AI 编程实时动态与要闻

10 月 20 日，NVIDIA GEAR 实验室（Jim Fan 团队）开源 Flora 模型套件，把人类和机器人操作视频转成带时间戳的动作描述、过程奖励、结果奖励和评分细则。套件含 Flora-Captioner 27B、Flora-Rewarder 27B（均基于 Qwen3.5-27B）和 Flora-TempSeg 9B（Qwen3.5-9B 上的 LoRA），权重已上 Hugging Face，采用 NVIDIA 非商用许可。官方称它是训练 GR00T 的内部数据引擎，每天在 512 张 GB300 上标注 20 万小时视频，标注质量与 GPT-6 Astra 相当，成本约低 125 倍。

查看大图

针对大模型数学证明缺乏步骤级验证标签与上下文精确复制存在 LM Head 梯度瓶颈的两大难题，今日两项基础研究给出突破：NYU/UCLA/Stanford 联合推出 LeanPRM（arXiv:2610.17697），利用 Lean 4 证明助手自动构建含 10,634 篇证明与 15.2 万个步骤标签的零人工标注数据集，将 Qwen3-4B 步骤验证准确率从 48.2% 拉升至 74.7%（远超 PRM800K 的 60.3%）；康奈尔大学提出复制粘贴语言模型 CPLM（arXiv:2610.19247），以仅约 3% 算力开销打破 LM Head 梯度瓶颈，使窗口仅 w=128 的滑窗模型追平全注意力困惑度并在 4 倍外推长度（16K）持续收益。

查看大图

视觉语言导航（VLN）严重依赖高质量自然语言指令，但人工标注昂贵且静态合成数据易与演进中的策略发生分布偏移。上海 AI 实验室、清华与上交大团队提出 RSI-Nav，在单一模型内统一‘看图走位’与‘看轨迹写指令’双向能力，采用分片式（shard-wise）边合成、边验证、边更新机制，实现在连续环境 R2R-CE 达 68.6% 成功率，RxR-CE 达 72.4%，开创具身智能递归自进化新路径。

查看大图

当前 Deep Research 智能体评测大多局限于学术科研与合成问答，难以反映真实日常决策与复杂工作流。腾讯混元团队推出 LifeSearch 基准，涵盖 7 大生活生产力领域的 203 个中英文真实任务，投入逾 4500 小时专家标注提炼 4000+ 条细粒度评分规则。实测 12 款主流深度研究智能体显示，顶尖模型最高仅获 63.4% 分数，暴露长程网页搜索、多源冲突时间线融合等关键短板。

查看大图

OpenAI 开发者账号 @OpenAIDevs 于 2026-10-12 官宣：ChatGPT 桌面内置浏览器的 Annotations 可扩展 API（document.oai.annotation）已可自定义选区、元数据与预览控件，并与 WebMCP Site tools 搭配，让页面把「用户选中了什么」交给对话、把「站点能做什么」交给 Agent。官方文档面向 DevDay 2026 及之后的桌面端；Enterprise/Edu 需管理员策略放行。

查看大图

随着 Anthropic Computer Use 与各类桌面自动化智能体（Computer-Use Agents, CUAs）加速接管操作系统操作，如何科学评估多步骤 GUI 交互的真实能力成为业界最急迫的命题。现有的代表性基准（如 OSWorld）主要依赖最终结果判定（Outcome-based Verification），即在 Agent 执行了数百步鼠标键盘操作后，仅检测最终文件或系统状态是否发生改变。这种“黑盒终态评估”完全掩盖了智能体在中间步骤中“如何犯错”与“为何失败”——例如因键盘输入打字错误失败，与因视觉定位不准导致鼠标误点失败，所需要的工程修复路径完全风马牛不相及。NVIDIA 研究团队推出了首个基于全流程过程解构的桌面智能体评测系统 OSWorld-Pro（arXiv:2609.24890）：包含 300 多个真实系统级生产任务，将其细粒度拆解为 2,800 多个连续依赖的子目标（Subgoals），并依托 67,000 多条高质量人类专家操作注释作为基准。通过人类对齐的 LLM-Judge 对各阶段子目标达成度展开逐层量化，评测揭示即便是业界最前沿模型如 Claude Opus 5 在 OSWorld-Pro 上的得分也仅为 75.7%（低于标准 OSWorld 的 83.4%），并精准捕获了无效漫游动作与点击像素级偏移两大核心故障模式。

查看大图

现实世界具身智能任务（从日常生活料理到专业精密工业装配）要求智能体在复杂的物理与几何约束下操作工具，并实时追踪目标物体的物理状态演化。然而现有视频大模型大多停留在表面静态描述与常规视频问答，在以工具为核心的因果推演与手-工具-物体（Hand-Tool-Object）动态空间几何感知上极度匮乏。南洋理工大学（NTU S-Lab）联合多家顶尖机构推出了首个针对第一视角真实工具使用的综合研究套件 EgoTools。该体系包含 100 小时带音频同步、密集步骤描述、重推理叙述与三维空间注记的 EgoTools-Data，以及涵盖知觉几何、步骤推进与因果推理四大维度的 1,000 道诊断评测基准 EgoTools-Bench。测试表明现有旗舰模型在工具感知锚定上存在严重盲区；而利用该数据微调可使 Qwen3-VL-8B-Instruct 准确率从 50.0% 大幅跃升至 60.9%。

查看大图

Comet Opik 于 2026-09-29 发布 2.2.84：在线 LLM-as-a-Judge 规则可端到端调用 TypeSafe Jev（经 OpenRouter POST /api/alpha/decisions，而非 chat/completions）。布尔指标各成一道 yes/no 题，单次调用批答；概率 ≥0.5 记 1，原因字段展示 Probability: 0.93。后端新增 OpenRouterDecisionsClient（工作区 OpenRouter key + 429/5xx 重试），模型 ~typesafe/jev-latest / typesafe/jev-1.13。同步支持 Annotation Queue 自动化配置与条目 provenance；相对 2.2.83 约 8 commits / 104 files。

查看大图

亚马逊人工智能研发团队（Amazon AI，@awscloud）在 Hugging Face 与 ArXiv 正式公开了《Rufus-Air: An Open LLM Post-Training Recipe》（arXiv: 2609.29421）。面对前沿工业级大模型后训练流水线高度封闭、依赖未公开的内部教师模型蒸馏与昂贵人工标注的困局，亚马逊团队全面公开了基于智谱 GLM-4.5-Air-Base（106B 总参数、12B 激活的 MoE 架构）的八阶段全串行后训练完整配方（涵盖 SFT、数学推理 RL、编码 RL、指令对齐 RL、通用智能体、编程智能体、检索智能体与 RLHF）。所有训练流程均采用完全公开的开源组件与公开数据集，综合评测成绩全面超越智谱官方发行的 GLM-4.5-Air 权重。

查看大图

Comet 于 2026-09-25 发布开源 LLM 可观测平台 Opik 2.2.81：打分后的实体可路由进 annotation queue；可选开启扩展自由 SQL 的 ClickHouse 用户；后端注册 19 个规范 provider 以加载模型价目；SDK 修复 Gemini usage、Mistral 流式 reasoning、dataclass slots 编码等。

查看大图