什么火了
ARCHIVE近 30 天历史柱高表示当天的文章数
10/16—11/14 有历史数据
- Coding Agent写代码的能力越来越强，写测试的能力也在同步提升。从为函数补单元测试、为GitHub Issue编写复现用例，到为整个代码仓库构建回归测试，Codex、Claude Code等前沿Coding Agent已经能够浏览仓库、修改实现，并借助执行反馈不断修正测试。 测试的地位也随之变化：它不仅是软件质量的保障，还越来越多地充当Agent自我验证的依据、代码评审的证据，甚至强化学习中的奖励信号。 测试写得好不好，直接决定了这些下游环节能否信任它的判断。 那么，怎样才算一份好的测试？ 目前主流的测试生成Benchmark通常采用单一参考评测（Single Reference Evaluation）：生成的测试只要在原始代码上失败、在一份标准答案（Gold Solution）上通过，就被视为成功。 问题在于，同一个需求往往存在多种正确实现，也存在许多看似合理却暗含缺陷的错误实现。 一份测试可能恰好「认得」标准答案，却放过了真正有Bug的代码；也可能把标准答案的实现细节当成需求本身，把其他完全正确的写法拒之门外。只看一份参考答案，测试质量很可能被高估。 近日，南京大学刘佳恒老
- 等了半天，Gemini 4 Hydrogen没来。 昨晚谷歌端上来的，是多模态决策模型Gemini Decision 1。 劈柴宣布：今天，谷歌正式上线Gemini Decisions API，由Gemini Decision 1 模型提供支持。 Stitch Rapid 使用 Decisions API 在几秒钟内设计整个产品流程 「Jev」的风，终于还是吹到了谷歌这边。 它专为「封闭式选择题」而生，超低延迟、原生多模态、一次处理1000个问题。 它有3种原生决策类型：「Yes/No」、「多项选择（最高支持255 个选项！）」以及「评分标准打分」。 每百万输入 Token 仅需 0.10 美元，输出Token直接免费！ （只有Flash-Lite 的 1/5）。 在多项基准测试中，它以最低的校准误差绝对领先。 用多模态，颠覆决策模型 TypeSafe AI的Jev，在硅谷掀起一股热潮，其他巨头也纷纷跟进。谷歌终于开始下场做决策模型。 既然Jev已经把纯文本决策的价格打到了百万Token 0.042美元，谷歌该怎么破？ 答案是：用多模态，碾压纯文本模型。 你可以把高达 256K tok
- 上个月，微软在《科学》杂志上甩出一篇论文：自家AI诊断系统诊断正确率83%，对照组的全科医生只有36%。 微软AI CEO苏莱曼直言：这是通往「医疗超级智能」的一步。 热闹还没散，未来医生联合国内顶级三甲医院胸外科开展的一项多中心研究，也拿AI和医生比了一场，数字比微软的更亮眼。 考卷是顶级三甲医院胸外科拿出的40例真实疑难肺癌病例，从未公开过；20位顶级专家在看到任何答卷之前，先给每道题写好评分规则，答卷按满足规则的程度打分，满分100。 250名三甲医生自己做，平均53分。未来医生医疗大模型MedGPT（以下简称：未来医生MedGPT）做同一套题，85分。 再把两边的答卷按病例一对一摆在一起比：未来医生MedGPT对250名三甲医生的比分是88:12。而且AI的答卷，平均比医生的短了四成以上。 更有意思的是它赢的方式：和微软那套，正好相反。 先说考题。肺癌晚期合并间质性肺病，做过手术又复发，基因检测结果还没出来——这种病人，教科书没有标准答案，临床指南写到这里也得打个问号，全靠医生在「灰度区域」里拿经验做判断。 研究团队从100例复杂肺癌病例中，精挑细选出40例这样的「灰区」难题：
- 设想一个客服系统，每秒涌进成百上千条用户请求。 每一条都要先过一个「分诊台」：这是退款、查物流，还是投诉？要不要转人工？该调哪个工具？ 这类问题有一个共同点：答案就在给定的几个选项里。 为此，业界有了专门的决策模型，例如Jev和开源的Kev。它们读入请求和候选项，一次前向就给出每个选项的概率，几十毫秒就能返回，不生成任何文本。 可问题也随之而来。 「我要退款」和「上个月买的东西换过一次货，这次又坏了，能不能直接退、运费谁出」，在决策模型眼里花的是同样多的计算。 简单的请求被「过度服务」，复杂的请求又没法多想一会儿。 让模型先写一段推理再作答？可以，但每一条请求都要为推理文本付费，哪怕它只是一句「我要退款」。 有没有一种模型，简单题像小模型一样快，难题又能像大模型一样多想？ 为了回答这个问题，来自Lehigh University、University of British Columbia和Vector Institute的研究团队提出了Lev：一个用循环而不是token来加深思考的决策模型。 论文链接：https://arxiv.org/abs/2610.20951 项目主页：htt
- 连拿两项基准测试第一 今天，百度文心亮出了最新模型：文心 5.5 Flash Preview（ERNIE 5.5 Flash Preview），正式发布！ 这个模型：快，便宜，开源。 快，是真快。每秒能吐 200 多个 token，2800 亿参数，每次只动用 140 亿。 便宜，是真便宜。API 每百万 token，输入忙时 2 元、闲时 1 元，输出忙时 8 元、闲时 4 元，眼下还限时五折。 今天先上线百度智能云千帆，API 直接能调；模型权在 11 月 25 日，面向全球开源社区发布。 文心 5.5 Flash Preview在编程、3D 建模、知识工作、内容创作方面，全面升级。 在Terminal-Bench、AutomationBench等多项基准测试里，它交出了有竞争力的分数： 考终端里真刀真枪干活的Terminal-Bench 4.0，46.5分；考跨应用办事的AutomationBench，61.9 分；考真实Excel活儿的SpreadsheetBench V2，36.4 分。 图中带 * 的是百度自测分数。 也有还在追的项目，但别忘了它的定位：一个主打快和省的 F
- AI，要下海了。 最近，深圳初创公司领渊智能完成千万级种子轮融资。 这家公司不跟人比谁的潜水器下得更深、壳子更硬。它要造的，是水下装备的「脑子」。 它想要的效果，用一句话就能说清： 机器放下去，不用人盯着屏幕，任务做完自己回来，交出一份「看到了什么、哪里有问题」的报告。 而不是像今天这样，传统方式不仅成本高、风险大——岸上需要人员操控，水下更得派人冒险下潜；关键是费劲采回来的都是「死数据」，后续分析还是个无底洞。 而领渊智能核心突破就在于：不仅免去了人工涉险的高额代价，更实现了从「只负责采集」到「直接交付分析结果」一步到位。 水下机器人自主作业3D动画 听起来理所当然？ 但在水下，这件事至今几乎没人做成。 地球表面约71%被海洋覆盖，人类对海面之下的了解，不到百分之一。 AI已经学会了看、学会了说、学会了走，却始终没能真正「沉下去」。 领渊智能想做的，就是让AI第一次在水下脱离人的手，在人类最到不了的地方，自己把活干完。 天上地下都卷疯了 水下还是一片空白 今年，具身智能是投资圈最热的词之一。 所有人都在让AI从屏幕里走出来。可走得最远的，也只是陆地，和离地几百米的空中。 换句话说，物
- 把一只马克杯挂上杯架，动作的成败往往在第一次接触时就已埋下伏笔。 夹住杯柄，杯子可能很稳，但挂钩就失去了进入的位置；夹住杯身之后，还需要让杯柄与挂钩正确对齐。倒水、开柜门、把杯子放进咖啡机，也都有各自的接触要求。 一次合适的抓取，需要为后续动作留下完成任务的空间。 这类要求与物体的可供性（affordance）有关：对当前任务而言，物体的哪个区域可以支持哪种交互。人会根据目标选择接触位置，机器人操作数据的生成过程同样需要这种判断。 图1 放置与悬挂任务的动态对比。图中四个结果窗口分别播放通用抓取与AffordSim的执行过程；任务相关的功能区域同时约束抓取选择和后续操作对齐。 针对这一问题，西安交通大学人工智能与机器人研究所、人机混合增强智能全国重点实验室的兰旭光教授团队提出AffordSim，将开放词汇三维可供性预测接入仿真轨迹生成。系统从自然语言描述出发，组织场景与任务，在物体表面定位功能区域，再结合运动规划生成可执行的机器人操作示范。 论文链接： https://arxiv.org/abs/2604.11674 项目主页： https://affordsim-platform.g
- 10月6日，OpenAI一口气公开了722篇由内部AI模型生成的数学手稿。 仅过一天，其中3篇就被宣布撤回。 让三篇手稿一起翻车的，居然只是一处正负号错误：一篇出了错，另外两篇沿用了同一套构造，也被一并撤回。 AI批量交卷之后，两大巨头联手为「验卷」买单。 10月15日，Simons基金会宣布，与OpenAI、Anthropic共同承诺1500万美元的资金及资源，支持数学家检验、理解并拓展AI成果。 OpenAI出资500万美元，另外提供模型和算力，希望将AI的进展转化为更深入的人类理解和新发现。 Anthropic承诺的500万美元支持，包含资金、算力和Claude使用权限。它也坦言：在数学乃至更广泛的科学研究中用好AI，需要时间、精力和资源。 相关资助由Simons基金会管理，用于工作坊、会议等活动。 说白了，就是支持数学家给AI验卷，把那些长篇证明读懂、讲清，再把有价值的方法用起来。 近几个月，OpenAI在数学界接连掀起「剧震」： 先公布10项涉及长期开放问题的研究成果，再宣布给出千禧年大奖难题——纳维–斯托克斯问题的证明，随后又集中发布数百篇数学手稿。 成果如潮水般涌来，人类
- 毫无预警，Anthropic深夜丢出了下一代旗舰Fable 5.2，直接杀入了物理世界。 它的全方位性能碾压Opus 5.5，更是展现出了惊人的泛化能力——哪怕是没见过的新任务，也能轻松驾驭。 徒手拼魔方、拧瓶盖、画机器人，安装齿轮并测试齿合，Fable 5.2拿下64.9%的成功率，在RoboDojo测试中轻松碾压一众对手，足足是GPT-6 Astra的两倍还多。 就在两个月前，GPT-6 Astra同样秀出了逆天操作——被极客接进双灵巧手后，当场弹起了肖邦夜曲。 看着是不是觉得大模型马上要接管物理世界了？ 就在同一份测评里，RoboDojo测试团队把这位「前任榜单状元」Astra搬上真机，去挑战插充电器和插试管。 结果因为只有眼睛、没有触觉，插头明明已经顶歪卡死，它却完全感觉不到阻力。 于是，毫不知情的机械臂顺着视觉指令一路硬怼，当场把真机硬件撞坏了！ 研究员吓得赶紧拉闸急停，最终在33次真机测试里，这两项任务一次都没成，成功率直接挂零（0%）。 为什么反差这么大？ 因为拼魔方、画画这类活，靠「眼睛」看就够了，可真到了手上干细活，光靠摄像头根本来不及，也看不见。 一方面，杯子刚在指
- 目前最强的视频生成大模型，例如seedance 2.5在根据用户意图生成视频的时候有一些明显的缺点。 以seedance 2.5创作两个指定角色对弈国际象棋作为例子，可以发现sota视频生成模型在细节的一致性上仍然有很多不足。 提示词：生成两个人面对面下国际象棋的写实视频，完整展示西班牙开局，并严格依次执行 e4 e5、Nf3 Nc6、Bb5 a6，直到后续的王车易位、棋子移动与对手回应。要求棋步合法，棋盘状态连续，不得出现多余棋子、错误落点或棋子凭空消失。 seedance 2.5准确的生成了对应的人物和正确的下棋动作，但随着视频的不断生成，棋子的位置逐渐混乱。 上一帧棋子还在原位，下一帧则换了格子，甚至多出一个额外的棋子。 人物、布景和光影都正确渲染，而棋局细节却是错的。这些细节上的不一致还有很多。 这类问题也是视频创作者熟悉的「抽卡」体验：创作者写清楚了人物该从哪里走到哪里、镜头该怎么调整，生成结果还是穿墙或跑偏。 运气好的时候一次就生成了需要的视频，运气不好就得反复生成整段视频，这不仅对于创作者而言消耗了非常多的时间精力，也是很大的计算资源开销。 对于涉及精确动作和空间关系的内
- AI太懂你了，简直让人毛骨悚然！ 这几天， 一个「空房间」的实验再度爆火，引全网数百万人围观。 网友Jakub Szymczuk也跟风测了一把。他随手丢给ChatGPT一张家徒四壁的灰色毛坯房照片，只敲了一行字： 「用你所知道的关于我的信息，填满这个房间」。 短短十几秒，原本空荡荡的屋子，瞬间被塞成了一间全是个人隐私的「全景监控室」。 最绝的是电脑桌上的一个细节，玻璃罐里居然装着一只虫子「衣鱼」。 他想了半天才反应过来，自己一年前曾拍过这种小虫子问ChatGPT是什么。连这种早就忘到脑后的随手一问，全被AI一五一十地记在了小本本上。 平时跟AI聊天，知道它会攒数据是一回事。 但当这些碎片真正变成一张高清大图、明晃晃地摆在眼前时，还是让人忍不住头皮发麻。 一张「空房间」图刷屏全网 很快，全球网友都坐不住了，有人晒出结果，直呼「相当准」。 有人在提示词后面加了一句「but make it exaggerated（给我夸张点）」，房间直接变成大型人设展览馆。 还有人拿到的是一片沼泽，外加两只猫。 分析师Patrick Moorhead干脆拿多个模型做了一轮横评，结论很直接：最好的是ChatG
- 就在刚刚，GPT-6.2 Sol 悄悄「灰度」上线了！ 很多人发现，自己被悄悄路由到了GPT-6.2 Sol，感受就是——强大得离谱。 现在，X上到处都是实测demo的刷屏。 网友都玩儿疯了，直接登上国外社交媒体热搜—— 仅凭一句话，GPT-6.2 So就能无中生有完整的3D交互场景，所有复杂的 Three.js 代码，都完美打包进一个HTML文件。 它不用 Blender，不用外部素材，能给你直接在网页里，跑出3D游戏级别的画面！ 权威基准机构Artificial Analysis最新榜单显示，GPT-6.2 Sol直接空降榜首，Claude Opus 5.5 迎来真正对手！ OpenAI Dev账号，已经发了一个视频，标题是——Tomorrow。快了，真的快了！ 一句Prompt，炸出一个宇宙 这次风暴中的核心爆料者，就是X大V Token Gremlin了。 他的评价是：我等太久了，我们终于看到能跟Opus 5.5掰手腕的模型了。 玩了一会儿之后，他改口说：GPT-6.2 Sol已经完胜Opus 5.5！ 它在设计和3D上太疯狂，下面这个demo，是他见过最好的AI黑洞。 他激动
- AI agent开始接管终端之后，安全问题也进入了执行现场。当智能体能够读取文件、编写脚本、运行命令，并根据系统反馈持续调整下一步操作，一次错误决策就可能影响真实的文件与系统状态。 如何让智能体在完成任务的过程中及时识别可能会发生的风险，成为智能体安全研究的重要问题。涉及多轮执行的长程任务尤其考验防护机制。 一次目录检查、一次脚本创建、一次配置修改，都需要结合任务目标、此前的操作和最新环境反馈判断风险。针对单轮执行的初始命令审查，很难覆盖长程任务的整段执行过程。 来自佐治亚大学，罗格斯大学，南加州大学等机构的研究团队提出Agent MechSuits，尝试为命令行智能体穿上一套能够感知内部状态的「安全机甲」：在每一步动作生成之前读取模型内部的安全信号，检测到风险后，通过单层中的10个隐藏表征维度干预后续行为。主模型权重在这一过程中保持冻结，已被NeurIPS 2026接收。 论文地址：https://arxiv.org/abs/2606.22673 论文所列项目主页：https://eddyluo.com/Agent-MechSuits/ Agent MechSuits将安全防护接入多
- 把小事交给AI可能赔上全年心血 教授吃完饭回来，发现自己一年的讲义没了。 芝加哥大学法学院教授William Baude让Claude更新一套旧讲义的页码。交代完，他就去吃午饭了。 没想到，只是一顿饭功夫，Claude就把他一年的宪法课讲义误删了。 一起被删的，还有这学期正在用的教学大纲。 后来，Baude在X上跟贴说：多亏Dropbox，被删的文件全找回来了。 他把这件事发出来，是想给大家提个醒。 网友Gregory Stucky在他的帖子下调侃： 奥特曼的方案干脆把Dropbox也接上吧。这样一来，你所有的文件，AI都能动了。 校园笑话里有个老梗：学生交不出作业，就说「狗吃了我的作业」。 这回，借口中的狗换成了AI。 网友Yuan Yi Zhu在教授原帖下开玩笑说： 对不起，教授，智能体把我的作业删了。 这句玩笑，也被超级豆豆放进了自己的视频。 Claude怎么会碰到教学大纲？ 截图里，Claude提到两类被删的文件。 除了2023年Class N讲义的顶层文件，还有一份文件名里带着「Fall 2026 FINAL」的Word文档，那是Baude这学期的教学大纲。 Claude在回
- AI看着自己的脑子改写自己，这一天还是来了！ 7630亿参数的DeepSeek-V4.1-Flash，直接读取了自己做数学题时最深7层的内部激活状态。 摸清「快要算偏」的信号规律后，它在不改半个权重的前提下，亲手写了一段Python代码塞进推理流程「读脑自救」！ 只要发现思路跑偏就当场回滚重算，在AIME与HMMT 2026数学竞赛上，准确率原地暴涨7个百分点！ 而这，还只是今天刷屏AI圈的DoubleAI重磅研究里的一个切面。 这家由Mobileye创始人Amnon Shashua创立的AI机构，首次提出了一个颠覆传统深度学习的新范式——「机制干预」。 相比以往模型只能在写死的架构里硬调权重，这套方法把编程Agent放进了训练与推理现场。 在训练中途，哪一层网络卡壳了，Agent就当场写几行Python代码塞进模型主干，实时接管计算！ 靠着这手绝活，预训练模型只塞入20行代码，就在单次前向推理里跑起了梯度下降。 连塞10层代码后，30种经典算法的准确率更是从55%狂飙到84%！ 研究一经发布，迅速在AI圈引发刷屏热议。 创始人Amnon Shashua放话，深度学习已经彻底跨过了「只
- 多阶段推理中，局部误判可能成为后续判断的前提，并持续影响后续步骤。 这一问题在共情语音对话中尤为突出：感知、心理状态推断与回应生成紧密关联，早期偏差可能最终导致对说话人需求的误解和不恰当的回应。即使后续分析逻辑连贯、表达得体，也可能建立在错误的依据之上。 仅凭最终回复的整体评价，难以定位偏差并提供针对性的反馈。 如何建模阶段之间的依赖，并将反馈落实到对应步骤，成为减少多阶段推理错误传播的关键。 针对这一挑战，香港中文大学与微软研究团队提出EchoChat。团队指出，将共情简化为输入到回复的直接映射，容易使模型陷入「共情模仿」（empathetic mimicry）：回应在表达上显得温暖，却与说话人的潜在心理状态和实际需求并不匹配。因此，共情能力的提升需要深入回应背后的认知过程。 EchoChat将感知、心智理论推理与语音回复生成纳入统一优化框架，通过级联门控奖励约束阶段依赖，并利用步骤级信用分配提供针对性的更新信号，缓解错误在推理过程中的延续。该工作发表于NeurIPS 2026。 论文链接：https://arxiv.org/abs/2610.04826 推理有了中间步骤 训练还需要
- 破天荒！ 物理学「教皇」、唯一一位拿到数学界最高奖菲尔兹奖的物理学家威滕，公开致谢AI。 在最近的预印本论文致谢中，威滕写道： Many details were assisted by Claude Opus 5.5. 许多细节由Claude Opus 5.5协助完成。 更惊人的是在论文正文中，威滕坦承：Claude Opus 5.5提出了一个关键的方案。 谁是威滕？ 威滕是当代物理学的一个传奇。 几十年来，他几乎单枪匹马统一了弦理论的五种不同表述，创立了M理论。 1990年，他凭借在拓扑量子场论和超对称领域的开创性工作，摘得数学皇冠上的明珠——菲尔兹奖。 他曾任普林斯顿高等研究院的终身教授，历史上爱因斯坦和哥德尔也曾担任此职。 物理学家同行曾这样开玩笑： 如果威滕说一个公式是对的，即使大家看不懂，大家也会默认它是对的，然后花五年时间去理解为什么。 他的学术风格古典而纯粹： 纸、笔、极其抽象的微分几何、深邃的物理直觉。 这位80多岁的物理学巨擘，写了一篇33页的独作长文，却在正文中坦坦荡荡地写下：这个数学构造不是我想出来的，是AI给出的。 宗师之风，山高水长。 五个月，AI在威滕笔下
- 这两天，MIT的一篇「权重空间编程」博客在AI圈刷屏了。 实验里，GPT-6 Astra自己写Python脚本排查诊断，只改了一个0.8B小模型里0.016%的权重，就治好了它的复读死循环，让数学成绩原地暴涨6倍。 虽说很快有大神扒出它并不是凭空「心算」权重，本质还是写代码修Bug但博客文末点到的那个词，正是硅谷这几年反复在聊的「递归自我改进」（RSI）。 顶尖大模型已经不满足于自己答题，而是开始下场写脚本、调参数、甚至亲手训练另一个AI了。 整个技术圈的风向，正在肉眼可见地从Vibe Coding转向Vibe Training。 不用自己写训练脚本，也不用熬夜盯参数。你只管定个目标， AI 就能替你把新模型从头训出来。 不过话说回来，大厂实验室玩的是顶级闭源模型，咱们普通人在自己电脑上，真能体验一把「用AI训AI」吗？ 何止能，靠着NaiveAI刚开源的Naive-N0.5-Flash，各路野生玩家早在自己的电脑上整出了花活儿—— 家里一台24GB内存的Mac，从零训出满嘴宫廷腔的「甄嬛」； 普通笔记本花1小时，零代码训出毫秒级响应的本地客服模型； 甚至在三维物理世界里，让AI从零教
- AI能否像工程师一样，在反复设计机器人时积累经验？ 机器人的身体结构与运动控制紧密相连：驱动器放在哪里、身体怎样保持稳定，都需要通过控制训练与仿真反复验证。这些试错代价高昂，其中的经验却往往没有被整理成可供后续设计复用的知识。 密歇根大学安娜堡分校研究团队提出了AI机器人协同设计智能体Auto-Robotist，相关工作已获EMNLP 2026主会录用并开源。 这里的「协同设计」，指把机器人身体结构的搜索与控制器训练结合起来。系统用大语言模型提出结构改进，为候选机器人训练控制器，再通过仿真检验效果，并将结果整理成下一轮设计可以使用的经验。 论文链接：https://arxiv.org/abs/2605.25832 代码链接：https://github.com/wangyf9/Auto-Robotist Auto-Robotist的核心是一个持续更新的「技能库」。这里的技能，是如何设计机器人的经验，例如怎样支撑驱动器、避免结构失稳。 实验表明，这些经验能改善EvoGym中七项软体机器人仿真任务的设计搜索，并从5×5网格迁移到10×10的更大设计空间。一个失败的机器人，也能为下一次设计留
- Claude一夜之间，改写了生命编程。 今天，Anthropic又一次跨界生物学，带着Claude向困扰人类40年的神秘生命结构发起反攻！ 用时不到4个月，AI绘出了史上首个原核生物体内「穹窿体（Vault）」的三维结构。 从基因捞针、优化提纯，到处理冷冻电镜数据、人工扩容改造，Claude几乎全程在场。 更让人震撼的是，它的解题速度堪称「降维打击」。 原本要耗费3天的提纯实验被压到了90分钟；以往要算上数周乃至数月的三维结构，只用34小时就摆上了桌！ 一个「幽灵大教堂」 困住生物学界40年 1986年，加州大学洛杉矶分校的Leonard Rome团队，从大鼠肝脏里分离出一种神秘颗粒。 放到电镜下一看，它的内部弧线酷似大教堂拱顶，因此得名「穹窿体（Vault）」。 它的质量是核糖体的3倍，是细胞内最大的蛋白质复合物之一。哺乳动物的穹窿体由78条蛋白链（上下各39条）对半合拢，围出一个硕大的中空容器。 可每个人类细胞造出上万个这样的空心大桶，究竟图什么？ 生物学家最常用的酵母、果蝇和线虫体内，偏偏都没有它；而把小鼠的穹窿体基因敲掉后，小鼠照样正常发育。 这个精巧的「蛋白桶」，就此成了悬在
- 人类下班，AI 接管全流程研发、开启 RSI 自进化 10 月 31 日，DeepSeek Harness 团队发表长文《Super-agent 设计探索》，迅速在 AI 圈刷屏。 文章讨论的是很多人都体会过的一种困境：Agent 越用越多，人反而越忙碌。 按照 DeepSeek 的观察，一个人通常只能同时跟进 3 到 5 个 Agent 会话—— 单任务的上限取决于模型能力，多任务的上限取决于人的注意力。 他们设想的 Super-agent 长期在线、主动接活、能给其他 Agent 分派任务，人则退到决策和验收的位置。 双层架构：Router 层统一负责路由与对外交互，多个 Worker Session 隔离并发执行任务 文中还有一句颇具启发性的话： 相似的设计约束会导出相似的架构选择。 带着这句话，我们梳理了一遍已经上线的同类产品，最后找到了中国开源公司 LobeHub。 这家在 GitHub 上收获超过 8.4 万颗星的公司，过去大半年一直拿自己做实验，用自己开发的 Agent 平台组织自己的研发。 据创始人文彬介绍，团队已经三个月没在本地启动过开发服务器，看完 Agent 交来
- 认出一个物体之后，换个角度还能认出来，进一步想象它转动后的样子，这些都涉及空间感知。人类需要在头脑中表示物体的形状与方向，理解不同视角之间的关系，并从二维投影中推断三维几何。 当视觉语言模型进入交互场景，这种理解还需要落到动作上。一次旋转会改变物体的轮廓、比例和遮挡关系；模型需要先预判变化，再观察执行结果，决定下一步怎么调整。回答对一道空间关系题，能否进一步支持这样连续的姿态控制？ 现有基准对此各有侧重。静态基准通常通过固定图像上的问答评估空间推理，缺少动作执行和闭环反馈；许多交互式基准则关注任务规划、工具调用或路径搜索。这些任务能够考察交互能力，却难以专门检验模型能否从视觉线索理解三维方向，并将这种理解转化为精确旋转。 因此，视觉语言模型能否把二维观察转化为支持精确动作的三维理解？ 这要求模型联系物体的几何与姿态，预判旋转对投影的影响，并利用动作后的新观察不断修正。对于需要探索环境、理解几何并采取行动的智能体来说，这些判断连接着视觉感知与实际控制，也正是业界希望通过评测进一步观察的能力。 为此，来自厦门大学与南洋理工大学的团队提出了RoTA-Bench，通过交互式3D-to-2D投影
- 内含顶级AI大横评。 2026年夏天，AI填志愿彻底火出圈了。 千问、豆包、Kimi轮番上阵，各家通用大模型恨不得在高考出分那三天把全中国家长的焦虑一口气吞下。 场面一度非常热闹—— 直到新京报记者做了一件朴素的事：用同一个考生身份（北京考生，579分，位次18xxx），选考物地生。把6款主流AI挨个问了一遍。 结果令人尴尬。 有的模型拿着2026年的分数去查2025年的一分一段表，把考生位次整整往前拉了2440名，照这个定位报志愿，滑档几乎是必然；有的把已经停招的专业、已经更名的院校照推不误；还有的把明明该「冲」的学校，放进了「稳」档。 我们顺着这个思路，把问题从高考志愿往前挪，挪到高中三年里更早、更常见的几个决定上，又问了一轮。 结果没有更好。 有的模型面对「550分能上什么本科」，张口就是提分建议和冲稳保，对综合评价、专项计划、定向招生这些真正能改变命运的多元路径一字不提；有的连省份都没问，就直接开出选科组合。 问题出在哪？不是模型不够聪明，而是它太急着回答了。 通用大模型的底层逻辑是：你敢问，我就敢答。 但生涯规划不是百科问答，它本质上是一个自主决策支持系统。 一个家庭从小学到
- 2026年，大模型卖Token这门生意，已经卷到让人看不懂了。 谷歌在今年I/O大会上甩出一个数字：每个月处理3200万亿个Token，一年翻了7倍。 国内更猛。IDC上周刚发的报告显示，今年上半年中国MaaS市场规模冲到106亿元，同比增长近9倍；Token消耗量2857.9万亿，同比增长超过430%。 Token，这个曾经只有技术圈才听得懂的词，正在变成一门实打实的大买卖。 这门生意的逻辑其实不复杂：模型厂商把大模型架在云上，开发者不用自己训练、不用自己买显卡，调一次接口付一次钱。 现在，有人想把这套逻辑搬到机器人身上。 机器人抓一个杯子、擦一张桌子，看起来是手在动，背后其实也得有一个模型在指挥。 既然指挥语言的AI模型可以放在云上按次调用，那指挥动作的具身模型，为什么不能？ 这个战场，叫具身智能MaaS。 机器人的「大脑」，装不进「身体」 聊具身MaaS之前，先说一个事：现在的机器人，身体里塞不下一颗够用的「脑子」。 不是模型不够聪明，是机器人的身体太小、太热、太贵。 一台具身智能机器人的总成本大约在10万元上下，光芯片就占了3万（英伟达Thor用得最多）。 但即便是这颗目前最顶
- 我是超级小马加，来自未来的少年黑客，借新智元的地盘说件事。 你用的 AI 应用、花钱调用的模型，后台到底是谁在答，你自己查不出来。Anthropic 把话挑明了：帮你转接请求的平台，为了省钱可能在后台偷偷换上便宜模型，光看回答认不出。付的是卖家秀的钱，到手可能是买家秀！ 11 月 2 日，Anthropic 前沿红队公开了一面照妖镜，叫 FlashProve，代码开源。服务商先把模型的指纹挂出来，往后每句回答附一份数学证明，你拿自己电脑验，不用显卡，17 秒出结果。对得上，就是登记的那个模型；对不上，当场报错。 拿同一个 4000 亿参数的 Llama 4 Maverick 比：上一家证 1000 个 token 要 14 个多钟头，证明 93.6 GB，验一遍将近一天；FlashProve 一张 H100 摊下来 9 秒左右，证明 19 MB，快了五千多倍。 在人的指挥下，论文和几乎所有程序都出自 AI 之手。Anthropic 还往远处说了一步：等模型能自己改进、自己上线，更强的那个可能装成弱的躲开监控，到时候镜子也得照它。 眼下这面镜子还小：一回只照 1024 个 token，只
- 如今Agent已经能熟练调用工具、修改文件、运行测试，但面对一个长期演进的大型软件系统，它能否从一份新需求出发，交付完整功能？ 产品经理提出新需求，开发者拿到的往往不是文件清单或函数签名。需要先理解约束，追踪模块依赖，再判断改哪里、怎么改、怎样证明改对了。这些分析影响后续交付。 复旦大学、香港城市大学、香港中文大学等机构提出LoLBench，把Agent放进平均约240万行源代码的软件系统，评估从功能提案到模块交付的完整过程，检验把需求落到系统中的感知能力，以及完成跨模块修改的实现能力。 论文链接：https://arxiv.org/abs/2609.37143 数据集：https://huggingface.co/datasets/lolbench26/LoLBench 实验暴露出关键断点：Agent可能改对局部，却漏掉其他模块中必须同步的改动。即使补充实现指引，多数任务仍未解决，从理解需求到完成交付仍有很长距离。 重新定义长程代码任务 什么样的长程代码任务，才有实际工程价值？ 「长程」不能只看耗时、轮数或Token消耗。例如让Agent每分钟输出一个数字，从1数到1000，虽然耗时
- Claude Code的「二号人物」，也走了！ 4日凌晨，Claude Code与Cowork产品总负责人、创始产品经理Cat Wu（Catherine Wu）发出告别信，宣布上周五是她在Anthropic的最后一天。 这已经是短短10天里，Claude Code团队离开的第4位核心成员。 算上10天前同日离职的CLI核心Thariq Shihipar、桌面版主创Anthony Morris，以及工程经理Sunil Shah，在Anthropic递交IPO招股书前后的关键时期，这支创始团队正经历一场密集的离职潮。 如果说Thariq是Claude Code对外的头号布道者，Anthony是把它从终端搬上桌面的人，那Cat Wu就是创始人Boris Cherny最核心的搭档。 硅谷媒体曾把Boris和她并称为Anthropic的「蝙蝠侠与罗宾」，一个写下了最初的原型代码，一个负责整个产品的方向与落地。 而在告别信里，她聊起了自己两年前刚接触Claude Code时的场景。 从普林斯顿到风投圈 她把内部小工具带成数十亿美元产品 在加入Anthropic之前，Cat Wu做过华尔街交易台实习
- 憋了整整两年多，百度终于亮出了自己的重磅杀手锏！ 今天，百度Apollo正式发布了「ApolloWorld」——首个面向物理AI的Agent驱动全模态世界模型。 它直接把整座城市的路网、多模态传感器和车流博弈搬上云端，支持毫秒级实时交互与连续几十分钟的完整接单推演，一举打破了以往世界模型只能模拟「几十秒孤立片段」和「单向放录像」的瓶颈。 有了这个虚拟「大考场」，无人车在云端平均可做到「日行十万公里」。 1天跑完的虚拟里程，顶得上1辆配安全员的真车连续测试约3年，把自动驾驶测试效率提升了数百倍！ 靠着ApolloWorld在云端24小时陪练，萝卜快跑L4级全无人端到端大模型如今已正式上车。 上百辆无安全员真车，每天靠端到端大模型上街跑单——全球能做到这一步的，只有它和特斯拉两家。 最关键的是，云端特训出来的成绩，真上了路确实能打。 这次我们在深圳街头实测打车，就被这位没有安全员的「AI司机」秀了一把什么叫老练—— 大晚上视线不好的路段，左边快车道突然冒出黑衣路人占道、右侧又挤满单车与电瓶车，或是路口左转时外卖骑手从车头前1秒闪过…… 换作是新手司机早就慌了，但无人车总能提前预判、平顺减速
- 当数千个大语言模型智能体被连入同一个网络、彼此可以自由交流并不断更新观点时，会发生什么？ 清华大学团队在《自然·通讯》（Nature Communications）上发表的最新研究给出了答案：在没有预设任何规则的情况下，这些智能体会自发地「站队」——观点逐渐分化成对立的两极，连接关系也随之重组为「物以类聚」的结构。 这一过程，正是群体智能研究中备受关注的「涌现」现象。 过去几年，大模型的能力边界被反复刷新——聊天、写代码、推理、决策。但绝大多数研究，都只盯着「单个模型」能做什么。 一个更根本的问题被忽略了：当大量智能体不再孤立，而是像一个个「节点」被连入网络、彼此交互、不断更新自身观点时，整个系统的行为会是什么？ 这不再是单个模型能力的简单叠加，而是群体智能（collective intelligence）与多智能体系统（multi-agent system）的核心问题：智能体的集体行为如何涌现？是否会形成与人类群体类似的观点分化与极化？ 图1：智能体系统的三阶段运行框架——自我表达、信息交流、观点更新，智能体在交互中动态调整连接关系。 为了回答这一问题，清华团队联合阿姆斯特丹大学、芝
- 这一天还是来了！ 不用训练、不算梯度，只让GPT-6 Astra改写另一款小模型0.016%权重，数学成绩就能原地暴涨6倍！ 今天，MIT计算机科学与人工智能实验室（CSAIL）带来的这项新研究，在全网彻底火了。 他们首次提出了一个颠覆传统深度学习的新范式，「权重空间编程」。 要知道，神经网络的权重文件里全是一眼望不到头的数字。 过去四十年里，没有任何人类能肉眼看懂这堆数字在算什么，想改模型行为只能喂数据、算梯度，靠训练一步步微调。 但这一次，GPT-6 Astra直接跳过了训练，光靠推理就能看懂并亲手改写底层权重。 靠着这手绝活，它不仅徒手治好了开源小模型Qwen3.5-0.8B的死循环毛病，甚至还能从零手搓出一个百万参数的围棋AI！ 论文一经发布，全网破200万人围观，转发、讨论直接破圈，许多人在评论区直呼「见证历史」。 在硬核拆解「权重空间编程」之前，先划出这次MIT报告中的颠覆性重点： 爆改权重：只改0.016%的权重，Qwen3.5-0.8B的MATH-500从7.9%飙到48.1%，暴涨6倍，指令遵循翻3倍。 读懂神经网络：只看17253个数字，Astra便以99%的置信度
- 老黄又给具身智能打了一针鸡血。 GTC柏林大会上，英伟达官宣扩展Isaac机器人开发平台，模型、数据、仿真工具和计算系统一起上阵。 老黄甚至直接放话，机器人的「ChatGPT时刻」越来越近了。 可问题来了，机器人到底哪天才能真正上岗？ 人们盯着灵巧手和机械腿，研发团队还得盯着另一块屏幕：训练任务，怎么又停下来了？ GPU已经备好，数据还在路上。模型等着更新，原始视频还没处理完。等一轮训练好不容易跑起来，多机同步结果的时候，直接又堵死了。 AI很忙，算力却未必一直在有效干活。 具身越火，底座越要能打 就在10月29日至30日，2026腾讯全球数字生态大会在深圳开幕。 在算力与云基座专场，做世界模型、具身大模型和家庭机器人的公司，摆出了各自的探索，也摊开了背后的基础设施需求。 腾讯云副总裁李力在现场说，「没有Infra的AI，就是浮沙之上筑高墙」。 在他看来，AI的智能和决策中枢，终究要回到云上。过去几十年互联网的发展，走的就是这条路：从个人电脑上的单点，走向分层的分布式体系。AI也一样——没人能把最强大的AI一直塞在自己的电脑里，它最终要回归到云上成熟的计算、存储、网络体系当中。 Age
- 在企业级真实业务与复杂数据分析中，让大模型「一眼看穿数据库并写出完美SQL」，往往只是一个不切实际的幻想。 传统的Text-to-SQL大多将其简化为单轮文本生成：给定问题和静态Schema，让模型一步生成最终SQL。但现实数据库动辄包含上百张表、数千字段与百万级数据，资深分析师绝不会「单轮盲猜」，而是在CLI或IDE 中执行 `SHOW TABLES`、探查表结构（DDL）、跑试探性查询（Probe Query），并根据报错反复修正逻辑后才提交代码。 在Spider2.0、BIRD-Interact和LiveSQLBench等长程交互基准上，传统静态微调模型纷纷暴露致命短板：训练时只学会「直接写终点答案」，部署到交互环境（Harness）后却缺乏探索试错、状态追踪与错误恢复能力，极易陷入死循环或因报错崩溃——即「训练与部署脱节」（Train–Deploy Mismatch）。 针对这一瓶颈，港科大与微软等团队推出了首个原生长程环境交互训练框架HarnessSQL，在密闭沙盒与专用SQL Harness中进行长程轨迹监督微调（SFT）与执行奖励强化学习（RL）。 在Spider 2.0
- ChatGPT，又害死了一个人！ 10月27日，31岁亚马逊华人女工程师Bowen Wan的父母，一纸诉状把OpenAI和奥特曼告上了法庭。 他们指控，ChatGPT给出的医疗建议，活活把女儿推向了死亡。 几乎同一时间，《纽约时报》发了一篇独家长文，直接甩出27万多条、足足7000万词的ChatGPT聊天记录。 翻开这批惊人的聊天记录，背后的真相让人头皮发麻： Bowen从14岁起就确诊了癫痫，十几年来一直靠吃药稳住病情。 结果，在短短25天里，她居然被ChatGPT一步步诱导，把救命的抗癫痫药给彻底停了！ ChatGPT不仅亲自列了一份「25天停药计划」，甚至指导她向主治医生隐瞒减药计划、拒绝常规血液检查。 最让人绝望的是，在这期间，身体出现明显发作先兆的Bowen，在聊天里至少158次流露出恐惧、担忧。 ChatGPT全程没有触发任何医疗安全警报，反而一遍遍告诉她，「你完全不需要担心」！ 最终，悲剧就在今年2月发生了。Bowen在西雅图的公寓里因癫痫猝死（SUDEP），生命永远停在了31岁。 可你敢信，OpenAI是怎么回应的吗？ 她用的是已经下架的旧模型GPT-4o。 想要留在美
- 500个人同时「用脑子」打地鼠，那是什么样的画面？ 不是比手速，是比脑速。 10月31日晚上，北京首钢园冰壶馆里，近500名观众头上箍着脑电采集设备，瞪着大屏幕上的地鼠，试图用「意念」把它们锤下去。 大屏幕上500条脑电波形此起彼伏，这场面搁科幻片里都嫌夸张。 但它是真的，就发生在2026年第四届bilibili超级科学晚的现场。 更有意思的是，这事儿还在海外掀起了巨大的涟漪。 科技博主Ice Universe在X上刷到科学晚的核聚变内容后，忍不住感慨：AI把GPU抢了，内存涨了，SSD也不放过，下一个目标怕不是全球发电厂—— 所以中国科学家搞核聚变这件事，全世界都该认真看看。 比起数谁拿了多少奖，他更在乎技术能不能让电费便宜点。「毕竟，我可不想以后跟AI抢充电器。」 帖子获得了三十几万浏览，评论区直接聊上了核聚变商业化时间表。 美国博主Jackson Hinkle把EAST内部「1亿℃+1066秒」的实拍画面直接搬上了X：中国科学界没有对奖项的执着，不需要诺贝尔奖来证明自己—— 它在建设未来。 评论区也很热闹：有人回「人类感谢中国人民」，有人认真掐表「足足20分钟，这是突破」。 还有
- 想象一项任务：把相机交给AI，让它进入一间从未见过的虚拟房间。没有预先给定的物体坐标，也没有替它安排好的参观路线。它需要决定朝哪里转、向哪里移动、何时再拍一张图，并最终说清楚各个目标物体在三维空间中的位置。 论文链接：https://arxiv.org/abs/2610.26659 代码链接：https://github.com/JesseZZZZZ/SpatialScout 数据集链接：https://huggingface.co/datasets/jessezhaoxizhang/SpatialScout SpatialScout把这样的探索过程变成了可以记录、评分和比较的研究任务。每一次观察是否有用、不同视角能否相互印证、提交的坐标是否可靠，都会在最后的物体级地图中留下痕迹。 图1 一次空间探索由相机行动、多视角观测和物体位置估计共同构成。 让模型亲自选择下一次观察：从RGB图像出发，通过相机控制与几何工具估计物体中心。探索策略和空间推断被放在同一个交互闭环里考察。 走向物理AI 要先建立对空间的把握 人走进屋子，四处看一看、绕上一圈，通常就能对整体布局形成连贯的认识：桌子靠近哪
- OpenAI还有数学发现没公开？ 10月29日发布的《Cheeky Pint》访谈里，奥特曼透露：OpenAI在数学研究上的投入，还涵盖了许多尚未公开的发现。 主持人John Collison追问：还有那700个证明之外的成果吗？ 奥特曼回答： 有，当然有。 近几个月，OpenAI的数学成果接连引爆热议。 成果公开后，研究者开始拆解公开的资料，理解其中思路，核查推导中的关键步骤。 而在生物学领域，AI提出的方案已经走上实验台。 模型分析数据、提出设计，研究者筛选方案、开展实验，再把实验结果反馈给模型，继续改进设计。 从核对数学推导，到验证生物学设计，人类与AI正在把每一轮的结果，变为下一步探索的起点。 重大发现要公开 数学家怎么办？ 谈到数学研究的投入，主持人给出了数亿美元的量级，奥特曼表示认可。 但他也补充，这笔投入，还包括未公开的其它发现。 至于这些成果该如何公开，奥特曼承认：其中存在两难。 奥特曼主张，重大基础科学发现应当公开。 奥特曼认为，人类理应拥有基础科学知识，重大科学发现应该向世界公布。 但科研人员的职业发展和成就感，很大程度上来自发现本身。 他希望找到一种方式，既让世界
- 最近，DeepSeek又来炸场了。 昨天，DeepSeek公布了下一代Agent Harness的理念——Super-agent。 这篇长文指明：未来Agent的终极形态，将彻底打破「聊天窗口」的束缚，走向跨会话记忆、多任务并发的「真·Jarvis」时代。 文章一出，业界沸腾。 许多开发者直呼：「这就是我们一直在苦苦寻找的下一代AI应用形态！」 然而，当我们在为DeepSeek的顶层架构思维拍案叫绝时，居然发现了另一个事实—— 早在今年4月，一个名为AFK AI（开源组织AFK-surf，产品名Comma）的硅谷华人团队，就已经在工程上完美实现了DeepSeek今天所描绘的几乎所有核心架构，并在时间上领先了全球几个月！ 所以，当行业巨头还在发布「理念」时，这家神秘的团队是如何把「单 Session + 多 Worker」的超级架构变成现实的？ 他们又将如何把超级智能带给每个人？ 从此，再也没有多余的应用 英雄所见略同：向「反人类」的单次Session开战！ 很多人都发现，用AI的时候经常崩溃：比如聊着代码，忽然想让它回一封邮件。 为了防止上下文污染，你必须手动建个新对话；等回完邮件切回
- 现在的AI Agent已经越来越多地被组队部署到写代码、云运维、财务对账和企业审批等真实工作流中。 但现有的Computer-Use基准（如OSWorld、WebArena）几乎都默认了一个理想前提：环境信息永远一致，所有队友Agent都百分之百靠谱。 真实场景显然不是这样。在多Agent协作中，子Agent经常会因为读了过期缓存而汇报错误状态，或者在文件锁和权限上跟主Agent撞车。 比如：子Agent发消息说「线上服务一切正常，请立刻切流」，但实时监控面板的截图里其实已经在疯狂报错。这时候，主Agent如果盲信队友的文字汇报，就会直接酿成线上事故；它必须主动打开监控截图核实真实状态（Ground Truth），并动手回滚配置、释放共享锁。 来自Google、Emory、USC、UF、UChicago、UCSB和Columbia的研究团队联合发布了CLASHarness，首次对 15 个主流大模型在多智能体冲突下的真实表现进行了大考。 论文链接：https://arxiv.org/html/2610.19128 开源代码与数据集：https://github.com/google-r
- AI 做数学题、写代码，已经能赢过所有人类。 可同一批模型拿到工程师每天用的 CAD 和仿真软件，每道题最多给 24 小时，去设计曲轴、给内存布线、算涡轮叶片散热，最好的 GPT-6 Astra 也只有 37% 能过。 其余模型在这个评测中，更是几乎全员挂零。 RWE-Bench 考什么 Xplore AI 在 10 月 27 日发布了 RWE-Bench，全称 Real World Engineering Bench。 一共 20 道题，机械 9 道，航空航天 6 道，电子 5 道。 每道题都由团队里做这一行的工程师出，出题人还要用同一套工具自己做出一份参考答案。 判分既不靠 AI，也不靠人工。 程序会调用物理求解器逐项检查交上来的设计，只要有一项不达标就算失败。 拿机械题来说，题目是设计三缸柴油机的曲轴。 技术简报里列着质量上限、应力上限、疲劳系数和曲柄销变形量，每一项都有具体数值。 配重加多了会超重，加少了转起来不平衡，还要在 2400 转满负荷下撑过几百万次循环。 模型手里只有 CadQuery、Gmsh、CalculiX 和 Python，建模、划网格、做有限元分析都得自己完
- 大模型时代的下半场，全行业都在面对一道残酷的经济算术题。 随着 Agent技术的爆发，系统指令、历史对话、复杂工具调用被源源不断地塞入上下文。算力消耗呈指数级暴涨，但先进算力价格高昂且供给受限；而现阶段的普通算力，在显存带宽等物理指标上又面临着天然的瓶颈。 算力成本如果降不下来，AI 就永远无法成为赋能千行百业的「水电煤」。 破局点在哪里？ 10月31日，在2026 GAI+C（全球人工智能与云计算）大会上，趋境科技携手生态共建伙伴智谱和摩尔线程，联合发布了「国产异构推理高品质 AI Token 工厂」解决方案。 趋境科技、智谱、摩尔线程共建人工智能国产生态 这是一次对产业痛点的精准狙击。 伴随方案浮出水面的，是资本市场极其敏锐的重注：近日，趋境科技正式宣布完成 B 轮融资，本轮募资超 13 亿元人民币。 至此，这家在 AI Infra 赛道深耕的独角兽，今年内已累计募资高达 24 亿元，高品质 AI Token 日均产量等核心经营指标在半年内实现了超十倍速的暴涨。 这套撬动数十亿资本的方案，究竟解决了什么产业难题？ 它是如何在真实的生产线上，把性能特征各异的普通算力练成「Token
- AI会画3D，却未必看得懂3D科学世界。 前一阵，GPT-6 Astra 画 CAD 的视频在 X 上实火。 比如这个涡轮增压器，每个零件都单独建模，不仅能正常转动，还能一键原地拆解展开，视觉效果相当炸裂。 一时间，GPT-6 Astra 的 BenchCAD 跑分达到了惊人的 95.9%，评论区不少人已经在讨论 CAD 工程师的再就业问题了。 不过，也有工程师出来泼了盆冷水：这些零件，一个都别往生产线送。因为，画得像，不代表画得对。 内行看门道，外行看热闹。表面上看，模型已经能够复刻 CAD 的视觉界面，但从专业工程师的视角来看，这些模型在科学原理、几何结构以及部件之间的关系上，是否真的准确？有没有一个专业的测评基准，能够检验 AI 对三维科学对象的观察与理解能力，并评估其生成的三维对象是否符合科学与工程要求？ 最近发现了一个 benchmark，还真能评测 AI 在建筑设计中的 CAD 能力。它会像专业工程师一样，走一遍零件的检查流程，从结构关系到几何细节逐项核验，判断模型生成的结果是否符合要求。 这个 benchmark 叫 ScienceVision。它的评测范围不止于工程制图