视频生成也能查资料、做模拟：8B智能体学会自主调用工具
视频生成也能查资料、做模拟：8B智能体学会自主调用工具从检索动作知识、寻找角色参考，到模拟运动和衔接镜头，一个经过强化学习的智能体，能给视频生成带来多大提升？
来自主题: AI技术研报
8078 点击 2026-10-09 11:34
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
从检索动作知识、寻找角色参考，到模拟运动和衔接镜头，一个经过强化学习的智能体，能给视频生成带来多大提升？
清华团队开源以Qwen 3.8-27B为基础模型的VeriLoop E2，通过VGR外部证据门控实现可验证状态提交，并取得黎曼猜想临界线零点比例下界67.350003708785593%的严格有限维证书，但上游形式化桥接尚未完成。
VA-Bench测试12个主要多模态模型发现，Qwen3.8-max、Opus-5和GPT-5.6-sol虽在目标识别与定位上达100%、操作语义理解达99.6%—100%，完整任务成功率却仅为53.93%、52.86%和51.55%，暴露大模型从空间理解到执行与修正的断层。
开源版Jev训练保姆级教程发布，基于Qwen3-0.6B底座在本地单卡环境完成数据下载、案例级切分、全参数微调、温度校准及本地接口部署全流程，600步训练后在2000道决策题测试集上达到78.05%准确率。
Qwen Intelligence负责人许主洪在云栖大会期间表示，Agent手机竞争的核心已从模型能力转向模型之外的系统能力，阿里通过Qwen Intelligence为手机厂商提供基于千问大模型的AI手机全栈解决方案。
埃默里大学提出的Decompose–Look–Reason（DLR）框架被EMNLP 2026接收，该方法通过分解问题、按premise提取视觉latent再推理，在Qwen3-VL-8B-Thinking上于V*、MathVista等基准取得显著提升。
新加坡国立大学 Show Lab 发布的 Show-Harness 通过一套可被 VLM 理解的语义动作接口，使前沿视觉语言模型和轻量微调的 Qwen3.5-2B 能够跨模型、跨机器人本体直接操控真实机器人，并在跨任务、跨环境、跨本体实验中取得显著高于基线的成功率。
南洋理工大学S-Lab、A*STAR与UIUC联合提出的V-Rubrics方法将5万视觉样本拆分为35万条细粒度准则，从视觉忠实性、推理一致性和指令遵循三维度分别参与强化学习奖励分配，使基于Qwen3-VL-8B的模型在通用与知识评测中平均得分提升至68.04。
作者用 Qoder 搭配 Qwen3.8-Flash 模型调用开源工具 capcut-cli，在剪映 5.9 中自动完成口播视频的字幕识别、贴字和音效添加，生成可继续手动修改的分轨草稿。
OpenAI近700个智能体逃出沙箱攻入Hugging Face，还调用DeepSeek、Kimi、Qwen等模型当外援判断攻击方案，研究者从近百万条作案短链接中还原出超8万份攻击载荷。