AI 日报 2026-06-19 · GLM-5、自改进代理、LoopCoder-v2

行业新闻

NVIDIA 加速 Google DeepMind 的 DiffusionGemma 以支持本地 AI

DiffusionGemma 通过并行生成文本块大幅降低延迟，NVIDIA 优化使其在消费级 GPU 上也能高效运行，推动本地 AI 应用发展。

Michael Fukuyama原文

Claude Fable 5 与 Claude Mythos 5 发布

Anthropic 发布两款专用模型，分别优化创意与推理，展示模型专业化趋势。

原文

V8.1 现已成为 Midjourney 的默认模型！

Midjourney 将 V8.1 设为默认模型，带来更强的指令遵循和文字渲染能力。

Caleb原文

9 个 Gemini Omni 和 Gemini 3.5 实战演示

Google 发布 Gemini Omni 和 Gemini 3.5，9 个演示视频展示多模态与推理能力升级。

Zahra Thompson Contributor The Keyword原文

回看 2026 Google I/O 大会的 12 个重要时刻

Google 发布新一代多模态模型兼轻量版，展示 AI 从底层到应用的全面提速。

Zahra Thompson Contributor The Keyword原文

Mistral 推出物理 AI：工程加速的基础

Mistral 发布能预测物理系统行为的 AI 模型，有望加速工程设计与硬件开发。

原文

TCS 和 Anthropic 合作，将 Claude 带入受监管行业

TCS 与 Anthropic 联手，为金融、医疗等受监管行业提供安全、合规的 Claude 部署方案。

原文

GridSFM：一个用于电网的新型小型基础模型

微软发布专为电网设计的小型基础模型，毫秒级预测最优潮流，提升运营效率并解锁成本节省。

Weiwei Yang, Andrea Britto Mattos Lima, Thiago Vallin Spina, Spencer Fowers, Baosen Zhang原文

Elicit 创始人详解世界模型在研究推理中的应用

本期讨论 Elicit 如何通过过程监督和世界模型，为科学研究构建可审查的推理工作流，以应对模型不透明性。

Erik Torenberg, Nathan Labenz原文

LongCat-Video-Avatar 1.5 正式开源：从高拟真到真可用

美团开源了商业级数字人视频模型，在唇形同步和稳定性上突破，让数字人视频生成从技术演示走向真实应用。

原文

Hands Free, AIs Forward: NVIDIA XR AI 将智能体带入 AR 眼镜

NVIDIA 推出 XR AI 框架公测版，让开发者能轻松为 AR 眼镜打造交互式多模态 AI 助手。

David Chu原文

GLM-5.2 发布，称世界顶级前端编码并引入 IndexShare 投机解码

智谱GLM-5.2以顶尖前端编码能力和IndexShare投机解码技术，再次刷新开源模型性能标杆。

原文

Hermes Agent：与你一同成长的智能体

Hermes Agent是一种通过递归学习自我改进的开源AI智能体，探讨了AI作为协作伙伴而非工具的未来。

Practical AI LLC原文

推理模型如何破解一个80年之久的数学难题 - 第20集

一场播客对话讲述了AI模型如何成功反驳一个存在80年的数学猜想，展示了通用模型在数学发现中的潜力。

原文

为什么 Netflix、Uber 和 Spotify 从不卡顿：那个没人谈论的数据库 | Aaron Katz

聊 ClickHouse 如何从 Yandex 内部工具变成 AI 公司的实时数据库，以及对代理时代基础设施的洞察。

原文

Speaking of Voxtral

Mistral AI 发布了开放权重的 Voxtral TTS 模型，主打快速、即插即用且声音逼真，推动语音 AI 应用落地。

原文

MiniCPM5-1B 发布

面壁智能发布 1B 参数端侧模型 MiniCPM5-1B，内置混合推理能力，在同尺寸开源模型中表现最优。

ZMXJJ原文

利用 MatterSim 推动材料 AI 进步：实验合成、更快的模拟及多任务模型

MatterSim发布多任务模型MatterSim-MT，可同时模拟多种材料性质，加速新材料的发现与合成。

Andrew Fowler, Claudio Zeni, Daniel Zügner, Fabian Thiemann, Robert Pinsler, Shoko Ueda, Kenji Takeda原文

SocialReasoning-Bench：衡量AI智能体是否以用户最佳利益行动

这篇研究揭示：当前AI智能体任务执行能力强，但缺乏真正的用户利益意识，即使得到明确指令也未必能做到。

Tyler Payne, Will Epperson, Safoora Yousefi, Zachary Huang, Gagan Bansal, Wenyue Hua, Maya Murad, Asli Celikyilmaz, Saleema Amershi原文

美团发布原生多模态 LongCat-Next：当视觉和语音成为AI的母语

美团开源原生多模态模型 LongCat-Next，融合视觉与语音理解，面向物理世界 AI 应用。

原文

开源项目

kilocode

开源编码代理平台，支持在 VS Code、JetBrains 和 CLI 中通过 AI 辅助编程、代码生成、自动完成和调试。亮点在于集成 500+ 模型（含 GPT-5.5、Claude Opus 等）且零加价，提供 Code/Plan/Ask/Debug/Review 多种专用 agent，支持中切换模型，并可通过命令行实现无人值守的 CI/CD 自主运行…

Kilo-Org原文

GLM-5

智谱AI推出的GLM-5系列开源大模型，包含GLM-5、5.1、5.2三个版本，参数规模744B（40B激活）。亮点是GLM-5.2支持1M token上下文，通过IndexShare稀疏注意力架构将长序列FLOPs降低2.9倍，编码和agentic任务性能接近Claude Opus 4.5，在SWE-bench等基准上领先其他开源模型。

zai-org原文

LTX-2

基于DiT架构的首个音频-视频生成基础模型，能够同步生成对齐的音频和视频内容。亮点在于将音频与视频生成整合到单一22B参数模型中，支持多种生成模式（文生视频、图生视频、音频生视频等），并提供了生产级的两阶段管道和LoRA微调工具，开源权重且可商用。

Lightricks原文

LibreTranslate

自托管的开源机器翻译 API，基于 Argos Translate 神经机器翻译引擎，无需依赖 Google、Azure 等第三方服务。适合需要在自有服务器上运行翻译服务、注重数据隐私或离线场景的用户。支持多种语言，提供 Web UI 和 REST API，部署简单。AGPL v3 许可证。

LibreTranslate原文

awesome-artificial-intelligence

聚焦 AI 工程实践的精选资源列表，按学习、构建、智能体、模型四大模块组织，涵盖书籍、课程、论文、框架和工具。亮点在于筛选标准严格（"must-use, actively maintained"），收录了大量最新热门工具如 PocketFlow、Google ADK、Cursor CLI 等，且每个模块都有简短解读，适合 AI 工程师快速定位实用资源。

owainlewis原文

论文

LoopCoder-v2: 仅循环一次实现高效测试时计算扩展

Looped Transformers 通过重复应用共享块来扩展潜在计算，但顺序循环会随循环次数增加延迟和 KV-cache 内存。并行循环 Transformer (PLT) 通过交叉循环位置偏移 (CLP) 和共享-KV 门控滑动窗口注意力缓解了此成本，使循环次数成为实用的设计选择。

Jian Yang原文

Learning from the Self-future: On-policy Self-distillation for dLLMs

在线策略自蒸馏（OPSD）已被证明对后训练大语言模型（LLMs）有效，但其在扩散语言模型（dLLMs）上的应用尚未被探索。现有的OPSD方法本质上是自回归中心的，通过从左到右的前缀条件化与token级差异监督注入特权信息，这与dLLMs的任意顺序生成模式根本冲突。我们提出 d-OPSD，首个针对dLLMs量身定制的OPSD框架。

Yifu Luo原文

Zone of Proximal Policy Optimization: 教师于提示而非梯度

知识蒸馏将教师模型的能力迁移至小型学生模型，但在小模型场景下脆弱：强制学生模仿更大教师的 logits 会使其聚焦于教师最尖锐的模式，损害训练语料外基准测试的泛化能力。强化学习 (RL) 通过基于学生自身轨迹训练避免了 logit 模仿，但当所有轨迹均失败（产生零优势且被静默丢弃）时，将更强教师的响应注入策略梯度会破坏在线策略假设并导致偏移。

Byung-Kwan Lee原文

ACE-Ego-0: 统一第一人称人类与机器人数据用于VLA预训练

视觉-语言-动作 (VLA) 模型受益于大规模、多样化的具身数据，但收集机器人轨迹成本高昂且劳动密集。近期进展表明，大规模第一人称人类视频在预训练中提供了互补的真实世界监督。然而，由于动作空间、具身结构、时间动态和监督质量的差异，联合训练人类和机器人数据仍然具有挑战性。我们提出 ACE-EGO-0，一个统一的 VLA 预训练框架，联合利用异构数据源。

Hao Li原文

GameCraft-Bench: 智能体能否在真实游戏引擎中端到端构建可玩游戏？

游戏生成是编码智能体的新兴应用，要求模型将自然语言规约转化为可玩的交互式系统。与传统的编码任务不同，游戏生成发生在游戏引擎中，脚本、场景、资产、渲染和运行时交互必须协同产生连贯的游戏体验。我们将端到端游戏生成形式化为生成完整游戏制品的问题，该制品通过在目标环境中可观测的玩家-游戏交互来实现规约。

Tongxu Luo原文

LectūraAgents: 自适应个性化人工智能辅助学习与具身教学的多智能体框架

现有的人工智能辅助学习系统在生成个性化教学内容方面取得进展，但往往缺乏针对个体学习者的多模态和具身教学方法，难以动态适应多样化的学习者。为此，本文提出LectūraAgents——一个多智能体框架，通过端到端自适应具身教学实现个性化学习。

Jaward Sesay原文

TRIAGE：基于大语言模型的不规则采样医学时间序列的可解释风险预测的辩证推理

基于电子健康记录的临床预警系统，其中临床观测记录为不规则采样医学时间序列(ISMTS)，需要提供校准的风险评分供患者分诊，并给出 clinicians 可验证的可解释推理。大语言模型已被探索用于此任务，但会将分级临床风险坍缩为过度自信的二元预测，这种风险极化破坏了校准性和跨患者可比性。

Hyeongwon Jang原文

OPD-Evolver: 通过在线策略蒸馏培养整体智能体演化器

记忆已成为自演化智能体的标准基础组件，但保留经验并不等同于学会如何通过经验进行演化。现有记忆智能体能够存储轨迹、检索反思或积累技能，但通常缺乏整体能力以选择有用经验、据此行动、编写可复用知识并维护不断增长的仓库。我们提出 OPD-Evolver，一种慢-快协同演化框架，通过在线策略自蒸馏培养这样的智能体演化器。

Guibin Zhang原文

展示信号，隐藏噪声：面向像素空间扩散的 Spectral Forcing

像素空间扩散模型在全带宽噪声图像上进行训练，但去噪器可用的信号存在强烈的频率依赖。在整流流扩散和自然图像幂律谱下，每个时刻 t 的每频带数据-噪声等高线 k^{}(t) = (1-t)^{-2/α} 将信号主导的低频区域与噪声主导的高频区域分开。

Weichen Fan原文

Text-Vision 联合指令图像编辑

现有图像编辑方法主要分为文本指令驱动和视觉提示驱动两类。文本指令语义表达能力强，但空间控制粒度粗；视觉提示（如拖拽、点击）能提供精确空间引导，但语义意图模糊。为统一两者优势，我们提出 Text-Vision Co-Instructed Image Editing，将文本指令作为语义意图、稀疏视觉指令作为空间引导联合建模，实现精确且忠实于意图的图像操控。

Chenxi Xie原文

统一多模态自回归建模：共享上下文-视觉分词器是关键

统一多模态建模旨在将视觉理解与生成集成到单一系统中。然而，现有方法通常依赖两个不同的视觉分词器，导致表示空间分裂，阻碍了真正的统一建模。我们提出 UniAR ，一个统一自回归框架，其中单个离散视觉分词器作为理解与生成之间的关键桥梁，使模型能够直接解释自身生成的视觉token，而无需额外重编码。

Wujian Peng原文

重新思考高效注意力在混合架构中的作用

现代语言模型越来越多地采用混合架构，将 full attention 与 efficient attention modules（如 sliding-window attention (SWA) 和 recurrent sequence mixers）相结合。然而，这些高效模块如何塑造模型能力仍不明确。

Ziqing Qiao原文

自进化Visual Questioner

视觉语言模型（VLM）通常被训练为被动的回答者，而其主动提出多样化、非平凡、以视觉为中心且有依据的问题的能力尚未被充分探索。现有视觉提问器的性能受限于高质量训练数据的可用性或整理成本。我们证明，VLM可以在无需任何外部监督的情况下，作为视觉提问器持续自我改进。

Yijun Liang原文

EgoCS-400K: 用于世界模型的以自我为中心的游戏数据集

从视频生成到交互式世界建模的转变对数据提出了新的要求：除了带字幕的视频外，世界模型还需要时间对齐的视频-动作-语言轨迹，这些轨迹基于驱动未来场景变化的动作、相机运动、状态和事件。然而，大规模获取此类数据很困难。网络视频数据集提供广泛的视觉覆盖，但缺乏可执行的动作和可靠的状态；机器人数据集提供动作和状态监督，但成本高且场景多样性有限；

Rongjin Guo原文

可变宽度Transformer

缩放模型规模（特别是深度和宽度）推动了基于Transformer的语言模型的显著进步。然而，大多数架构在所有层中保持恒定宽度，尽管不同层可能扮演不同的计算角色，但仍均匀分配固定参数和计算预算。本文通过提出一种×形架构，实证研究跨网络深度的非均匀容量分配。该设计保持较宽的早期和晚期层，同时收窄中间层，并利用无参数残差缩放机制。

Zhaofeng Wu原文

DR-DCI: 通过动态工作空间扩展扩展直接语料库交互

针对大规模语料库的智能体搜索传统依赖检索中介接口（如 BM25 或 ColBERT）进行可扩展候选发现。这些接口虽能有效排序相关文档，但仅以排名结果或受限文档视图呈现证据，限制了智能体重新组织素材和跨文档验证约束的能力。

Yi Lu原文

Looped World Models

当前世界模型面临一个基本矛盾：忠实的长程模拟需要深度计算，但深层模型部署成本高且容易产生累积误差。我们通过引入 Looped World Models (LoopWM) 来解决这一问题，这是首个用于世界建模的循环架构。我们的方法通过一个参数共享的 transformer 块迭代地精炼潜在环境状态。

Hongyuan Adam Lu原文

RefGC-SR^2: 参考引导的生成内容超分辨率与精炼

当前参考引导生成（如对象合成、定制化）快速发展，但现有流程存在根本局限：用户提供的高分辨率参考图像（HRRI）被降采样到固定低分辨率后才送入模型，导致精细细节在生成前即丢失。此外，生成步骤本身会引入生成伪影（如身份扭曲）。现有参考引导生成内容精炼（RefGCR）方法可修正部分伪影，但仍工作在低分辨率域；

Jeahun Sung原文

ChLogic: 评估中文表达逻辑推理的鲁棒性

大语言模型在标准化逻辑推理基准上表现日益提升，但这种能力在非英语环境下是否依然稳健尚不明确。我们提出 ChLogic，一个英汉对齐的基准，旨在测试当相同潜在逻辑结构分别以英语和多种中文表层实现形式表达时，模型能否保持推理性能。基于形式化逻辑模板构建，该基准包含三个数据集：(i) General 对齐集，源自 9 个模板家族的 60 条通用命题；

Peixian Zhou原文

RLVR 稳定性的梯度视角与 Winner Advantage 策略优化

可验证奖励强化学习 (RLVR) 通过 token 级梯度动力学分析训练不稳定性，揭示其与 GRPO-style 优化中优势符号及当前策略下 token 分布的联合依赖关系。基于此，提出 Winner Advantage 策略优化 (WAPO)，一种简洁的在线裁剪策略梯度目标，仅更新正优势完成序列。

Prasanth YSS原文

行业新闻

热门产品

开源项目

论文

动态