搜索
近日，清华大学智能产业研究院（AIR）与加州大学伯克利分校（BAIR）团队合作提出了一种全新的预测范式 ODEWorld，其建立在连续的“物理时间流”（Physical-Time Flow, PT-Flow）之上。与传统方法直接预测下一帧是什么不同，ODEWorld 试图学习的是：世界究竟怎样从当前状态连续地变化到未来状态。
8 月 10 日，戴盟机器人正式发布全球首个触觉锚定世界模型 Daimon-TWM（Tactile-grounded World Model），以原生触觉贯穿物理认知、推演决策和瞬时反应全阶段。这个 “物理交互脑” 不仅能理解正在发生的物理接触，还能预测下一步交互会发生什么，并根据瞬息万变的反馈及时修正动作。
过去两年，self-reflection、self-correction、self-play、agentic RL、skill learning、test-time adaptation、open-ended evolution、self-evolving agent等概念不断涌现。
世界模型是物理原生智能（Physics-native Intelligence，Phi）重要的组成环节。
MirroS给出了第一个完整回答。他们首创性地提出了Physical RSI——在公开文献中，第一次有人将递归自我改进的逻辑从数字环境系统性地延伸到物理现实，并交付了从概念定义、运行机制到研究路线图的完整框架。（原文见MirroS官方博客：Building Physical RSI Beyond the Known World，公众号「MirroS」亦有中文摘要。）
这个框架名叫 Prime Agent，由 Prime Intellect 发布。官方对它的定义是：一个面向编程、研究和长时间自主任务的「自我改进 RLM harness」。RLM 是 MIT 博士生 Alex Zhang 等人去年 10 月发布的一项工作（参见《递归语言模型登场！MIT华人新作爆火，扩展模型上下文便宜又简单》）
近日来自南京大学模式识别实验室（PRLab）的梁嘉骏、廖宇程，在司晨阳教授的指导下，联合新加坡南洋理工大学、英国帝国理工学院，提出连续扩散语言模型 AURORA-LM（Autoencoding Unified Representation for Continuous-Latent Diffusion Language Modeling），对连续空间下的语言建模作出了更多的思考和发现。
千诀科技联合清华大学团队，为神经网络提出了一把新的 “复杂度标尺”。
在模型层之外，2026 年上半年在硅谷增长最快的赛道之一是数据：Mercor 的 run rate 从去年下半年的 5 亿美元涨到今年年中的 20 亿美元；Handshake 转型 human data 后，run rate 在年初三个月内从 5.5 亿美元冲到 10 亿美元；RL 环境公司 Fleet 则在半年内从百万美元级别做到 6000 万美元 run rate，
时隔近两年，李飞飞终于再做客a16z，畅谈空间智能和World Labs在机器人赛道上的全盘布局。