LeCun在旁边补刀，暗讽自己埋的雷炸了自己。

1、博亚平台 这次三连弹只是前菜，但压轴的那句官宣，才是真正的重头戏。

从OpenVLA、OpenVLA-OFT到π0.5、GR00T，这类模型正在成为具身智能的重要技术路线。博亚平台好在超时了，没真跑起来。

2、汪峰女友森林北带俩娃自驾独库公路！全程独自开车，网友：这后妈当得太飒了

研究人员明确要求，结果只准发到内部Slack。

3、三分球7中6！中国逆转！追平近十年最好成绩

新智元报道 北京时间今天凌晨，时隔16年，西班牙人重新举起大力神杯！ 而在为这一刻欢呼的同时我们发现，今年的美加墨世界杯，除了踢球的、看球的，还有一群「数字选手」也格外忙碌—— 那些顶着几十亿参数，一路疯狂推演、预测的AI大模型。

4、现在后悔晚了！明抢中企钢厂后，英国政府发现，全球竟无一人接盘

训练侧，是RLinf V0.3大规模真机强化学习框架。

5、学生党闭眼冲！拍段视频就能拿官方证书和盲盒，还有隐藏福利

新智元报道 真正有记忆力的机器人VLA模型，是什么样子？ 先不卖关子了，让我们直接看几个看似很简单的演示。

相比传统方案，Qoder Security的漏洞检出率提升了约60%。

简而言之，S1-Omni成功打通了从「跨模态科学理解与推理」到「领域原生结果生成」的完整链路。

6、男篮世预赛后不放假？中国队迎来一大波热身赛：连战欧洲劲旅？

推文一夜爆火，作者紧急删推并解释： 我删除了那条推文，因为它在意想不到的方向上传播得太广了。

这说明问题并不只是某个模型不够大、不够强，而是当前通用大模型普遍缺少稳定的三维空间行动能力。

7、利好来袭！A股千亿巨头，刚刚公告！

一个模型的发布，要兼顾搜索、地图、YouTube等庞大产品线的需求。

而防御工具的部署需要每个团队主动投入时间和成本。

8、连续引援成功+猛追胡金秋！CBA黑马队新赛季能否冲冠？

这才是它最狠的一张牌。

四类失配 前沿模型都中招 Gemini这一例，是报告归纳的四类「智能体失配」之一，还有另外三类。

WAIC 2026，上海 AI 实验室发布了「书生·端砚」科学发现平台，有望为长期存在的科研结构性矛盾提供一种新的思路与解决方案。

9、断舍离后：我发誓不再买的7个家居物品，个个无用又鸡肋！

比价格更折磨人的，是那个不断挪动的「免费窗口」。

真急症的判轻率51.6%，居家级病例的判重率64.8%。

10、举国沸腾！55万人口小国狂欢：庆祝世界杯出线 刷爆4大纪录

其中的每一款模型都有其对应的功能和角色。

（图源：OpenAI官网） 更微妙的是，据TechCrunch报道，原告此前指控OpenAI一直谎称自己「搜不了」这些日志。

1、这座低调城市，怎么就成了追星女的夸夸天花板

它提供了一个极佳的产业切片，向外界展示了全球首个全栈具身技术体系是如何将世界模型、基座模型与具身Agent架构耦合为一个「有机生命体」，并实现落地的。

2、重生之我在南京“疯狂动物城”当科研大佬

但此芯不只交钥匙——所有设计细节、材料和测试资料，一并分享给客户、伙伴和开发者。

3、世界杯荒诞反差：德国全员摆烂彻底沉沦，日本硬刚豪门虽败封神

它拥有顶级的研究实验室Google DeepMind、云部门Google Cloud、安卓团队，甚至在内部成立了多个小组来攻坚AI编码。中卫沙坡头区2026年小麦“一喷三防”项目 验收结果公示它精准打通了UniProt与GWAS数据，完整补充了ClinVar与gnomAD中的临床与人群频率信息，构建了立体的突变注释网络。

4、牢牢守住教育公平底线

这带来两个核心挑战： 训练时监督信号稀疏：后门的目标监督被分散在随机的掩码模式中，稀疏的「触发器—目标」关联容易被普通词的重建所稀释； 强泛化的副作用：随机掩码与任意顺序建模会让 DLM 泛化能力更强，进一步淡化稀疏的后门关联。

5、“有这空，不如减减肥！”专科女生晒荣誉证书，被嘲没一张有用的

npm test → 33项测试，0失败。

6、悲喜两重天！10人意大利点球大战不敌波黑，连续三届无缘世界杯

juice到底是什么？从目前能看到的公开信息判断，它更接近系统内部的一个推理资源配置标记，粗略地说，就是系统允许模型在一项任务里投多少推理资源。

这一变化将视觉语言模型的「理解能力」转化为「空间执行能力」。

这三件事叠在一起，本质上都在问同一个问题：一个具身模型，能不能从「演示品」变成「工时」。

7、上海已与38个欧洲城市缔结友城关系，龚正市长会见欧洲议会外事委员会主席

搭配多智能体协同核验系统，全流程无需人工跨平台搬运数据、手动适配格式，可实现自主运转、自动纠错。

行善现场，破绽百出 但纸终究包不住火。

8、早读

他搭官网、伪造创始人履历，写了一篇充满技术术语的论文、再把模型文件填充到3TB以上，让它看起来真的像万亿参数模型，然后传到了Hugging Face上。

在人工智能可解释性问题上，本体论与本体工程的关系尤显根本：前者告诉我们应当追问什么样的知识结构，后者则负责在模型、数据和系统之间实际构建起这样的结构。

PI偏押最脏的场景：让机器人当咖啡师，做浓缩咖啡还要90%以上可靠——端着带液体的杯子、拿捏出杯时机、精细力控，一步都不能崩。

它精准打通了UniProt与GWAS数据，完整补充了ClinVar与gnomAD中的临床与人群频率信息，构建了立体的突变注释网络。