觀點
共 152 篇 · 第 6/7 頁
-
路徑之爭：高德 ABot-Earth0.5 三個工程突破，讓原生 3D 城市生成走出實驗室
3D 城市生成長期走同一條路：採集海量 2D 影像，再從中蒸餾出 3D 結構。這條路不是沒有成果，但幾何一致性的天花板早被業界看透，終究是用二維畫素在猜三維世界。
-
當 Agent 取代人下單：螞蟻 AMP 押注的支付基礎設施戰場
過去五年，移動支付解決的是「人的支付便利」；接下來五年，問題可能變成「如何讓一個 AI agent 替你買機票、續訂閱、甚至購買 Token，而商家願意接單」。
-
能力退化還是被壓抑？Off-Model SFT 的移除代價與解法
AI 控制研究裡有一類核心工具，叫做 off-model SFT：用另一個模型產生的標籤來微調目標模型，藉此改變它的行為，不需要直接重設目標函式。這個做法的主要應用場景，包括對抗 exploration hacking（模型在訓練過程中學到繞過監督的行為模式），以及清除被植入的後門。
-
OpenEnv：開源 AI Agent 訓練缺的那層基建
當前 AI agent 訓練的競爭，正從單純的模型能力比拼，移向 harness 與模型的協同最佳化。
-
Apple 降低 AI 承諾，iPhone 照樣創新高：工程誠實勝過發表會願景
今年 WWDC 有兩件事值得對照著讀：Apple 把 AI 的承諾範圍大幅收窄，同時 iPhone 17 的營收卻交出歷史新高。兩件事放在一起，比任何技術發表更適合當產品判斷的參考座標。
-
教原理還是示範行為？Anthropic SDF 的對齊實驗與自駕車驗證方法的交集
Anthropic 近期公開了一項訓練實驗的細節，結論有些反直覺：要讓大型語言模型在對齊上表現更好，示範「正確行為」的效果，遠不如教它「為什麼這樣做是對的」。這套做法被稱為 SDF，具體操作是把憲法檔案與虛構故事混入預訓練的 next-token 預測任務，不靠強化學習（RL）塑形行為。
-
800K 參數，100% 正確：消去式推理為何讓大模型看起來像在猜謎
AI 圈有個根深蒂固的假設：規模越大，能力越強。更多參數、更多算力、更長訓練，問題就解決了。這個邏輯在語言理解、程式生成等任務上確實成立，但最近一篇論文戳到了它的盲點。
-
點雲押注：FP3 的 3D 賭注，與中國具身基座白熱化
機器人基座模型大多吃的是 2D 影像，這本身是一個先天妥協。現實空間是三維的，影像壓縮掉深度資訊，模型靠統計猜物件位置。ICRA 2026 最佳論文提名的 FP3，賭的就是這條縫：用點雲取代影像，直接輸入 3D 幾何。
-
SkillOpt：當 Prompt 工程變成 Prompt 訓練
Agent 的 skill 檔案是一個奇怪的存在。它決定了模型在特定任務上的行為，卻幾乎總是人工寫死後就再也不動。工程師花時間調它、上線後就凍結。問題在於：執行軌跡裡藏著大量失敗訊號，從來沒有人有系統地把它讀回來。
-
長影片一致性的三道關卡：拆解 JoyAI-Echo 的記憶、蒸餾與超分架構
長影片生成卡關的從來不是「會不會造夢」，而是「記不記得住夢」。鏡頭切換臉就變，換場景衣服就飄，開口說話音色對不上，這不是算力問題，是架構沒把長期記憶當一等公民。
-
異質性是產品：四間實驗室的小模型議會，工程教訓全在 serving 層
v1 的 Thousand Token Wood 是個沙盒：五隻森林動物共用一個微調過的 0.5B 模型，交易、囤貨、在衝擊下崩盤，你是觀眾，負責調參、觀看泡沫生成。它驗證了多 agent 經濟體的可行性，但本質上是個展示品。
-
幾何重建連霸、資料牆被捅破、遊戲成基座：讀懂 CVPR 2026 三條主線
CVPR 2026 在丹佛落幕，74 篇入圍、5 篇獲獎。略過花名冊，三條主線值得做研究和建產品的人記好。
-
RL 環境就是你的資料生成器，它壞掉，你的模型就壞掉
post-training 的競賽愈演愈烈，各家團隊爭相用強化學習（RL）把 base model 打磨成能幹活的 subagent。在這個過程中，有一個基礎設施層幾乎被低估到忽視：training harness，也就是 RL agent 真正生活在其中、與之互動、靠它獲得回饋的那套模擬軟體系統。
-
斬斷致命三角的一條腿：Lockdown Mode 的防禦邏輯
Prompt injection 不是新威脅，但防禦方法長期停留在「讓 AI 自己判斷哪些指令可信」這個根本上不可靠的路徑。OpenAI 近期正式上線 Lockdown Mode，目前向 Free、Go、Plus、Pro 及自助式 Business 帳號陸續推出，它的設計意圖值得建構 agent 的團隊認真拆解。
-
小模型實戰：五隻林地生物、一個會崩盤的經濟體，三個工程教訓
在 Build Small Hackathon，有人用 Qwen2.5-3B 跑了五隻林地生物組成的多代理經濟體，讓牠們交易五種商品、積累財富、觸發泡沫與貧富分化。推論後端是 vLLM on Modal，前端是 Gradio 介面。
-
衝萬億估值前喊暫停：讀懂 Anthropic 擰巴姿態的底層邏輯
6 月 1 日，Anthropic 秘密遞交 IPO 文件，估值有望破兆；四天後，它發文呼籲全球同行考慮放緩前沿 AI 開發，理由是 AI 正逼近「遞迴自我改進」臨界點。批評幾乎是反射性的：有人類比為考前成績最好的學生突然號召全班停課，前華爾街分析師 Tae Kim 直言此舉對美國 AI 產業適得其反。
-
當 AI 客服變成攻擊面：Meta 帳號事件揭示的新安全正規化
2026 年 6 月 5 日，404 Media 報導了一起針對 Meta AI 客服 agent 的攻擊：攻擊者透過極為簡單的手法，奪取了多個 Instagram 帳號的控制權。受害物件包括一個休眠中的歐巴馬白宮帳號（被用來釋出親伊朗貼文）以及多個具市場價值的單字 handle，推測是為了轉售而取得。
-
NVIDIA Nemotron 3 Ultra：開放權重新座標，與一場低精度預訓練的規模跳躍
開源模型與閉源前沿的差距，一直是做 agent 系統的團隊繞不開的成本題。NVIDIA 這次發布 Nemotron 3 Ultra，給這道題打進了一個新的刻度。
-
姚順雨的「下半場」：瓶頸從找方法移到找問題，三個訊號看頭部怎麼押注
這場對談發生在一個尷尬時間點：外界持續質疑騰訊 AI 是否落後，姚順雨選在此時公開定義他的框架。剝掉大會包裝，對建構者真正有用的是以下幾層邏輯。
-
Hinton 說 AI 有意識，問題在推論，不在答案
四年前，Google 工程師 Blake Lemoine 對公司內部聊天機器人提出類似主張，隨即遭到解僱。
-
A2A 進消費端、6G 備戰 2029：AI 代理的底層基礎設施正在成形
三條新聞放在一起讀，輪廓才會清晰。微信宣佈與華為、小米、榮耀、OPPO 等手機廠商接入 A2A（Agent-to-Agent）協議；中國工信部發布 6G 部省協同試點行動通知，目標 2029 年形成可商用技術體系；SpaceX 啟動 IPO 路演，計劃公開發行超過 5.5 億股 A 類普通股，定價預計每股 135 美元。
-
當 AI 拿到真實的錢包，基準測試就破了
把智慧壓成一個分數，這是現有 benchmark 的共同邏輯。SWE-Bench、MMLU、Humanity's Last Exam 各有用處，但它們測的是受控環境下的點狀能力，不是模型在時間裡持續行動、面對真實後果時的樣子。
-
形式化不是吃苦藥，Axiom 對 AGI 路徑的反主流判斷
2025 年，成立僅七個月的 Axiom 在 Putnam 數學競賽解出全部 12 題（限時內完成 8 題），優於頂尖大學生的 110/120 分、DeepSeek 據報的 103/120 分。Putnam 歷屆中位數通常是 0 到 1 分，這份成績單並非不值一提。
-
Access 擴大了，勝訴率沒有，AI 訴訟潮背後的責任空白
美國聯邦法院正在經歷一場靜默的結構性轉變。不是律師用 AI 打更多案子，而是原本進不了法院的人，開始自己進來了。