AI 日报 2026-07-02 · allenai/olmocr、TencentCloud/CubeSandbox、togatoga/karukan

行业新闻

美国解除出口管制，Anthropic 重新上线 Fable 5 和 Mythos 5

因安全担忧遭美国出口管制的 Claude Fable 5 和 Mythos 5 已获解禁，Anthropic 正联合各方推动行业安全标准与政府协作。

原文

Google 发布 Nano Banana 2 Lite，4秒生成图片且更便宜

Google 推出速度更快、成本更低的图像生成模型 Nano Banana 2 Lite，进一步压低图像生成门槛，适合大批量快速创作。

Lucas Ropek原文

美团发布万亿参数大模型 LongCat 2.0，国产算力训练全流程

美团推出国产算力训练的万亿参数大模型 LongCat 2.0，测试版调用量全球前三，并计划开源核心技术。

原文

Om AI联汇发布VLX：端侧流式多模态模型系列

VLX是首个面向物理世界的端侧流式多模态模型，让AI像人一样边看边理解、边行动。

量子位的朋友们原文

无界动力发布全球首个长时序双向物理因果链隐空间世界模型 MWA

无界动力MWA模型通过隐空间双向因果链和强化学习，让机器人获得物理直觉，解决长时序任务不连贯的行业痛点，并刷新RoboCasa记录。

思邈原文

Google 公布六月 AI 更新：Gemini 3.5 实时翻译及 Android 17 新功能

Google 六月围绕 Gemini 3.5 实时翻译、Android 17 本地模型和新款音箱，把 AI 能力植入更多日常设备，降低使用门槛。

Keyword Team原文

微软SkillOpt将Agent技能文件转化为训练参数

SkillOpt用训练循环替代手工调教Agent技能，在52项评测中全面领先，无需改模型权重即可提升可靠性。

Yifan Yang, Xuemei Gao, Qi Dai, Bei Liu, Kai Qiu, Dongdong Chen, Chong Luo原文

研究：将AI代理称为“员工”使人类纠错率下降18%

把AI代理当“同事”会让人放松警惕，反而干得更差——研究揭示了人性弱点对AI协作的隐性影响。

James O'Donnell原文

英国AI采用率一年翻倍至73%，但仅15%用户获显著回报

AI采用率飙升但收益分配不均：英国仅15%的深度用户获得职业回报，大规模技能提升是关键瓶颈。

Kate Alessi Vice President and Managing Director Google UK & Ireland原文

OpenAI 发布 GeneBench-Pro 基准，评估 AI 研究判断力

该基准测试 AI 在计算生物学中做复杂判断的能力，129个问题覆盖多个领域，推动更实用的 AI 科研评估。

原文

微软发表Memora记忆系统，长对话SOTA并减少98%上下文token

微软Memora通过分离记忆存储与检索，让AI代理在长对话中高效回忆细节，性能新SOTA且大幅降低计算开销。

Xuchao Zhang, Molly Xia, Mayukh Das, Anson Bastos, Chetan Bansal, Saravan Rajmohan原文

LoopCoder v2：仅循环一次使 7B 模型在代码修复基准上提升 21 个百分点

LoopCoder v2 研究发现，代码修复任务中仅循环一次（共两次计算）即可达到最优，多循环反而有害。

机器之心原文

Anthropic 推出 Claude Science 科学家 AI 工作台

Anthropic 为科学家打造了一站式 AI 工作台，告别在 PubMed、Jupyter、R 等工具间来回切换的繁琐，让研究更高效、成果可复现。

原文

MopMonk登CyberGym第七，中国团队首进前十

中国匿名团队用MiniMax M3和定制Agent在漏洞复现基准上拿下全球第七，证明“Harness协调层”比模型大小更影响实战能力。

新智元原文

惠普与 OpenAI 达成 Frontier 战略合作

惠普从试点成功转向企业级部署，借助 OpenAI Frontier 平台统一管理 AI 代理和自动化，提升效率和协作。

原文

Databricks发布MMF Agent加速零售需求预测

Databricks MMF Agent使需求预测团队无需深厚数据科学背景即可使用多模型预测，大幅降低门槛并提升效率。

原文

谷歌新款智能音箱硬件出色，Gemini 仍不成熟

谷歌新音箱硬件获好评，但 Gemini AI 尚未成熟，智能音箱的 AI 升级仍需时日。

Jennifer Pattison Tuohy原文

美团 LongCat 开源 VitaBench 2.0，评测 AI 长期动态用户建模能力

VitaBench 2.0 揭示了 AI 在长期理解用户上的短板：时间越长遗忘越快，且缺乏主动提问的“眼力见”，个性化能力亟待提升。

原文

ChatGPT全球采用加速用户使用深度广度双增

ChatGPT用户使用更频繁、任务更多样，全球采用加速，尤其非洲亚洲和低HDI国家增长最快。

原文

加州政府与 Anthropic 达成协议政府机构可半价使用 Claude

加州以半价引入 Claude 提升政府效率，与联邦政府的敌对态度形成对照，凸显 AI 政策分歧。

Amanda Silberling原文

开源项目

olmocr

基于视觉语言模型的PDF转文本工具，专为LLM训练数据准备设计，可将PDF、图片等文档转化为干净可读的Markdown文本。亮点：性能领先，在olmOCR-Bench上达到82.4分，支持表格、公式、多栏等复杂格式，按页计费不到$200/百万页，提供CLI和Docker镜像方便批量处理，并附带完整的训练、微调代码和合成数据生成方案。

allenai原文

CubeSandbox

基于 RustVMM 和 KVM 的高性能安全沙箱服务，专为 AI Agent 执行不可信代码设计。兼容 E2B SDK，冷启动 <60ms，每个实例内存开销 <5MB，提供硬件级隔离和 eBPF 网络管控。腾讯云开源，适合需要高并发、安全隔离的 Agent 执行环境场景。

TencentCloud原文

karukan

基于 GPT-2 和 llama.cpp 的神经网络日语输入法系统，支持 Linux/macOS 平台。亮点在于实时上下文感知的假名-汉字转换、用户行为学习及候选重写功能，相比传统规则引擎能提供更自然准确的转换候选。适合对日文输入或神经网络 IME 实现感兴趣的研究者。

togatoga原文

论文

Agentic Abstention: 智能体知道何时该停止而非行动吗？

Agentic Abstention（自主放弃）指智能体在不确定性下决定何时停止行动的问题，与传统的单轮“回答或放弃”不同，它是一个序列决策问题：智能体每轮可选择回答、放弃或进一步收集信息，且放弃的需求可能仅在与环境交互后才显现。

Han Luo原文

LiveEdit：面向实时基于扩散的流式视频编辑

流式视频编辑发展迅速，但实际部署仍受两大核心问题制约：随时间保持背景和未编辑区域的稳定，以及实现实时交互场景所需的低延迟。与此同时，近期流式视频生成方法大多用于合成，由于严格的保存要求和区域特定控制，无法直接应用于编辑。本文提出一种新型流式视频编辑框架，通过因果式逐帧编辑实现强内容保持和实时响应。

Xinyu Wang原文

缩放视野而非参数：使用35B智能体达到万亿参数性能

我们引入 Agents-A1 ，一个35B混合专家智能体模型，通过缩放智能体视野达到万亿参数级性能。我们从两个角度研究智能体视野缩放：缩放长视野轨迹和缩放异构智能体能力。为支持这一目标，我们构建一个长视野知识-行动基础设施，连接外部知识、行动、观察和验证器结果，生成平均长度为45K令牌的智能体轨迹。

Lei Bai原文

TUA-Bench：面向通用终端使用智能体的基准测试

现有基准测试无法充分评估通用终端计算机使用智能体（TUAs）：通用计算机使用基准主要针对图形用户界面（GUIs），而终端基准侧重于编程工作流。我们提出 TUA-Bench，一个面向终端使用智能体的通用基准。

Shoufa Chen原文

ReFreeKV: 迈向无阈值KV缓存压缩

在大型语言模型推理过程中，为减少内存消耗，已有多种方法提出用于 KV缓存剪枝。这些技术虽能在许多数据集上实现无损内存缩减，但往往依赖一个被忽视的条件：需要预先确定输入或领域特定的阈值来分配 KV缓存预算，以达到最优性能。然而，这种输入敏感的设计在实际场景中受限严重，因为开放域输入涵盖不同领域、长度和难度，阈值选择缺乏明确边界。

Xuanfan Ni原文

超越IID：表格基础模型的通用性到底有多强？

近年来，表格数据的基础模型在学术界和工业界备受关注，跨学科研究团队在不同数据集和任务上对其进行评估。然而，这些评估因基准软件和协议碎片化而难以被模型研究者复用，导致他们依赖标准基准——这些基准主要包含表格基础模型已擅长的IID任务，排除了更挑战性的场景，使得研究聚焦于IID数据上的边际改进，而非更广泛、更苛刻的挑战。

Lennart Purucker原文

修剪 Visual World Modeling 评估的长尾

物理交互遵循长尾分布：常见和常规交互主导人类经验与视觉数据，而广泛稀有和非常规交互则代表性不足。尽管当前的视觉世界模型（包括图像和视频生成模型）在现有基准上实现了令人印象深刻的逼真度，但它们主要模拟常见物理交互。这引发了一个核心问题：当前视觉世界模型是否内化并泛化了物理原理？

Bingxuan Li原文

Video-MME-Logical：面向视频时序-逻辑推理的可控诊断基准

随着多模态大语言模型（MLLMs）的发展，一个核心问题浮现：它们能否对动态视觉证据进行推理，而不仅仅是识别单帧中的物体或事件？这种能力被称为视频时序-逻辑推理，要求模型在视觉状态随帧演化时，能够维护、更新和组合证据。现有视频基准常将这一能力与场景复杂度、静态识别或不可控的时间变化混为一谈。

Hohin Kwan原文

AsyncOPD: On-Policy Distillation 可以有多陈旧？

在线策略蒸馏（On-Policy Distillation, OPD）利用教师反馈训练学生在其自身展开（rollouts）上的表现，在大语言模型后训练中日益重要。但与强化学习类似，OPD面临在线策略系统瓶颈，因为对于推理密集型任务，展开生成往往主导训练时间。异步训练流水线通过解耦展开生成与学习器更新来缓解这一瓶颈，但引入了陈旧策略数据的问题。

Wonjun Kang原文

通过通用关键帧提取连接VideoQA与视频引导的代理任务

视频理解是多模态智能的基础能力，近期多模态大语言模型（MLLM）在视频问答（VideoQA）基准上取得显著进展。然而，现有基准主要评估模型感知浅层视觉线索的能力，很少考察模型能否从视频教程中学习深层知识或程序性技能，并泛化到下游长程代理任务。

Sunqi Fan原文

一步梯度延迟不是大规模异步流水线并行LLM预训练的障碍

现代大规模LLM预训练受益于流水线并行，但同步实现导致GPU在流水线气泡中闲置，浪费计算资源。异步流水线并行消除了这些气泡，以梯度陈旧为代价最大化吞吐量。在异步调度中，PipeDream-2BW尤为引人注目：与原始PipeDream不同，它确保恒定的一步梯度延迟，与流水线深度无关。然而，其采用仍有限，因为普遍认为在陈旧性下优化本质上不稳定。

Philip Zmushko原文

一个模型，多种延迟：面向多样化实时应用的通用语音增强

不同实时语音应用对延迟预算有不同要求，通常需要为每个场景单独训练增强模型。本文提出一种通用实时语音增强模型，可同时控制算法延迟和计算延迟。算法延迟通过可配置的前瞻帧灵活调整。为避免不同填充配置导致的学习效率低下，我们引入并行卷积层，对应不同前瞻设置。计算延迟通过早退机制控制，允许在不同网络深度进行推理。

Szu-Wei Fu原文

Monte Carlo Energy Aggregation for Mobile 3D Gaussian Splatting

近年来，3D Gaussian Splatting 在新视角合成中取得了前所未有的成功。然而，高阶 Spherical Harmonics (SH) 带来的巨大推理和存储开销成为移动平台的主要瓶颈。为此，本文提出 Flux-GS，一种面向资源受限移动平台的实时高斯泼溅方法，能在大幅降低开销的同时实现高保真渲染。

Xiaobiao Du原文

OSWorld2.0: 在长周期真实世界任务上对计算机使用智能体进行基准测试

现有计算机使用基准未能捕捉真实世界的复杂性、长期跨度需求，限制了揭示前沿智能体局限的能力。为此，我们提出 OSWorld 2.0，一个包含 108 个长周期计算机使用工作流的基准，覆盖日常与专业任务，旨在反映真实世界中复杂且具有挑战性的现象。

Mengqi Yuan原文

TACO: 面向智能体工具使用的工具增强型信用优化

智能体多模态模型通过代码在图像上执行多种操作，并对返回的视图进行推理，这是一种有效的细粒度视觉问答范式。然而，代码操作可能是有用的、冗余的或误导性的。仅基于结果的奖励无法精确区分这些情况，而现有的过程奖励要么无法将最终正确性归因于单个工具调用，要么需要外部评判模型。

Mingkuan Feng原文

SWE-Together: 在交互式用户会话中评估编码智能体

大多数编码智能体基准是静态的：智能体预先接收完整的任务描述，仅根据最终代码评判。而真实的编码辅助是交互式的，用户会在多轮对话中澄清目标、添加约束并纠正错误。为此，我们提出了 SWE-Together，一个从真实用户-智能体编码会话中重建的多轮基准。

Yifan Wu原文

Interleaved Speech Language Models 隐式地在文本中工作

语音语言模型 (SLMs) 的研究广泛，常见范式是融入文本数据和预训练文本语言模型。其中，交错式语音-文本训练是一种主流方法：模型在包含语音和文本 token 的序列上训练，旨在提升纯语音任务的能力。然而，这两种模态在模型潜在空间中如何交互仍不清楚。

Talia Sternberg原文

GUICrafter: 弱监督 GUI 智能体利用大量无标注截图

数据作为现代智能的基础，极大推动了当前基础模型的发展。研究者自然希望将此范式扩展至 GUI 智能体领域，期望通过类似范式构建强大的 GUI 智能体。然而，GUI 智能体数据无法直接从互联网获取，导致大规模收集成本高且困难。当前 GUI 智能体面临跨设备泛化能力差、对细粒度 GUI 元素的视觉定位能力有限等问题。

Sunqi Fan原文

DreamForge-World 0.1 Preview：一种低计算量、实时可控的世界模型

DreamForge-World 0.1 Preview 是一个预览版的基础世界模型，专为实时交互式世界模拟设计。系统改编自源自 Wan2.1-T2V-1.3B 的 LongLive 1 自回归视频栈，并引入受 Matrix-Game 系列启发的残差动作通路。

Daniyel Ayupov原文

SAM2Matting: 通用图像与视频抠图

尽管图像抠图取得了显著进展，视频抠图仍面临挑战，原因在于高层跟踪（需要帧级理解）与低层抠图（关注极精细细节）之间的固有鸿沟。现有方法依赖昂贵且范围狭窄的视频抠图数据集，这可能限制域外泛化并削弱跟踪鲁棒性。我们重新思考了这一范式，提出了 SAM2Matting，一种从跟踪器到抠图的框架，将 VOS 跟踪器推进为高保真视频抠图。

Ruiqi Shen原文

行业新闻

热门产品

开源项目

论文

动态