AI 资讯
来自 Twitter · Hacker News · GitHub 的 AI 行业动态
Google DeepMind 领导层重组：Hassabis 转任 Alphabet 首席科学家
Alphabet 于 8 月 5 日宣布 AI 领导层重组：DeepMind CEO、诺奖得主 Demis Hassabis 出任新设的 Alphabet 首席科学家并转任 DeepMind 董事长，转向 AGI 长期研究；CTO Koray Kavukcuoglu 以 SVP 身份接管日常运营、直接向 Pichai 汇报。同时资深工程师 Jeff Dean 与 Sanjay Ghemawat 在 27 年后离职，与 Vinyals、Quoc Le 创办 Discovery Loop。背景是 Gemini 3.5 Pro 延期、面临 OpenAI/Anthropic 压力；Alphabet 股价当日跌约 5%。
@Google
阅读 →
Anthropic 确认组建自研芯片团队，为 Claude 定制硅片
Anthropic 于 8 月 5 日确认正组建内部芯片设计团队，软硬件协同为 Claude 定制硅片，目标把每 token 推理成本削减约一半。团队面向兼具硬件/软件背景的工程师（年薪 32 万–48.5 万美元），由 6 月加入的 Clive Chan 牵头技术；据报道正接触三星作为潜在代工方。此前 Anthropic 已与 AWS、Google、英伟达、AMD 达成算力合作。
@AnthropicAI
阅读 →
LLaDA MoE v2：专家混合扩散语言模型的规模化研究
系统研究了专家混合扩散语言模型的规模化行为，发现其优化超参数缩放规律与自回归模型存在显著差异：最优批次大小增长更快，最优学习率衰减更快，且等计算量分析显示模型-数据分配策略也有所不同。
世界模型何去何从？
持续进化的Agent需要动态交互反馈而非静态监督，但直接与真实环境交互成本高、速度慢且不安全。经典世界模型主要通过预测未来物理状态来实现中间代理，范围较窄。本研究提出以Agent为中心的交互式世界模型概念。
PAST-Bench：个人智能体递归自我改进能力的基准测试
递归自我改进要求智能体将积累的经验转化为更好的未来行为。个人AI智能体是研究这一能力的理想场景，因为它们能跨会话保留偏好、任务历史、工具流程和习得技能。但保留的经验是否真的能随时间提升它们的能力，目前尚无系统性测试。PAST-Bench正是为隔离这一问题而设计的基准测试。每个智能体在匹配的条件下运行有序的新会话任务序列，分别开启和关闭保留经验。该基准涵盖26个场景。
知识-几何解耦：流推荐可刷新预训练迁移
工业推荐系统采用预训练-迁移范式，但行为分布漂移带来挑战：如何从行为序列中学习以及如何持续迁移知识。我们提出知识-几何解耦（KGD），通过行为多token预测（BMTP）仅保留相关未来信息。
JoyAI-Video-Edit：基于自回归扩散的实时开放视频编辑
JoyAI-Video-Edit是一个160亿参数的自回归扩散框架，通过分块自回归适应、源锚定分布匹配蒸馏和长期自回归蒸馏技术，实现无需未来帧或预设时长的实时开放式视频编辑，在保持源视频保真度的同时确保长期时序一致性。
白宫敲定前沿 AI 自愿安全测试框架，仅限闭源模型
白宫于 8 月 3 日敲定前沿 AI 自愿安全测试框架，并于 8 月 4 日召集 OpenAI、Anthropic、Google、Meta 开会。框架要求闭源前沿模型在公开发布前给美国政府最多 30 天的网络安全评测早期访问期；明确将开源/开放权重模型排除在联邦安全审查之外，被指形成结构性竞争不对称。框架源自特朗普 6 月的 AI 网络安全行政令。
大模型倾向保留而非删除：LLM代码编辑中的删除规避问题测量与缓解
研究发现大语言模型存在"删除规避"倾向，系统性保留本应删除的代码，导致代码库可维护性下降。在SWE-bench Verified五大模型中，删除召回率最高仅71.7%，能定位正确文件超92%，但精确删除行级代码不足52%。
ICDAR 2026 原子层沉积/刻蚀（ALD/E）科学图表信息抽取竞赛
多模态 AI 理解科学图表需融合视觉感知与领域推理以提取有意义知识，Sci-ImageMiner 基准数据集及配套竞赛通过整理涵盖四项端到端互补任务的专家标注数据集提升了科学类竞赛水准，竞赛于 2026 年 1 月 9 日至 4 月 8 日吸引 68 名活跃参赛者，累计 1,263 次公开/私有提交。
GradCuit：信用分配梯度流实现鲁棒可解释的测试时潜在推理
基于优化的潜在推理通过在测试时优化特定实例的连续状态来提升大语言模型输出，同时保持模型参数冻结。然而现有方法通常通过解码后的token将这些状态与推理轨迹相连，导致序列级信用分配间接化，模糊了潜在更新如何影响后续推理。我们提出GradCuit（梯度通过电路），在选定Transformer层的提示隐藏表示与生成续写之间插入可优化的潜在状态。
GPTQ-2D: 立方时间双边自适应舍入
研究了GPTQ等自适应舍入方法的双边版本，通过在矩阵左右两侧同时应用固定基矩阵扩展了经典算法。该方法将单边舍入作为特例，利用向量化将双边目标转化为二次度量问题。
LongHorizon-Harness：推进面向现实世界任务的长时程智能体
大语言模型智能体越来越多地承担需要持续推理、工具使用和多步修正的长时程任务。现有框架将任务执行、状态和完成评估都维护在不断增长的上下文中，导致状态难以追踪且错误评估会传播。LongHorizon-Harness将长时程执行重新定义为任务状态管理问题，将状态显式维护在执行外部，仅根据事实进行更新。
UEmbed：统一稀疏与密集多模态嵌入
稀疏检索是现代搜索系统（从网络搜索到检索增强生成）的基础。现有方法引入学习稀疏检索（LSR）超越精确词法匹配，但LSR一直局限于编码器式双向架构，在多模态场景中仍高度依赖辅助跨模态模块。为解决这些限制，我们提出UEmbed（统一嵌入），一个解码器风格的多模态嵌入模型，可在一次因果前向传播中同时生成稀疏词法表示和密集表示。
SWE-Touch：用户修改代码时代码智能体的基准测试
现实软件开发需要代码智能体在共享工作空间运行，用户可能在其间检查和修改代码。然而现有仓库级基准测试通常评估单独工作的智能体，或仅将用户参与限制在消息层面。这促使我们提出问题：代码智能体如何在共享工作空间中理解和响应代码变化？我们引入SWE-Touch框架，通过验证的Counter-Edits（对任务相关代码的似是而非的编辑，会与任务完成冲突）来压力测试这一场景。SWE-Touch从mu中挖掘任务关
StyleForge：基于超图场反事实推理的固定布局家具造型
StyleForge 基于动态超图风格场构建场景级结构化选择框架，利用冻结多模态大语言模型提取风格先验，避免资产间的形状、材料和颜色冲突。
弱到强在线策略蒸馏
在线策略蒸馏（OPD）通过让学生模型在自己的 rollout 上匹配教师的 token 级分布来迁移 LLM 能力。当前沿没有更强教师时，现有方法失效。我们提出弱到强在线策略蒸馏（W2S-OPD），一种无需更强教师即可有效蒸馏的简单方法。
Meta GEM 训练：如何在 LLM 规模下将广告基础模型效率翻倍
Meta 的生成式广告推荐模型 GEM（Facebook 与 Instagram 广告推荐底层模型）如今在最新 GPU 集群上以 LLM 规模训练，端到端训练效率提升一倍，模型 FLOPs 利用率达 20–25%，训练算力扩大 4 倍。
SAF-OPD：一种用于在线策略蒸馏的稳定优势融合方法
具有可验证奖励的强化学习（RLVR）向每个token广播单一的回答级奖励，而在线策略蒸馏（OPD）针对更强的教师模型对每个token进行评分以获得密集优势，但将性能上限限制在教师水平且不鼓励超出该水平的探索。它们的互补性使结合RLVR和OPD很有前景，但我们发现用固定系数融合两种优势会因两种校准错误而导致熵崩溃：一是幅度不匹配，即token级OPD优势可能飙升远超有界的RLVR优势并抹去其信号，
RL^2-VLA：面向视觉-语言-动作模型的自适应强化学习潜在组合引导与测试时扩展
尽管视觉-语言-动作（VLA）模型展现出令人印象深刻的视觉运动能力，但其在困难和分布外任务上的性能往往会下降。现有测试时引导和缩放方法虽能无需大量数据收集和重训练即提升性能，但动作样本仍集中于相似行为，继承了相关的失败模式。此外，现有方法在每个时间步都采用相同的干预策略，未考虑基础策略是否可能已成功。为解决这些局限，研究者提出了RL^2-VLA。
从RLVR到RLSVR：任务转换诱导开放式大语言模型自改进的可自验证奖励
可验证奖励强化学习（RLVR）通过大规模优化推动了推理导向大语言模型（LLM）的近期进展，但其适用性仍主要局限于数学和编码等可确定性验证的领域。开放式任务通常依赖人类偏好、奖励模型或LLM评判，存在评估偏差、评判能力瓶颈和额外推理成本等问题。本文借鉴自监督学习原则，通过构建前置任务来引导模型学习。
N_0-VTLA：基于隐式触觉 token 扩展视觉-触觉-语言-动作模型
提出 N_0-VTLA，一种视觉-触觉-语言-动作（VTLA）基础模型，支持（1）基于触觉感知的精细接触操作与触觉反馈控制，（2）利用部署数据离线改进策略。该方法通过视觉-触觉预训练、分阶段触觉路径整合和优势条件离线策略改进实现。
QQWorld：用于世界模型正则化的分位数-分位数匹配
潜在世界模型通过在紧凑表示空间预测未来状态实现高效规划，但性能高度依赖潜在分布质量。现有方法 LeWorldModel 使用 Epps-Pulley（EP）目标将潜在变量正则化为各向同性高斯分布，但 EP 的校正梯度对孤立尾部样本迅速消失，导致重尾偏差控制不足。QQWorld 用分位数-分位数匹配目标替代 EP，直接对齐投影分布的分位数。
AISPA：面向大语言模型应用的用户中心化系统提示词审计框架
系统提示词是开发者配置的指令，用于控制AI应用中基础模型的行为。虽然广泛应用于商业AI产品，但很少向公众或监管机构公开，导致AI系统广泛部署中存在严重的信任和问责缺口。本文提出人工智能系统提示词保障（AISPA），一个用户中心化的框架，用于系统性审计AI系统中的系统提示词，检查具体部分并从8个对用户重要的维度进行评估。
0xwilliamortiz/ratchet：你的agent读取规则，并验证其执行情况
你的agent读取规则，并验证其执行情况。
彭博：Moonshot 经阿里巴巴使用约 2 万颗英伟达芯片训练 Kimi
据彭博 7 月 31 日报道，月之暗面（Moonshot）与阿里巴巴达成算力协议，通过阿里云使用约 2 万颗英伟达 GPU 集群训练并运行其 Kimi 模型（Kimi K3 于 7 月 17 日发布，称迄今最大开源系统）。阿里持有 Moonshot 约 36% 股份并提供云基础设施。公司估值攀升至约 350 亿美元、IPO 在望。此事处于美国对华芯片出口管制的敏感背景下——白宫官员此前曾指其获取受限英伟达芯片。
See2Think：多模态模型是否真正使用了中间视觉状态？
多模态大语言模型在推理过程中越来越多地使用草图、注释、工具和中间图像，但目前尚不清楚它们是否真正依赖这些视觉状态。现有基准测试受限于任务覆盖范围窄或部分文本可解决的样本，以及仅强调最终答案而缺乏对中间视觉状态生成、渲染和使用过程诊断的评估。研究团队提出 See2Think 统一评估框架，包含 See2ThinkBench 和 Visual Action-of-Thought（VAoT），后者包含
字节 Seedance 2.5 登陆即梦/Dreamina：原生 30 秒视频
字节跳动 Seedance 2.5 视频模型于 7 月 31 日在即梦（Dreamina）平台上线。相比 Seedance 2.0 单次最长 15 秒，2.5 单次生成可达原生连贯 30 秒（非两段拼接）、最长约 3 分钟，此前已在企业版全球公测。模型于 6 月 23 日火山引擎 FORCE 大会发布，此番面向消费者平台开放。
@dreamina_ai
阅读 →