行业趋势

微软等发布Agent Lightning 1.0：6000条样本把编程智能体提升14.6个百分点

训练编程智能体时，真正执行工具、保存上下文和控制循环的往往是Agent框架，强化学习训练器却希望接管整条交互。微软、复旦大学、浙江大学、爱丁堡大学等机构发布Agent Lightning 1.0，让现有智能体继续掌管运行过程，训练侧通过模型

浙大&上交提出DAS：让智能体闭环写综述，30个主题总分拿下4.34

自动生成综述最容易出现的不是少写一篇论文，而是分类、论点、引用和段落之间彼此脱节。浙江大学、上海交通大学提出Deep Academic Survey（DAS），把论文分析与专题写作拆开，并用可回退的状态记录组织、写作和审校过程。

阿里云&上交等提出AViTS：只放大关键Token，扩散模型最高加速14.76倍

扩散模型从低分辨率切到高分辨率时，通常会把所有潜在Token一起放大，即使大片背景已经稳定。上海交通大学、山东大学、阿里云、西安交通大学等机构提出AViTS，依据文本相关性和跨去噪步骤的特征变化，只优先细化真正重要的Token。

英伟达等提出Hydra-0：把机器人动作变成像素流，运动误差降低90.4%

机器人换一副机械臂，原有世界模型往往就要重新学习动作含义。英伟达、布朗大学、哥伦比亚大学、哈佛大学等机构提出Hydra-0，把关节角、末端位姿等机器人专属命令转换成画面中的像素运动轨迹，让不同形态的机器人共享一种视觉动作接口。

剑桥RigidBench测8款视频模型：没有一个在10项物理指标上全面领先

剑桥大学团队提出RigidBench，用模拟器给视频生成模型建立可核对的刚体运动标准答案。8款模型在同一批100个样本上接受10项测量，没有一个模型在全部指标领先；更反常的是，模型平均SSIM越高，3D轨迹误差反而越大，相关系数达到0.89

上海AI Lab复旦中科大等让AI生成300零件3D物体，序列最长25.6万Token

上海人工智能实验室、复旦大学和中国科学技术大学等机构联合提出MegaParts，用自回归大模型生成由语义零件组成的3D物体。系统支持最多300个部件、最长25.6万Token序列，生成的门、抽屉、钢琴键等部件保持独立，便于后续移动、替换和制

腾讯港科广等让AI从一句话搭3D世界，GPT-5.5等成功率仍低于60%

香港科技大学（广州）和腾讯联合提出VibeWorlding：用户用文字或图片描述场景，智能体自行理解意图、检索3D资产、调整布局，并根据多视角渲染结果继续修改。论文的6828条查询中，GPT-5.5和Qwen3.8-Max成功率都低于60%

北大京东等让机器人读说明书操作家电，7B模型开放规划超过最佳基线10倍

北京大学、北京航空航天大学和京东科技联合提出AppliancePlan，让机器人结合说明书、当前画面和操作状态规划家电任务。团队构建覆盖22类家电的数据集；论文报告，7B模型在RealAppliance-Bench开放规划上超过最佳基线10

腾讯优图上交等发布PersonaShot：AI视频画面再漂亮，也会在切镜后忘记人物状态

上海交通大学、腾讯优图实验室和浙江大学联合发布PersonaShot，专门评估人物在多镜头AI视频中的叙事连续性。基准包含约1000个多镜头片段和16项指标。团队发现，高观感画质并不保证切镜后的物理状态、情绪变化和镜头关系保持连贯。

阿里达摩院南大等做0.1度天气预测，72小时内85%以上时段胜过IFS-HRES

南京大学、蚂蚁集团和阿里巴巴达摩院联合提出BaguanHR，目标是训练0.1度全球高分辨率天气模型。论文报告，在72小时预报范围内，其合成加真实数据版本在超过85%的受测时段优于IFS-HRES；训练数据翻倍时，72小时预报RMSE下降4.

蚂蚁清华等发布VideoGAIA：GPT-5.5等前沿模型看视频答题仍低于60%

香港中文大学、蚂蚁集团和清华大学等机构联合发布VideoGAIA，把视频问答从“看完选答案”改成多轮调查：模型要反复观察视频、调用外部工具、搜索开放世界信息并整合证据。271项任务中，包括GPT-5.5和Kimi-K3在内的所有受测模型准确

斯坦福MIT等用VR一周采集75小时数据，灵巧手只需1—2小时真机示范

斯坦福大学、麻省理工学院和Scale AI联合提出SPD，把灵巧手的大规模操作数据采集放进VR仿真。5名操作者在一周内积累75小时多任务轨迹，模型预训练后，只用1—2小时真实演示微调，就能迁移到56自由度的双手灵巧机器人上。

智元等提出τ0-VLA：用40115小时真实数据训练，机器人遇到难题可先多想几步

上海创新研究院、智元Finch和香港中文大学联合提出τ0-VLA，让机器人在决定下一项子任务时按难度分配推理计算：简单步骤直接执行，困难或后果重要的步骤先生成多个候选，再借助世界模型比较。模型使用40115小时异构真实世界数据训练，并在多种

腾讯UI-Mate学会看一遍再操作电脑，一次示范让任务成功率从17.2%升至35.4%

腾讯Hy Frontier团队提出开源GUI智能体UI-Mate：用户先录一遍操作，它把录像整理成可复用的子任务流程，再对着实时屏幕执行。论文在OSWorkerBench的33项同任务示范子集中报告，一次示范将严格成功率从17.2%提高到3

腾讯港中文等提出ForgeWM：一步生成可玩的游戏世界，回放还能继续精修

扩散世界模型画面越精细，往往要去噪越多步，玩家按键后只能等待；压到一步生成，速度上去了，细节和稳定性又容易下降。腾讯PCG、香港中文大学、复旦大学、上海人工智能实验室、香港科技大学等团队提出ForgeWM，训练1、2、4步不同速度的学生模型

上交提出ReflexVLA：机器人学会预判运动轨迹，专攻6项高速动态任务

静态桌面上慢慢抓取，模型多想半秒未必出事；面对滚动、摆动或即将离开的目标，等图像编码和动作生成完成，机会已经过去。上海交通大学团队提出ReflexVLA，把未来运动预测、多帧视觉融合和低延迟推理放进同一策略，并发布包含6类高速动态任务的Re

游戏世界穿地怎么办？Marionette把规则写进276维3D状态，错误减少66%

视频模型可以生成很像游戏的画面，却常在连续操控后让角色穿地、漂走或动作失真。Alaya Lab、上海创智学院、华中科技大学等团队提出Marionette，不让神经网络同时猜物理状态和像素，而是先生成276维显式3D角色状态，再由零参数几何桥

Meta&牛津给AI科学家配“选题编辑”：15小时追平原本24小时研究进度

AI科研Agent可以一口气提出很多实验，但算力真正花在哪里，往往比想法数量更决定最终成绩。Meta FAIR、牛津大学、伦敦大学学院等团队提出Research Preference Models（RPM），专门比较候选研究动作并挑选更有希

ImageNet用了14年的标签出问题：12%标错，重标后多模态模型涨5—6分

捷克理工大学视觉识别团队提出ReImageNet，重新检查ImageNet-1k的5万张验证图，发现约12%的原标签错误，33.3%的图片天然包含多个类别，还有3.8%根本找不到合适的ImageNet类别。换用新标签后，多模态大模型准确率普

华为推出ScienceFlow：AI科研Agent会回退重走，24小时拿下70.22%奖牌率

让AI连续研究24小时，真正棘手的不是多写几段代码，而是路线走偏后能否及时止损、保留好结果并从可靠节点重新出发。华为诺亚方舟实验室推出ScienceFlow，通过可执行状态快照、证据驱动回退和资源感知调度组织长时程科研Agent，在完整ML