提示注入。本文研究更困难且更具政策相关性的失败模式：无隐藏文本、无提示注入，且不改变方法、实验、图表、方程、证明或数值结果。攻击者仅修改演示层内容，如摘要、贡献框架、相关工作、讨论和叙事结构。

Xu Yang原文

Arbiter Agent: 持续监控多智能体对话以检测涌现的失调

随着基于多个语言模型智能体的AI系统日益普及，它们被共同用于决策：讨论、协商并执行共享任务。尽管单个智能体单独测试时表现良好，但交互过程中可能产生问题。本文提出 Arbiter，一个实时监控多智能体对话并识别失调参与者的智能体。Arbiter 在有限的 inspection budget 下运行，必须谨慎分配资源。

Filippo Tonini原文

动态

SpaceX行使期权收购Cursor AI，合作训练模型

SpaceX已行使期权，以全股票交易方式收购@cursorai，目标是构建世界上最有用的AI模型。过去几个月，SpaceXAI一直在与Cursor联合训练一个模型，该模型将很快在Cursor和Grok Build中发布。我们期待与Cursor团队紧密合作，推进前沿AI能力。

Andrew Curran原文

Cursor与SpaceX合作推进AI前沿

转推 @cursorai: 我们很高兴与SpaceX联手推进有用AI的前沿。期待Cursor很快有重大改进。

Lee Robinson原文

修复问题，24小时内重置Codex速率限制

这个问题已经修复了。你知道接下来会发生什么。给我们24小时来重置所有计划中的Codex速率限制。

Tibo原文

GLM-5.2在Design Arena排名第一，超越Claude Fable 5，开源权重。

重磅：GLM-5.2 现在在 Design Arena 排名第一。凭借 1360 的 Elo 分数，GLM-5.2 已经超越了目前无法使用的 Claude Fable 5。而且是开放权重。这是自 Design Arena 开始以来，在我们的代码类别中提升了 4 个名次和 27 个 Elo 分，达到了最高的 Elo 分数之一。

jason原文

Midjourney宣布首个硬件项目，6月17日发布

Midjourney将于明天（周三6月17日）太平洋时间下午6点宣布其首个硬件项目。敬请关注我们在旧金山举行的线下发布活动直播。如果你在本地并希望获得邀请，请在下方回复，我们只剩下几个名额。

Midjourney原文

Cursor预告新模型：尺寸与Claude/GPT相当，计算量大增，即将发布

在compile会议上预告了新的Cursor模型： - 与Claude opus和GPT 5.5相同规模 - 从头训练，不再基于kimi - 相比composer计算量提升10-20倍 - 通用智能，不仅限于编程 “未来几周内”发布 https://t.co/s8fzHa3E3O

Andrew Curran原文

宣布C轮融资1亿美元，继续自动化复杂电话

今天，我们宣布完成C轮融资，筹集了1亿美元，以继续自动化世界上最复杂的电话。我们找了某个叫Paul的家伙来谈论这件事，因为办公室里没别人愿意。🧵 https://t.co/AXXbC7YOun

AK原文

Codex用户出现高错误率，团队正在修复

注意。我们已注意到部分Codex用户遇到高错误率，提示“模型已满”，我们正在努力恢复稳定。 https://t.co/R3dCKGGtQw

Tibo原文

Cursor CEO谈编程语言向伪代码进化

Cursor首席执行官Michael Truell谈及写代码的未来："我们在Cursor的目标是发明一种新型编程。" "看起来这是一个世界，你对软件逻辑的表示更像英语。" "你可以想象编程语言向伪代码的进化。你写下软件的逻辑，并能在高层次上编辑它。" "它不会是难以理解的数百万行代码，而会是更简洁、更容易理解和导航的东西。

Lenny Rachitsky原文

Codex在欧洲推出新功能，包括计算机使用和Chrome扩展

本周，Codex将在欧洲更多地区推出。我们将为欧洲经济区、英国和瑞士的Codex用户带来计算机使用、Codex Chrome扩展、个性化记忆和Chronicle功能。 https://t.co/tsriEswcyY

Thomas Ricouard原文

Slack 现在渲染 HTML 附件

Slack 现在渲染 HTML 附件，而不仅仅显示为文本 😭🙏

Thariq原文

AI推理模型两年发展，Codex自主完成软件开发与数据管理

两年前，推理模型还不存在。GPT-4o和Sonnet 3.5是当时最先进的模型。一年前，最好的公开可用模型是o3，而99%的使用者（即OpenAI 7%客户中的99%）只是把它当作聊天机器人。今天（就在我打字的此刻），我让Codex为我构建了几款个性化软件并处理一个大规模数据管理项目。数据管理项目已经自主运行了近4天。

Andrew Curran原文

Cursor/Graphite 发布 Git 竞品 Origin，面向 agent 工作负载。

Cursor/Graphite 的 @TomasReimers 刚刚宣布了 Origin @cursorai 期待已久的 Git 竞品，可扩展用于 agent 工作负载，通过 API 和 MCP 进行扩展，内置了合并冲突和协同失败 agent 解决方案 https://t.co/zdbDKS7Ehx

Lee Robinson原文