AI 日报 2026-06-22 · GLM-5.2、系统提示泄露、轻量级图像修复

行业新闻

Qure.ai AI每年自主读取1500万张X光片，无人类介入

Qure.ai的AI已经大规模自主诊断X光片，大幅提升肺癌早期检出率，并预测AI将主导初级诊疗。

原文

MCPs 协议增强 Claude 和 ChatGPT 能力

MCPs 协议让 AI 工具像人类一样调用外部工具，性能远超传统 API。

原文

Dean Ball 加入 OpenAI 组建前沿 AI 政策团队

Dean Ball 加入 OpenAI，批评政策权集中，主张分散 AI 治理。

Erik Torenberg, Nathan Labenz原文

Midjourney 转向硬件，推出全身超声扫描仪

AI 图像公司 Midjourney 跨界做医疗硬件，揭示行业外溢与多元化趋势。

原文

开源项目

systempromptsleaks

各大AI模型的系统提示词泄露收集库，持续追踪并提取Claude、GPT、Gemini、Grok等最新模型的system prompt原文，甚至被华盛顿邮报专题报道。亮点在于更新频率高、覆盖面广（包括Codex、Copilot、Perplexity等），且提供版本间的diff对比，对理解模型行为边界和prompt engineering有直接参考价值。

asgeirtj原文

cognee

开源AI记忆平台，为LLM Agent提供跨会话持久化长期记忆，基于自托管知识图谱引擎。结合向量嵌入、图谱推理和认知科学，支持多种LLM后端，可本地部署或连接云端，并提供Claude Code插件让Agent自动捕获和同步记忆。亮点在于统一的数据摄取、图谱/向量混合检索、跨agent知识共享以及可审计的追踪能力。

topoteretes原文

论文

Moebius: 0.2B 轻量级图像修复框架，性能媲美 10B 级别

虽然 10B 级工业基础模型将图像修复的边界推向了新高度，但其高昂的计算成本严重阻碍了实际部署。构建高度优化的任务专用小型模型是一种有前景的解决方案，但极端的结构压缩不可避免地会引发严重的表示瓶颈。为攻克这一难题，我们提出 Moebius，一个高效的轻量级修复框架。

Kangsheng Duan原文

DragMesh-2: 精确物理拟真的灵巧手-物体交互与关节物体

关节物体的灵巧交互对家庭、辅助和人形操控至关重要，多指手能提供比平行爪抓取更柔顺的接触模式。然而，关节物体操控与静态物体不同：目标部件无法直接驱动，其运动必须通过持续的物理手-把手接触产生。这使从物体中心化关节生成到手驱动的灵巧手-物体交互的转变变得复杂，因为几何轨迹回放或开环执行无法建模移动关节部件所需的接触动力学。

Tianshan Zhang原文

Multi-LCB: 将 LiveCodeBench 扩展到多种编程语言

LiveCodeBench (LCB) 已成为评估大语言模型 (LLM) 代码生成能力的流行基准，但仅限 Python 语言，无法衡量 LLM 在真实软件工程中多语言场景的泛化能力。为弥补这一缺陷，我们提出 Multi-LCB，一个覆盖包括 Python 在内的 12 种编程语言的跨语言代码生成基准。

Maria Ivanova原文

趣味性自主机器人学习

当前自主机器人系统能够编写可执行的 Code-as-Policy 程序、观察反馈并在多次尝试中修正行为，但它们仍主要受任务驱动：只有在明确指令后才会获得可重用技能。我们研究趣味性自主机器人学习 (Playful Agentic Robot Learning)，其中具身编码代理在接收下游任务之前，将自我导向的玩耍作为持续的技能学习阶段。

Junyi Zhang原文

S-Agent: 空间工具使用激发空间智能推理

现实世界的空间智能需要在一个连续且不断演化的3D世界中进行推理，然而现有的视觉语言模型（VLM）和工具增强型代理大多局限于静态、无状态的孤立视觉观察推理。本文提出 S-Agent，一种空间工具使用代理范式，用于理解和推理连续的多视图图像与视频。

Yalun Dai原文

超越静态排行榜：LLM Agent 评估的预测有效性

现有的 Agent 基准测试快速发展，但单一基准测试覆盖的维度远少于部署场景所需。本文聚合了迄今为止最大规模的 MCP 工业 Agent 基准协调深度研究：14 项并行实现研究，涵盖新资产类别（包括多模态视觉扩展）、不同编排方式、检索策略、推理模式、基础设施优化和评估方法探索。

Dhaval C. Patel原文

DF3DV-1K: 面向无干扰新视角合成的大规模数据集与基准

辐射场领域的进展已实现逼真的新视角合成。在多个领域中，大规模真实世界数据集已被构建，以支持全面基准测试并促进超越场景特定重建的进步。然而，对于无干扰辐射场，仍缺乏一个包含每场景干净与杂乱图像的大规模数据集，这限制了其发展。

Cheng-You Lu原文

FreeStyle: 从社区LoRA挖掘中自由控制风格-内容双参考生成

风格-内容双参考生成旨在合成一张图像，使其保留内容参考的结构和语义，同时采用独立风格参考的风格。尽管近期取得进展，该任务仍然具有挑战性，因为模型需要在内容保真度、风格对齐和指令遵循之间取得平衡，同时避免风格参考的语义泄露。一个关键瓶颈在于缺乏大规模、干净的内容-风格分离且覆盖广泛长尾风格的三元组数据。

Jinghong Lan原文

FlowBender: 面向自校正条件流的反馈感知训练

条件扩散模型和流模型常常无法满足任务定义的约束条件。例如，深度条件模型生成的图像中，重新提取的深度与输入不一致，尽管前向算子（定义约束的深度预测器）在训练和推理时均可用。现有方法主要分为两类：监督模型将条件信号视为静态线索，推理时忽略对齐信息；基于引导的方法通过手工调整的线性更新来调用约束，通常需要在条件保真度与生成样本合理性之间进行权衡。

Daniel Gilo原文

JanusMesh: 通过跨空间去噪的快速零样本 3D 视觉错觉生成

创建 3D 视觉错觉——从不同视角呈现完全不同语义的单一 3D 网格——是一项迷人但极具挑战的任务。现有基于优化的方法速度慢且易产生过饱和颜色，而简单的拼接方法则难以生成几何一致的对象，导致明显的伪影和语义泄漏。本文提出一种快速、无需训练的框架，用于生成文本驱动的 3D 视觉错觉。我们的方法将生成过程解耦为两个阶段。

Siang-Ling Zhang原文

ImageWAM: 世界行动模型真的需要视频生成，还是只需要图像编辑？

世界行动模型（World Action Models, WAMs）通常依赖视频生成来连接视觉世界建模与机器人控制，但存在三个耦合限制：密集的多帧未来令牌导致推理成本高昂；全视频预测将模型容量浪费在与动作无关的时间与外观细节上；长时程未来想象可能引入误差，误导动作预测。这引出一个简单问题：世界行动模型真的需要视频生成吗？

Yuyang Zhang原文

当前 World Models 缺乏持久状态核心

世界模型正被视为通向人工通用智能的关键一步，但建模物理世界不仅需要按需生成令人信服的帧，更需要一个随事件推进、与观测解耦的内部世界状态，使物体和事件在无人注视时仍持续演化——正如月球在不被观测时仍沿轨道运行。现有基准存在盲点：它们奖励保真度、运动与相机可控性等表面属性，却从未询问生成的世界在未被观测时是否持续演变。

Jinpeng Lu原文

Context-Aware RL 用于智能体与多模态 LLMs

大型语言模型（LLMs）在需要从长上下文或复杂上下文中识别关键证据（如工具轨迹中的单行或图像中的细微细节）时常常失败。本文提出 ContextRL，一种上下文感知强化学习方法，通过间接辅助目标提升长程推理与多模态性能。该方法不直接监督最终答案，而是向模型提供查询、答案和两个高度相似的上下文，并奖励模型选择支持查询-答案对的上下文，从而鼓励细粒度定位。

Peiyang Xu原文

ENPIRE：真实世界中代理机器人策略自我改进

现实世界中灵巧机器人操控的进步高度依赖人工监督和算法工程，这成为追求通用物理智能的核心瓶颈。尽管新兴的编码代理能自动生成算法搜索代码，但其成功仍局限于数字环境。我们推测，自动化机器人研究缺失的抽象层是一个可重复的真实世界策略改进反馈循环：重置场景、执行策略、验证结果、优化下一次迭代。

Wenli Xiao原文

FAPO: 多步骤 LLM 流水线的全自主提示优化

多步骤 LLM 流水线常因检索、推理和格式化步骤间的交互而失败，仅优化提示可能忽略链中的瓶颈。本文提出 FAPO (Fully Autonomous Prompt Optimization)，一个让 Claude Code 在标准化代码库内自主优化 LLM 流水线的框架。

Paul Kassianik原文

视觉接地思考

近期视觉-语言模型(VLM)能够生成自然语言推理轨迹，但这些轨迹通常隐含所依赖的图像区域，导致难以验证和监督。本文提出视觉接地思考，一种在推理过程中将自然语言思考与显式的点或框接地交织的方法，使模型在语言表达中间推理的同时，将关键物体接地到对应的图像区域。

Junkai Zhang原文

HumanScale: 自我中心人类视频在具身预训练中可超越真实机器人数据

具身基础模型期望像大语言模型一样从数据规模中受益，但面临着更严重的数据瓶颈。当前，遥操作真实机器人轨迹因其精确的动作监督和本体对齐而成为主要预训练来源，但其可扩展性受限于高昂采集成本、获取难度大以及行为和环境的低多样性。为突破这一瓶颈，自我中心人类视频作为一种可扩展、低成本、高多样性的替代方案引起关注。然而，其相对于遥操作数据的有效性尚未被充分探索。

Juncheng Ma原文

重新思考 LLM FP4 预训练中的 Shrinkage Bias：几何起源、系统影响与 UFP4 方案

FP4 训练有望显著降低 LLM 预训练的内存和计算成本，然而当前 FP4 硬件路径和方案（包括 NVIDIA Blackwell/Rubin 级系统与 AMD MI350 系列 GPU）仍以 E2M1 数据元素为核心。

Qian Zhao原文

Holo-World：视频世界模型的统一相机、对象与天气控制

视频世界模型正朝着在可控相机和对象运动下保持观察世界的同时允许环境状态变化的方向发展。然而，这些控制是孤立的，天气生成通常依赖于已经指定未来结构的源视频或重建场景。本文研究了一种首帧锚定的源到状态设定，其中模型从单张图像开始，跟随明确的相机和对象控制以及可选的天气指令，生成保持源世界或将其转移到目标天气状态的视频。

Xiangchen Yin原文

LedgerAgent: 面向策略合规工具调用代理的结构化状态

在客服领域，策略合规工具调用代理需在跨轮交互中维护任务状态，同时遵守领域策略。任务状态包括相关事实、标识符、约束和条件，这些信息通过用户交互和工具调用获得。标准代理中，任务状态未单独表示，而是将观察、工具返回和策略指令放入提示，导致代理每次决策时需从提示中重建状态。

Md Nayem Uddin原文

行业新闻

热门产品

开源项目

论文

动态