AI 日报 2026-06-18 · Self-Improving Agent、DreamX-World、VibeThinker-3B

开源项目

codebase-memory-mcp

为 AI 编码 agent 打造的高性能代码智能 MCP 服务器，通过知识图索引代码库，支持 158 种语言和 Hybrid LSP 语义解析。亮点在于极端索引速度（Linux 内核 3 分钟）、单静态二进制零依赖、开箱即用对接 11 种 coding agent，且全部本地处理无数据泄漏。研究向，非生产环境使用建议参考 arXiv 论文。

DeusData原文

OpenMontage

首个开源智能体视频制作系统，将AI编程助手变为完整视频工作室。通过12条流水线、52个工具和500+智能体技能，支持从研究、脚本、资产生成到编辑渲染的全流程。亮点在于支持真实镜头素材与AI生成混合，成本极低（如$0.15制作Ghibli风格动画），且无供应商锁定。研究向，非商业建议。

calesthio原文

timesfm

Google Research开发的时间序列基础模型，基于decoder-only架构预训练，专攻时间序列预测。最新2.5版参数降至200M，支持16k上下文和连续分位数预测，提供PyTorch/Flax双后端，并集成了LoRA微调示例。适合金融、气象等场景的时序预测，代码和权重完全开源。

google-research原文

continue

开源的 coding agent，以 VS Code 扩展、JetBrains 插件和 CLI 形式提供，支持多模型集成和自定义规则。虽然主仓库已停止维护（只读），但作为早期探索 AI 代码助手的项目，其架构和插件系统对自建 coding agent 仍有参考价值。

continuedev原文

rlm

递归语言模型（RLM）推理库，提供超长上下文处理的即插即用方案，支持通过递归子调用拓展LLM上下文窗口。亮点在于其灵活的REPL沙箱设计（本地/Docker/Modal等）和与DSPy、Ax等生态的集成，同时内置RL训练环境，方便用户定制RLM模型。

alexzhang13原文

论文

JoyAI-VL-Interaction: 实时视觉-语言交互智能

许多真实世界场景不等待用户提问。安全监控中的火情、视频通话中一闪而过的表情、直播中观众想要的商品——这些瞬间稍纵即逝。然而，当前大模型大多仍是回合制设计：它们仅在用户召唤时才回应，即使是看似交互的视频通话应用，本质仍是问答系统，仅在轮询或提示时做出反应。我们提出一种不同的范式：模型应如人类般存在于世界中。

Dingyu Yao原文

Data Journalist Agent：将数据转化为可验证的多模态故事

数据讲述着塑造社会的故事，而数据记者的任务是将原始信息转化为非专家也能信任的故事。一篇高质量的新闻特写需要一个新闻团队数周时间：寻找背景、运行统计、选择角度、设计视觉。现有的智能体能够很好地处理单个步骤：数据科学智能体可以闭合分析循环，设计智能体则能合成漂亮的网站。但是，能否有一个智能体从头到尾扮演数据记者的角色？

Kevin Qinghong Lin原文

DreamX-World 1.0: 通用交互式世界模型

DreamX-World 1.0 是一个通用的交互式文本/图像到视频世界模型，支持可控的长视界生成。它能够实现相机导航、重新访问先前观察过的区域，以及跨照片级真实、游戏风格和风格化领域的可提示事件。我们的数据引擎结合了相机精确的 Unreal Engine 渲染、富含动作的游戏录制以及带有恢复相机几何的真实世界视频。

DreamX Team原文

Geometric Action Model 用于机器人策略学习

通用机器人策略必须遵循用户指令，同时推理物体、相机和机器人动作在3D物理世界中的交互方式。最近的视觉-语言-动作模型（VLAs）和视频世界-动作模型（WAMs）从大规模基础模型中继承了强大的语义或时间先验，但它们仍然主要操作在2D图像帧或2D导出的潜在空间上，隐式地忽略了接触丰富操作所需的3D几何信息。

Jisang Han原文

FastContext: 训练高效的仓库探索器用于编程智能体

大型语言模型（LLM）编程智能体在软件工程任务上取得了显著成果，但仓库探索仍是主要瓶颈：定位相关代码消耗大量令牌预算，并用无关片段污染智能体的上下文。在大多数智能体中，同一模型既探索仓库又解决任务，将探索性读取和搜索留在求解器的历史记录中。我们提出FastContext，一种专用的探索子智能体，将仓库探索与求解分离。

Shaoqiu Zhang原文

Ling and Ring 2.6 技术报告：高效即时的万亿参数规模智能体智能

高效、可扩展的智能体智能需要模型既能提供低延迟响应，又具备强大的推理能力，同时保持训练、服务和部署的实用性。本报告提出 Ling-2.6 和 Ring-2.6 模型族，旨在规模化应对这一挑战。Ling-2.6 优化即时响应生成和每输出 token 的高能力，而 Ring-2.6 专注于更深度的推理和更高级的智能体工作流。

Ang Li原文

VibeThinker-3B: 探索小型语言模型中可验证推理的前沿

本技术报告介绍了 VibeThinker-3B，一个 3B 参数的紧凑型稠密模型，旨在严格的小模型条件下探究可验证推理能够达到何种程度。基于 Spectrum-to-Signal 后训练范式，我们通过优化流水线系统性地增强模型，包括基于课程的监督微调、多域强化学习和离线自蒸馏。

Sen Xu原文

BRDFusion: 物理与生成相结合用于城市场景逆渲染

从捕获视频中逆渲染城市场景能够支持众多应用，包括内容创建和自动驾驶模拟。基于物理的渲染方法遵循并控制光照物理，但存在重建和渲染伪影。而生成模型能生成逼真的视频，但一致性和可控性有限。我们提出 BRDFusion，一个统一框架，结合了两种互补模型用于逆渲染和正渲染。具体来说，BRDFusion 通过物理建模恢复显式、一致的场景属性，并利用生成先验缓解优化歧义。

Yi-Ruei Liu原文

现在谁应该主导解码？为集成掩码扩散语言模型追踪可靠轨迹

掩码扩散语言模型（MDLMs）已成为序列生成的一种独特范式。随着 MDLMs 在能力和知识覆盖上日趋多样化，如何整合它们知识成为关键问题。为此，我们首先研究了 MDLMs 独特的解码动态，发现成功生成在答案相关位置上表现出稳定的置信度动态，而不可靠轨迹常可通过注入其他模型的中间状态来纠正。

Heecheol Yun原文

VisualClaw：面向物理世界的实时个性化智能体

视觉语言模型正成为复杂多模态任务的通用接口，但其部署仍面临三大差距：处理密集视频帧和长提示时的高延迟与成本、部署后智能体框架的静态性、以及标准视频QA基准无法测试智能体在工具使用工作区中利用视觉证据的能力。

Haoqin Tu原文

Qwen-RobotWorld 技术报告：通过语言条件视频生成统一具身世界建模

我们提出 Qwen-RobotWorld，一个用于具身智能的语言条件视频世界模型。以自然语言作为统一动作接口，该模型从当前观测中预测物理上合理的未来视觉轨迹，涵盖机器人操作、自动驾驶、室内导航和人到机器人迁移。这一统一框架提供了三个有前景的应用方向：用于策略训练增强的合成数据生成、可扩展的虚拟环境用于策略评估，以及用于下游机器人控制的语言引导规划信号。

Jie Zhang原文

OneRank: 统一的多任务推荐 Transformer 原生排序架构

多任务学习 (Multi-task Learning, MTL) 在推荐系统中至关重要，能够实现不同用户反馈之间的互补学习。尽管现代工业实践已从 DNN 转向以 Transformer 为中心架构以增强序列建模与扩展能力，但现有方案仍将特征编码与多任务预测解耦，将 Transformer 视为任务无关编码器。

Jiakai Tang原文

BadWorld: 对世界模型的对抗攻击

视觉世界模型（VWMs）能从单一上下文图像合成交互式、受动作影响的前瞻轨迹。然而，这些模型对对抗性扰动的鲁棒性仍是待解问题。标准对抗攻击无法评估此弱点，因为攻击者缺乏真实未来视频且无法预测后续用户控制。我们提出 BadWorld，一种专为自回归 VWMs 设计的无标签对抗框架，系统性地克服上述限制。

Linghui Shen原文

MVEB：大规模视频嵌入基准测试

我们提出了MVEB（Massive Video Embedding Benchmark，这是一个包含23个任务的视频嵌入基准测试，涵盖分类、零样本分类、聚类、配对分类、检索和以视频为中心的问答。评估了33个模型，发现没有单一模型占据主导地位：基于MLLM的嵌入在分类、聚类、配对分类和问答上领先；多模态绑定在检索和零样本分类上领先；

Adnan El Assadi原文

Memento: 通过重建记忆实现一致的长视频生成

长视频生成要求重复出现的主体在不同镜头、视角、动作和场景转换中保持一致。现有的时间分解方法通过逐镜头生成视频来提高可扩展性，但主要关注于优化合理的下一镜头延续，而未验证历史记忆是否保留了主体身份的关键证据。因此，随着生成的进行，重复主体可能被稀释、覆盖或遗忘。

Xuan Wei原文

SP^3: 面向即插即用复原的球面先验

SP^3 是一种新型即插即用 (Plug-and-Play) 算法，通过将去噪器替换为球面编码器 (Spherical Encoders, SE) 作为生成先验，加速了最大后验图像复原。SP^3 利用 SE 高度结构化的潜在空间作为鲁棒投影到自然图像流形的操作，来近似难解的近端先验步骤。

Sean Man原文

TokenPilot: 面向 LLM Agent 的缓存高效上下文管理

随着 LLM agent 被部署在长周期会话中，上下文累积导致推理成本飙升。现有方法通过文本剪枝或动态内存驱逐来最小化 token 足迹，但其无约束的序列突变会改变布局，引入前缀不匹配和缓存失效。这揭示了文本稀疏性与 prompt cache 连续性之间的关键权衡。为此，我们提出 TokenPilot，一种双向粒度上下文管理框架。

Buqiang Xu原文

CODA-BENCH：代码智能体能否处理数据密集型任务？

现有基准通常孤立评估代码或数据能力，与真实开发场景存在差距。为弥合这一差距，本文提出CODA-BENCH，首个在数据密集型环境中联合评估代码与数据智能的基准。基于Kaggle生态系统构建数据密集型Linux沙箱，包含数百个数据集。智能体必须主动探索复杂文件层次以定位相关资源，并生成代码完成数据驱动的分析任务。

Yuxin Zhang原文

GD^2PO: Mitigating Multi-Reward Conflicts via Group-Dynamic reward-Decoupled Policy Optimization

随着大型语言模型（LLMs）的进步，后训练强化学习（RL）越来越依赖多维奖励来培养综合能力。这要求新算法能够同时优化多样且可能相互竞争的目标。现有方法如 Group reward-Decoupled Policy Optimization (GDPO) 将总体得分分解为独立奖励组，然后分别计算每组 RL 损失。

Haotian Liu原文

哪里出错了？基于语义状态跟踪的Web智能体过程级评估

现有 Web 智能体评测仅关注终端成功率，忽略了长交互序列中的过程信息，难以指导改进。本文提出 WebStep 基准，包含 1,800 个任务实例，通过语义 MDP 自动追踪状态，实现细粒度过程分析。实验发现：三个终端成功率相近（31-33%）的智能体在探索覆盖与执行准确率上差异显著。

Jiwan Chung原文

热门产品

开源项目

论文

动态