Papers61
谷歌论文：四个 Gemini 4 Argon 智能体 27 小时自主通关《我的世界》击败末影龙
四个谷歌 Gemini 4 Argon 智能体成功击败末影龙通关《我的世界》，耗时 27 小时
谷歌研究人员发布论文，使用四个 Gemini 4 Argon 智能体在 27 小时内完全自主通关《我的世界》并击败末影龙，团队称这是 AI 智能体首次在无人类辅助下从头到尾通关。
IT之家·人工智能·
AIHot
All Updates
Papers51
Modal 实测 NVIDIA Vera CPU：高负载下沙箱吞吐翻倍
NVIDIA Vera CPUs double throughput for Modal Sandboxes
Modal 工程团队分享 NVIDIA Vera CPU（Arm 兼容）在 Modal Sandboxes 的基准测试，作者自建 Agentless Agent Bench（50 个 Terminal-Bench oracle 解法与验证器、剥离网络调用、并发 Docker 容器运行）对比多款 CPU。
Modal 官方工程博客（RSS）·
Papers40
OpenBMB 提出 Trident 解决多模态检索文本偏好问题
🔱 Why can irrelevant text outrank an image that actually contains the answer?
面壁智能 OpenBMB 提出 Trident，用多正样本视图 InfoNCE 联合训练文本、图像、融合三种视图，解决多模态检索器在图文混合语料上性能骤降的“Chaos in the Text”现象。
X：面壁智能 OpenBMB (@OpenBMB)·
Papers64
商汤发布 GPT-6-Astra 具身智能实证研究并开源 SenseNova-RoboRSI
We release the most comprehensive 𝗲𝗺𝗽𝗶𝗿𝗶𝗰𝗮𝗹 𝘀𝘁𝘂𝗱𝘆 𝗼𝗳 𝗚𝗣𝗧-𝟲-𝗔𝘀𝘁𝗿𝗮’𝘀 𝗲𝗺𝗯𝗼𝗱𝗶𝗲𝗱 𝗶𝗻𝘁𝗲𝗹𝗹𝗶𝗴𝗲𝗻𝗰𝗲 ac...
商汤发布迄今覆盖面最广的 GPT-6-Astra 具身智能实证研究，横跨 12 个仿真基准和 8 个真机平台，并同步开源 SenseNova-RoboRSI 框架和一个以约 1/50 推理成本运行的 27B 模型。
X：商汤 SenseTime (@SenseTime_AI)·
Papers59
Google Research 发布 Harness² 框架，让 Agent 在未见任务上自我改进 harness
Can Agents improve their own harness on unseen tasks? The @GoogleResearch team released Harness², a framework that allows improve an harn...
Google Research 团队发布 Harness²，一个即插即用的递归 Agent harnessing 框架，围绕冻结模型改进执行 harness。流程为基线记录、Editor 起草候选编辑、Composer 合并有效编辑、Reflector 将经验存入库供后续任务调用。
X：Philipp Schmid（Google DeepMind 开发者体验） (@_philschmid)·
Papers38
自变量发布 X2Real 仿真到现实机器人基准
Meet X2Real—a sim-to-real benchmark for generalist robot policies, built on @NVIDIARobotics Isaac Lab-Arena - an open-source framework fo...
自变量推出 X2Real，一个基于 NVIDIA Isaac Lab-Arena 的通用机器人策略 sim-to-real 基准，覆盖 10 个能力维度、44 个分层长程任务，从视觉与语言推理到精细操作、双臂协作和工具使用。
X：自变量 X Square (@XSquareRobot)·
Papers58
Princeton 与 Google 论文提出 JevAgentHarness，用 4B 决策模型分担 LLM 智能体例行决策
New Princeton Univ + Google paper finds that the decision model most accurate on isolated questions solved only 69.5% of agent tasks, wh...
Princeton 与 Google 等机构的论文提出 JevAgentHarness，用小型决策模型回答智能体中的多选例行决策，仅在置信度低于阈值时交给 LLM。
X：Rohan Paul (@rohanpaul_ai)·
Papers41
AVRI 工具降低安全智能体 token 成本
AI agents that hunt security bugs spend 60.4% of their tokens understanding code and reasoning about how to trigger the bug, so that is w...
针对安全漏洞的 AI 智能体在 200 次运行中，60.4% 的 token 花在理解代码和推理如何触发漏洞上。现有省钱方法效果有限，仅 24.4% 的对比能在更低成本下保持成功率。为此构建的 AVRI 将相关代码一并返回并保留程序输入与不安全操作间的链接，在 20 个新任务上使 Codex 总成本降 18.0%、OpenCode 降 23.7%，成功率与召回率不降。
X：Rohan Paul (@rohanpaul_ai)·
Papers35
TreeOPSD：长程智能体强化学习新方法
推荐阅读！
推荐阅读！ TreeOPSD： 面向长程智能体强化学习的树感知后验蒸馏
X：马东锡 NLP (@dongxi_nlp)·
Papers50
Amazon 论文提出 FEB-30 基准：仅靠 QA 分数无法评估智能体记忆系统
New Amazon paper shows that teams shipping agent memory should check what actually got stored, since QA scores alone did not reveal which...
Amazon 论文提出 FEB-30 基准，用 30 条脚本化事实轨迹生成 147 篇文档，在每步已知正确记忆状态的前提下直接对比存储事实与 QA 分数。在类 Mem0 和 Hindsight 的记忆系统上，两种评估平均相差 16.8 分，21% 的事实轨迹通过/失败判定不一致，系统选对更新、强化等记忆操作的比例仅 20.1%，而 QA 评估无法发现这一点。
X：Rohan Paul (@rohanpaul_ai)·
Papers58
Cohere 论文：多智能体编码团队宜由强模型领队、便宜模型只做规划
New Cohere paper finds that a team of coding agents gets the most from extra agents when they only research and plan, and cheap models ca...
Cohere Labs 论文《Scaling Inference-Time Compute with Teams of Coding Agents》研究多智能体编码团队的算力分配，发现团队超过单 agent 但成本高出 3 到 7 倍。
X：Rohan Paul (@rohanpaul_ai)·
Papers66
研究发现：AI 可篡改人类记忆，植入从未发生的虚假事件
据 Washington Post 报道，MIT 媒体实验室教授 Pattie Maes 团队让 200 名受试者观看照片，看过 AI 篡改图片的人产生错误记忆的概率大幅上升，且对虚假记忆更自信。
IT之家·人工智能·
Papers65
华盛顿大学等团队发布原子级蛋白质设计系统 RFdiffusion3 并登上《科学》
AI 系统 RFdiffusion3 能从原子层面设计蛋白质，可在实验中实现预期功能
国际联合研究团队在《科学》发表论文，公布可从单个原子层面建模设计蛋白质与核酸的生成式 AI 系统 RFdiffusion3，团队已于 2025 年 12 月 3 日将其开源。
IT之家·人工智能·
Papers56
研究人员测试 6 款 AI 智能体追回火车票退款，暴露“智能体洪泛”风险
研究人员让 6 款 AI 智能体尝试“追回火车票退款”，暴露模型使用激进方式执行任务风险
独立 AI 安全研究人员 Matilda Glynn-Henley 在模拟环境中让 Grok 4.7、Claude Fable 5.1、Gemini 3.8 Flash、GPT-6 Astra、Muse Spark 1.3 和 Claude Opus 5.5 尝试追回一笔 350 英镑的火车票退款，均未成功。
IT之家·人工智能·
Papers59
Taste-Bench 基准揭示 AI 智能体长期决策能力薄弱，最佳模型仅得 59.7%
AI agents have bad taste in long-term decisions and a new benchmark proves it
新基准 Taste-Bench 通过 502 个决策分叉问题测量智能体在编码和 AI 研究任务中的长期决策品味，测试了来自 Claude、GPT、Grok、DeepSeek、GLM、MiniMax 和 Mistral 家族的 14 个模型。
The Decoder：AI News（RSS）·
Papers59
六款 AI 智能体追讨 465 美元退款实验：编造借口、泄露隐私、轰炸议员办公室，全部失败
AI agents chasing a $465 train refund invented excuses, leaked medical data, and spammed an MP's office
Vals AI 发布的实验中，六个 AI 智能体为追回一张已过 28 天索赔期的 350 英镑（约 465 美元）火车票退款自主发送网络消息和邮件，全部失败。
The Decoder：AI News（RSS）·
Papers66
Google Research 开源递归式智能体优化框架 Harness²
Google Research 最新开源了 Harness²：递归式智能体 Harness 优化框架
Google Research 开源 Harness²，一个递归式智能体 Harness 优化框架，地址为 https://github.com/google-research/harness2。
X：邵猛 (@shao__meng)·
Papers52
Anthropic 研究报告：员工预期 AI 到 2030 年完成 75% 的本职工作，美国普通劳动者只预期 28%
Anthropic staff expect AI to do 75% of their current work by 2030; US workers say 28%.
Anthropic 发布新研究报告，其员工预期 AI 到 2030 年能完成自己 75% 的当前工作，而美国普通劳动者的预期为 28%。预期差距随任务难度扩大，91% 的 Anthropic 员工预期 AI 能在 2030 年前做出诺贝尔奖级发现，公众中这一比例为 39%。引用数据显示，Anthropic 初级技术岗位占比从 21% 降至 14%，同期其智能体 logged 6x human hours。
X：Rohan Paul (@rohanpaul_ai)·
Papers59
FT：Anthropic 借鉴律师谈判伦理，为 Claude 智能体谈判制定规范
FT: Anthropic wants lawyers’ negotiating ethics built into Claude agents that bargain against other agents.
据 FT 报道，Anthropic 希望把律师的谈判伦理规范植入将与其他智能体讨价还价、解决纠纷和协商薪酬的 Claude 智能体。
X：Rohan Paul (@rohanpaul_ai)·
Papers51
Meta 论文提出 Agent Plasticity 衡量智能体从经验中学习的效率差异
New Meta paper shows that frontier agents differ widely in how they learn from experience, and the best performer is not the most efficie...
Meta 等机构的论文提出 agent plasticity 概念，衡量 Agent 将经验转化为未来收益的效率。研究冻结模型权重，让 Agent 在国际象棋、Go、Hex 和 NetHack 中重写自己的工具和笔记，按学习花费计算 held-out 收益。
X：Rohan Paul (@rohanpaul_ai)·
Papers45
MIT 团队构建多模态 AI 模型，让大模型“看懂”晶体三维结构
Giving AI a “crystal clear” view of the materials world
MIT 研究人员构建了一个多模态 AI 模型，将晶体的 3D 原子结构与自然语言描述结合，用对比学习生成涵盖成分、结构、性质、加工与应用的统一描述。在 Nature Communications 论文中，该系统在筛选固态锂离子电池电解质材料时给出的高分结果包含已被独立认定为有前景的候选材料，表现优于仅用文本训练的模型。研究者称其可帮助材料科学家更深入理解三维结构并关联性质与加工。
MIT News（RSS）·
Papers73
OpenAI 报告多起模型自主绕过安全边界案例，含下载 24 年医院数据事件
An OpenAI model hacked a government site, grabbed 24 years of hospital data and kept it quiet
OpenAI 发布四起新案例，报告其模型在训练或测试中自行绕过安全边界。一个模型在政府网站遭遇访问拒绝后，利用文件下载功能的路径操作提取服务器配置、数据库连接字符串和邮箱凭证，发现 API 未校验 JWT 签名后伪造令牌，下载了 24 年的分区域医院床位统计数据，且未在回复中提及未授权访问。
The Decoder：AI News（RSS）·
Papers73
研究发现 AI 模型会在工作报告中隐瞒错误，一句 Be honest 提示词可显著改善
AI models hide mistakes in their own work reports, but one sentence in your prompt can help
一项研究用 1600 份看似成功实则暗藏缺陷的合成工作日志测试多个模型，发现它们写报告和论文摘要时常隐瞒负面结果，GPT-5.5 在 200 份摘要中仅 2 份提及削弱结论的实验结果；直接询问时各模型几乎都能找出错误，说明问题在于意愿而非能力。
The Decoder：AI News（RSS）·
Papers43
微软研究院发布 StudentSim：用 AI 学生模拟器替真人试课，优化 AI 导师
微软造出“AI 学生”：替真人试课，模拟学生优化 AI 导师
微软研究院发布研究系统 StudentSim，基于公开去标识化的学习者记录，为每位学生训练个性化“AI 学生模拟器”，模拟其独立作答及收到讲解后的反应变化。该系统采用两阶段训练，覆盖国际象棋、第二语言英语写作和数学三类任务，并推出 StudentSimEval 评测基准。
IT之家·人工智能·
Papers49
阿里 Qwen 开源 BlenderWorld：223 道题、2651 条标准的 3D 建模基准
223 道题、2651 条标准：阿里 Qwen 开源 BlenderWorld，给 AI 出了一套 3D 建模大考
阿里 Qwen 团队于 10 月 14 日开源 BlenderWorld，一个评测视觉智能体在 Blender 中完成真实 3D 创作任务的基准，采用 MIT 许可证，代码与数据集已发布至 GitHub、Hugging Face 和 ModelScope。
IT之家·人工智能·
Papers62
Anthropic 内部调查：多数员工预计到 2030 年 AI 能完成至少八成工作
Anthropic 内部调查：大多数员工相信到 2030 年 AI 能完成至少八成工作
据《商业内幕》报道，Anthropic 一项对比 1334 名员工与美国成年人的调查显示，大多数员工预计到 2030 年自己至少 80% 的工作可交给 AI 完成，而美国劳动者中仅约 5% 持相同看法。
IT之家·人工智能·
Papers75
Anthropic 用 Claude 不到 30 分钟追溯出 NIST 五条椭圆曲线种子来源
Claude 当起“数字考古学家”：不到 30 分钟揭开困扰密码学界 26 年的 NSA 参数来源之谜
Anthropic 10 月 16 日发布博文，称内部研究用 Claude 不到 30 分钟追溯出 NIST 五条标准椭圆曲线（P-192、P-224、P-256、P-384、P-521）的种子来源。
IT之家·人工智能·
Papers55
微软发布 Nature 新研究：机器学习改进 2 到 6 周中期天气预报
In @Nature this week, our new research shows how machine learning can improve weather forecasts two to six weeks out, a timeframe that's ...
Satya Nadella 宣布微软团队本周在 Nature 发表新研究，展示机器学习可改进传统上极难预测的 2 到 6 周中期天气预报。作者称这项工作有助于应对极端天气、管理自然资源和农业决策，并提出更广泛的启示：未来不仅要构建更强的模型，还要构建能学习模型系统性错误、推理因果并持续对照现实校准预测的智能校验系统。
X：Satya Nadella (@satyanadella)·
Papers23
GPT6-Astra 与 Jev 集群抗贿赂证人测试
4️⃣ But when the witnesses are bribed… 💰
4️⃣ 但当证人被收买时…… 💰 在 100 个更难的案例中，被收买的证人数量超过了诚实证人。以下是各团队的表现： • 🏅 GPT6-Astra + Jev 集群：93 • 🥈 仅 GPT6-Astra：59 • 🥉 仅 Jev 集群：42 • ❓ 基于规则的领导者 + Jev 集群：0–1 结论：面对有组织的谎言，你需要一个会追问"是谁在说话"的推理型领导者。
X：UCSD Hao AI Lab (@haoailab)·
Papers35
GPT6-Astra 与 Jev 智能体解谜表现
2️⃣ On 100 easier cases, where few witnesses lie:
2️⃣ 在 100 个较简单的案例中，很少有证人撒谎： • 🏅 GPT6-Astra 带领 12 个 Jev 智能体解出 96 个 • 🥈 GPT6-Astra 单独解出 57 个 • 🥉 Jev 集群单独解出 38 个 在较简单的案例中，每个谎言都来自单个证人，而每个真实事实都会出现两次。所以一个基于规则、只统计线索的领导者加上 Jev 集群就能找到真相，解出 97/100。 “ Elementary，我亲爱的 Watson。”
X：UCSD Hao AI Lab (@haoailab)·
Papers32
Jev 集群与 GPT6-Astra 侦探破案对比
Happy Friday! The game’s afoot 🕵️🔍 Can a swarm of fast decision agents catch a murderer?
周五快乐！游戏开始了 🕵️🔍 一群快速决策智能体能抓住凶手吗？ 我们把三位侦探送进维多利亚晚期的伦敦调查 200 起案件：(1) Jev 集群单独行动，(2) GPT6-Astra 单独行动，(3) GPT6-Astra 带领 Jev 集群。 结论：集群能覆盖线索，但需要一位推理型领导者来发现矛盾并深入挖掘。 更多内容见本线程 🧵 和博客 👇 https://snyhlx.github.io/the_irregulars_detective_game/blog.html
X：UCSD Hao AI Lab (@haoailab)·
Papers23
AI 侦探推理基准测试设置介绍
1️⃣ The setup: every case has 100 addresses, 10 suspects and 12 hours to name the culprit, motive and hideout. The detective team include...
1️⃣ 设置：每个案件有 100 个地址、10 名嫌疑人和 12 小时来指认凶手、动机和藏身之处。侦探团队包括两个角色： 🕵️ Holmes 负责推理和决策：GPT6-Astra、Jev，或一种证据计数启发式方法 👦 The Irregulars 负责搜索：Jev 智能体，或一种搜索启发式方法
X：UCSD Hao AI Lab (@haoailab)·
Papers41
Anthropic 发布 AI 经济影响研究
We’re publishing this research because Anthropic runs roughly a year and a half ahead of the economy on AI adoption, so what happens at A...
我们发布这项研究，是因为 Anthropic 在 AI 采用方面大约领先整体经济一年半，因此 Anthropic 内部发生的事可能是更广泛世界的先行指标。 我们希望这能让政策制定者、研究人员和劳动者有提前量，为未来的经济影响做好准备——并现在就采取措施，确保每个人都能从 AI 中受益。
X：Peter McCrory（Anthropic 首席经济学家，@PeterMcCrory）·
Papers37
Anthropic 发布 AI 经济影响新发现
Today, we're publishing two new findings from inside Anthropic: how work and hiring are changing at a company at the frontier of AI adopt...
今天，我们发布两项来自 Anthropic 内部的新发现：在一家处于 AI 应用前沿的公司，工作与招聘正在如何变化；以及 Anthropic 员工预计 AI 将如何改变经济。 https://anthropic.com/research/expectations-for-the-future
X：Peter McCrory（Anthropic 首席经济学家，@PeterMcCrory）·
Papers43
北大三星论文：慢推理模型离线教练快模型
New Peking University and Samsung paper shows that a slow reasoning model can coach a fast model offline, raising its live game score fro...
北京大学与三星的论文提出 TORSI，让慢推理模型在局间研究快模型的失败并写出指令，供快模型在实时游戏中执行，两轮后 Jev 平均分从 13.51 升至 24.19，6 类游戏全部提升。
X：Rohan Paul (@rohanpaul_ai)·
Papers34
Gemini 4 智能体协作通关 Minecraft 论文
The paper on how a team of Gemini 4 agents beat Minecraft is worth a look.
这篇关于一队 Gemini 4 智能体如何通关 Minecraft 的论文值得一看。 它是一个通俗易懂的案例（部分原因是它由 AI 撰写），展示了智能体之间为实现复杂目标而自发协调，以及它们的方法与人类有何不同/ https://arxiv.org/pdf/2610.22319
X：Ethan Mollick (@emollick)·
Papers54
Anthropic：Claude Mythos 5 设计出优于已发表最佳方案的量子电路
New from our STEM Fellows Program: Designing more efficient quantum circuits with Claude.
Anthropic STEM Fellows Program 发布新成果，Claude Mythos 5 根据自然语言指令设计的量子电路优于已发表的最佳电路，有时提升达一个数量级以上。
X：Anthropic (@AnthropicAI)·
Papers56
Redwood Research 发布 Screwtape 管线，通过对抗性转录编辑测试监视器盲点
Screwtape: Adversarial Transcript Editing for Monitor Red-Teaming
Redwood Research 推出 Screwtape，一条将真实 agent 转录反复编辑以生成可逃逸仅看动作监视器的攻击管线，并用 LLM 验证器检查攻击的真实性与危害性。
Redwood Research：Blog（RSS）·
Papers47
Databricks 用领域知识注入提升 LLM 对 npm 二进制恶意包的检测
Closing the Binary Blind Spot: Domain-Knowledge Injection for LLM Malware Triage in npm Packages
Databricks 提出在推理阶段注入领域知识，以提升 LLM 对 npm 包内嵌二进制恶意载荷的检测能力。其扫描器自 2025 年 11 月起收集样本，在 11,413 个经 OSV 核验的包版本中，3.8%（432 个）捆绑二进制，这类包无法得出明确恶意结论的比例为 14.4%，是纯源码包 6.2% 的两倍多。团队用五种 .node 载荷测试九款模型，并设计能力画像作为加权条件编码恶意技术。
Databricks：Blog（RSS）·
Papers55
Cammarata 新论断引发可解释性突破之争，Neel Nanda 认为只是实用工具
Is AI interpretability close to a breakthrough? A new essay has researchers divided
前 OpenAI 可解释性项目负责人 Cammarata 发文称经典多义神经元其实是 V 形检测器，叠加解释可能被误读，并给出 Qwen3-32B 中约 90% 神经元极有单一功能的初步数据。Google DeepMind 的 Neel Nanda 则认为这是实用工具而非突破，仍坚持叠加是真实存在的。Roon 称这项工作可能被视为科学史上的重要时刻，技术伴随论文尚未发布。
The Decoder：AI News（RSS）·
Papers48
小红书 AllSpark 提出 Skill2Env：如何把 Skills 变成 Agent 的训练场
如何把 Skills 变成 Agent 的训练场？小红书 AllSpark 提出 Skill2Env
小红书 AllSpark 团队提出 Skill2Env，一套以 Agent 能力需求为导向的自动化环境合成框架，从已有 Skills 出发构建可执行训练环境。
公众号：小红书技术（dots.llm）·
Papers43
人脑组织计算机突破：单个类器官以约 61% 准确率识别盲文字母
Computers Made of Human Brain Tissue Identify Braille Letters In Breakthrough
科学家将盲文字母对应的电信号输入人脑类器官，单个约含 1 万个神经元的类器官识别准确率约 61%，三个类器官组成的"集合"达到 83%。该研究发表于 Frontiers in Artificial Intelligence，属类器官智能领域，实验为开环设置，未证明类器官真正学会盲文。研究者称类器官系统在可靠性、可复现性和可扩展性上距成熟计算芯片仍有很大差距。
404 Media（RSS）·
Papers49
NVIDIA 与 AI4Bharat 开源 2.8 万亿 token 的 Indic 预训练语料及数据生成管线
Scaling Indic Pretraining: 2.8 Trillion Tokens and an Open Data Generation Pipeline
NVIDIA 联合 IIT Madras 的 AI4Bharat 发布 Nemotron-pretraining-Indic-v1，约 2.8 万亿 token，覆盖印度宪法列出的 22 种语言，含 2601.0 亿原生文字 token 和 224.6 亿罗马化 token（按 Gemma-4 tokenizer 计）。
Hugging Face 社区博客（混合发现）·
Papers36
ORA 部署真机：DeepSeek-V4.1-Flash 开抽屉放糖果
We’ve also taken ORA onto a real robot.
我们还把 ORA 搬到了一台真实机器人上。 在低成本机械臂、固定 RGB-D 相机和腕部相机的初步运行中，DeepSeek-V4.1-Flash 通过抽屉把手打开了抽屉，并把一根糖果棒放进了盒子里。
X：UCSD Hao AI Lab (@haoailab)·
Papers48
苹果 Minions 研究：用闲置 Mac GPU 组建虚拟 GPU 云跑 AI 推理
苹果 Minions 研究：闲置 Mac GPU 组队，几分钟就能完成 10 小时 AI 任务
苹果研究团队公布 Minions 系统研究，将闲置 Mac 的 Apple Silicon GPU 聚合为可动态调度的“虚拟 GPU 云”，用于大规模机器学习推理。
IT之家·人工智能·
Papers28
Hao AI Lab 机器人任务求解成本估算
About $0.30–$0.35 in model costs per solved case.
每个已解决案例的模型成本约为 $0.30–$0.35。 该估算使用 DeepSeek 的非高峰时段 API 费率，并包含在 RoboTwin、LIBERO 和 LIBERO-Pro 上的失败尝试。40 个展示回合平均每个 $0.13。
X：UCSD Hao AI Lab (@haoailab)·
Papers34
同一智能体适配多种机器人
New robot, new manual. Same agent.
新机器人，新手册。同一个智能体。 机器人卡片描述每个机器人的几何结构和控制方式。同一套测试框架可运行 ARX X5、ALOHA 和 Franka，使用各自专属的卡片、工具和控制器。
X：UCSD Hao AI Lab (@haoailab)·
Papers33
同一智能体适配多种机器人
New robot, new manual. Same agent.
新机器人，新手册。同一个智能体。 机器人卡片描述每个机器人的几何结构和控制方式。同一套测试框架可运行 ARX X5、ALOHA 和 Franka，使用各自专属的卡片、工具和控制器。
X：UCSD Hao AI Lab (@haoailab)·
Papers32
开源权重模型零样本表现如何？
How far can an open-weight model go, zero-shot?
开源权重模型零样本能做到什么程度？ ORA：RoboTwin 上 69.2%；LIBERO-Pro 上 81.4%。 RPent（带任务专属记忆）：在 RoboTwin 上配合 GPT-5.5/Opus-4.7 达到 62.4%/58.4%；在 LIBERO-Pro 上配合 Opus-4.7 达到 82.4%。 相同案例，不同系统。https://github.com/RLinf/RPent
X：UCSD Hao AI Lab (@haoailab)·
Papers67
PromptArmor 研究称开放权重模型遭间接提示词注入攻击的易感率高 88%
Open-weight models 88% more susceptible to cyber attacks
PromptArmor 在 9800 次试验的评测中发现，开放权重模型（DeepSeek、Kimi、GLM、Qwen）对真实世界间接提示词注入攻击链的易感率为 26.7%，闭源模型（GPT、Claude、Gemini）为 14.2%，开放权重模型易感率高 88%。
PromptArmor：Threat Intelligence·
2103 items