AI 日报 2026-07-03 · Anthropic重新上线Fable 5和Mythos 5、Meta推出AI游戏创作应用Pocket、CausalMix提出数据混合因果推断方法

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

LongCat-2.0发布，全球首个基于国产算力的万亿参数模型

国产算力首次跑通万亿参数大模型全链路，且通过市场匿名验证，证明降本增效的可行性。

闻乐原文

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

DeepSeek V4 正式版即将发布

DeepSeek 宣布 V4 正式版即将发布，意味着国产大模型迭代加速，值得关注其性能表现。

原文

Together AI 于 ICML 2026 发布八篇全栈研究，从 Agent 到 GPU 内核

Together AI 八篇 ICML 论文覆盖 AI 全栈，强调层间协同，其中自适应推测解码已落地生产，体现研究下沉的完整循环。

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

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

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

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

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

NVIDIA 推理软件栈在 Blackwell 上将 DeepSeek V4 Token 成本降低 5 倍

NVIDIA 推理软件栈通过系统级优化（而非单单硬件升级）大幅降低 token 成本，这是 AI 工厂经济性的关键战场。

Amr Elmeleegy原文

Karpathy 提出 LLM-Wiki：用大模型编译笔记替代 RAG

Karpathy 用“LLM 编译器”替代 RAG，将笔记源码编译为自维护的活 Wiki，实现知识的持续复利。

新智元原文

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

Meta 悄然推出 AI 游戏创作应用 Pocket

Meta 低调上线 Pocket，延续其将 AI 创作工具大众化的策略，用户可用自然语言提示生成交互游戏。

Sarah Perez原文

Databricks AI规模训练中GPU故障治理实践

Databricks AI分享了大规模GPU训练中故障分类与治理方法，强调静默故障和数值损坏比崩溃更难检测，并以故障概率公式量化工程难度。

原文

Google NotebookLM新增TikTok风格摘要视频功能

NotebookLM新增短视频摘要功能，将研究资料转化为60秒AI视频，降低信息消费门槛。

Emma Roth原文

唐杰征集 GLM-5.3 意见，开发者呼吁加入视觉能力

唐杰向全球征集 GLM-5.3 意见，开发者集体要求视觉，但科学家认为当前应优先提升推理能力。

鹭羽原文

开源项目

codex-plugin-cc

为 Claude Code 用户提供的 Codex 插件，支持通过斜杠命令在 Claude Code 中直接调用 Codex 进行代码审查（常规/对抗性审查）、任务委托（rescue/transfer）和管理后台任务。亮点是让两个 AI 编程助手无缝协作，无需切换终端，且背景作业和审查门控功能提升了工作流效率。

openai原文

caveman

专为Claude Code等AI编码助手设计的技能插件，通过让agent用极简原始人风格说话，平均减少65%的输出token，大幅降低API成本。亮点：无需改模型，仅靠提示优化即可实现token节省，支持lite/full/ultra/wenyan等多级压缩，兼顾技术准确性。

JuliusBrussee原文

agentskills

标准化 AI agent 技能格式，通过 SKILL.md 定义能力元数据和工作流，支持渐进式加载（仅任务相关时才读取完整指令），降低上下文占用。亮点是 Anthropic 主导的开放标准，已被多个 agent 客户端采用，解决了 agent 缺乏领域上下文和可复用技能的问题。代码 Apache 2.0，文档 CC-BY-4.0。

agentskills原文

cs249rbook

哈佛大学开放的机器学习系统教科书与配套课程资源，系统讲解从单机训练到分布式推理的ML工程原理。包含两卷教材、从零构建框架的TinyTorch、交互式实验、硬件部署套件和基础设施模拟器，形成完整的“读-探-建-模-部-练-教”学习闭环。

harvard-edge原文

pytorch

深度学习框架，提供张量计算和自动求导能力，用动态计算图构建神经网络。与 TensorFlow 等静态框架不同，PyTorch 采用命令式编程，调试直观、灵活性强，已成为学术界和工业界的主流选择。支持 CPU/GPU/ROCm 等多种后端，生态完善，社区活跃。

pytorch原文

langflow

可视化构建和部署 AI Agent 与工作流的低代码平台，支持拖拽式编排、内置 API 和 MCP 服务器，可将流程一键转为可集成工具。亮点在于兼顾可视化开发与源码编辑，支持多 Agent 编排、对话管理、检索增强，并提供 Desktop 版免除环境配置，适合快速原型到生产部署的完整链路。

langflow-ai原文

论文

Orca: 世界在你心中

我们提出 Orca，一个通用世界基础模型的初步实现。Orca 从多模态世界信号中学习统一的世界隐空间，并通过多模态读取接口暴露出来。不同于优化孤立的下一 token、下一帧或下一动作预测，我们聚焦于下一状态预测建模，提供一种统一的状态转换建模路径，用于理解、预测和作用于世界。

Yihao Wang原文

Dockerless: 面向编码代理的无环境程序验证器

程序验证器在训练编码代理中发挥核心作用，包括为监督微调（SFT）选择轨迹和为强化学习（RL）提供奖励。传统的基于执行的验证需要在每个仓库环境（如 Docker 镜像）中运行单元测试，导致巨大的环境设置成本。本文提出 Dockerless，一种无需执行即可评估生成代码补丁的无环境智能体补丁验证器。

Wenhao Zeng原文

DOPD: 双重在策略蒸馏

On-policy distillation (OPD) 通过使用密集的 token 级信号监督学生采样的轨迹，实现了优越的能力迁移。为了提供高质量的监督源并进一步提升蒸馏的性能边界，一个直观的方向是将特权信息注入教师或学生模型。

Xinlei Yu原文

BlockPilot: 面向 Diffusion-based Speculative Decoding 的实例自适应策略学习

投机解码通过轻量级草稿模型并行生成候选 token，再由目标模型验证，实现无损加速。近期基于扩散的投机解码利用块级扩散在单次前向中生成多个 token，进一步提升了并行性，达到最先进性能。然而，现有方法采用固定的推理块大小，并假设所有输入适用统一的最优解码策略。

Hao Zhang原文

VLA 是否了解基础？衡量视觉-语言-动作模型中的常识与世界知识保留

问题：具身视觉-语言-动作模型(VLA)通常通过对强大的预训练视觉-语言模型(VLM)进行微调获得，但适应后保留了多少常识与事实知识尚不明确。知识敏感任务上的失败难以归因，可能混淆了知识缺失与底层控制泛化不良。方法：我们提出Act2Answer，一种轻量级协议，通过要求智能体以动作回答问题，将VLM知识基准适配到VLA评估。

Nikita Kachaev原文

Scenes as Objects, Not Primitives: Instance-Structured 3D Tokenization from Unposed Views

理解3D场景是通过对象，而非组成它们的基元。然而，现有前馈重建方法输出密集、无结构的点集或高斯体，对象级结构需事后恢复。我们提出一个前馈框架，直接从无位姿多视图图像将场景分解为实例结构化3D标记组——紧凑的对象中心单元，重建、分割和操控均由此派生。每个标记组将一个捕获实体级身份的实例标记与编码局部几何和外观的锚点标记配对，解码为一组3D高斯体。

Mijin Yoo原文

GEAR: 引导式端到端自回归图像合成

视觉生成模型通常采用两阶段训练：先训练一个 tokenizer 用于重建并冻结，再基于其离散索引或连续隐变量训练 generator。这种解耦导致 tokenizer 不了解 generator 的建模偏好。

Bin Lin原文

SkillHone: 通过持久决策历史实现持续智能体技能进化的框架

现有方法在有限运行中改进智能体技能，仅保留最终产物，丢弃了后续智能体解释先前修改、评估和拒绝方案所需的决策历史。为此，我们提出 SkillHone，一种基于持久决策历史的持续智能体技能进化框架。 SkillHone 将技能修订与评估侧证据相结合，提供实践反馈，并记录诊断、修订、证据和结果的结构化历史。

Zhiwei Li原文

Evolution Fine-Tuning: Learning to Discover Across 371 Optimization Tasks

设计更快的 GPU 内核的经验能否也有助于解决一个长期悬而未决的数学猜想？近期，集成到进化搜索中的大语言模型（LLMs）在优化任务上取得了最先进的成果，包括开放数学猜想、GPU 内核设计、科学规律发现和组合谜题。为此，先前的工作每次只对单个目标任务应用搜索框架，每个新问题都从头开始，模型尝试结束后搜索过程中积累的经验便被丢弃。

Young-Jun Lee原文

多块扩散语言模型 (Multi-Block Diffusion Language Models)

Block Diffusion Language Models (BD-LMs) 通过 KV 缓存和灵活长度生成改进了基于扩散的文本生成。一个自然的发展是将它们从 Single-Block Diffusion (SingleBD) 扩展到 Multi-Block Diffusion (MultiBD)，其中同时解码连续块的运行集以实现块间并行。

Yijie Jin原文

管理LLM代理中的程序性记忆：控制、适应与评估

程序性记忆被越来越多地用于提升LLM代理在重复性工作场景中的表现，但其能否产生可复用的技能仍不明确。我们提出 AFTER 基准，包含 382个真实企业任务和 22种程序性技能，覆盖六种职业角色，专门用于评估技能在任务、角色和模型间的迁移能力。该基准包含四种受控评估设置：局部改进、跨任务迁移、跨角色迁移和跨模型泛化。

Julia Belikova原文

MemLearner: 学习查询视频世界模型的上下文记忆

视频世界模型是一种交互式视频生成模型，根据用户动作和历史视频帧预测未来世界状态。此类模型面临记忆缺失的关键挑战，导致长时间生成场景不一致。先前方法采用基于规则的上下文帧检索作为记忆，但在场景遮挡和动态物体情境下泛化能力不足。我们提出 MemLearner，一种基于学习的自适应上下文查询方法，利用 query tokens 连接上下文与预测 token。

Jiwen Yu原文

我们是在测量策略还是措辞？LLM Math Reasoning 中表面多样性与方法层面多样性的差距

在 LLM 数学推理中，多样性对于探索至关重要，但常见的多样性度量主要捕捉表面变化，而非问题解决方式的差异。本文引入方法层面多样性（approach-level diversity）：针对同一问题正确解法之间的策略变化。

Sangmook Lee原文

DataEvolver: 自我进化的多智能体数据构建用于文本丰富图像生成

文本丰富图像生成是图像生成中最具挑战性的场景之一，因为模型需同时生成视觉逼真的图像和清晰、语义对齐、布局一致的文本。现有数据流水线通常遵循静态的“爬取-过滤-冻结”范式：收集候选样本，单次过滤后冻结接受的数据用于训练。然而，被拒绝的样本通常被丢弃，尽管它们常包含有用的失败信号（如 OCR 错误、语义不匹配）。这导致后续构建轮次可能重复相同的失败模式。

Siyu Yan原文

Reinforcement Learning with Metacognitive Feedback 引发 LLMs 中忠实的不确定性表达

元认知是智能的关键组成部分，描述监控和调节自身认知过程的能力。然而，大语言模型（LLMs）在核心元认知能力上存在系统性缺陷：它们以高自信度产生幻觉、无法识别知识边界、错误表达内在不确定性——这损害了可信度和可靠性。由于监控任务性能并据此调整行为是元认知的核心，我们假设能够准确判断自身性能的模型更有能力改进性能。

Gabrielle Kaili-May Liu原文

RedVox: 跨语言语音模型中的安全与公平差距

具备语音能力的模型正越来越多地部署在跨语言的实际应用中。然而，它们在英语环境之外以及自然条件下的安全性与公平性仍未得到充分研究。我们调查了最先进的语音模型发布中的安全报告实践，发现仅有8% 的模型记录了任何多语言分析。

Beatrice Savoldi原文

PhotoQuilt: 基于引导式分块去噪的无训练任意分辨率光马赛克生成

光马赛克是一种大型图像，其局部区域被视为独立图块，而整体排列构成连贯场景。生成高分辨率光马赛克且每个图块自身逼真，计算开销巨大，因为画布需同时容纳大量细节图块。本文提出 PhotoQuilt，一种无训练框架，能生成任意分辨率的光马赛克。

Koorosh Roohi原文

Play2Perfect: 灵巧操作中玩耍预训练对于精确装配的关键因素

多指机器人虽可模拟人手的速度与灵巧性，但在精确装配等接触密集、奖励稀疏的任务上仍面临挑战。接触密集性使模仿学习难以收集数据，稀疏奖励则令强化学习（RL）直接探索不可行。先前工作依赖专用夹爪、工具附件和环境固定装置来简化问题。

Tyler Ga Wei Lum原文

小大脑，大成就：探索紧凑型语言模型 (Compact Language Models)

虽然大型语言模型 (LLMs) 最近在研究领域占据主导地位，但小型语言模型 (SLMs) 在各个领域仍然高度相关；然而，它们受到的关注却少得多。在这项研究中，我们调查了较小的语言模型在检索增强生成 (RAG) 系统内的生成阶段的表现。为了有效评估这些模型，我们使用了涵盖不同主题领域和问题类型的开源和专有数据集。

Dari Baturova原文

QVal: 廉价评估长周期 LLM Agent 的密集监督信号

问题: 长周期 LLM Agent 的轨迹中常包含数百上千个动作，仅靠结果奖励 (outcome-only rewards) 难以提供细粒度指导。密集监督方法旨在通过评估中间步骤来弥补这一缺陷，但现有评估方式依赖于下游训练性能，成本高且混杂了训练工程因素，导致不同方法难以公平比较。方法: 本文提出 QVal，一个无需训练的测试平台，直接评估密集监督信号。

Sergio Hernández-Gutiérrez原文

行业新闻

热门产品

开源项目

论文

动态