AI 编程实时动态与要闻

Randall Balestriero 与 Yann LeCun 10 月 29 日在 arXiv 发布论文《Proving and Improving the Platonic Representation Hypothesis with JEPAs》（2610.39302），署名单位为 Brown University、NYU 和 AMI Labs。论文证明：只要正样本对是同一场景的两次观测（「好视角」），分别在不同模态上训练的 JEPA 会学到只差一个旋转的相同表征；而 next-token prediction 相当于「坏视角」的 JEPA，所以语言模型只能靠堆规模才与视觉对齐。作者称，好视角达到同等对齐只需 next-token 的 1/42 训练样本，109M 文本 JEPA 在 DINOv2 对齐上得 0.184，高于 Qwen2.5-72B 的 0.154（论文作者口径）。代码与在线 Demo 已开放；Balestriero 的发布帖约 1,054 赞、7.2 万浏览。

查看大图

让人工智能智能体在与环境的持续交互中实现‘递归自我提升（Recursive Self-Improvement, RSI）’是实现通用人工智能的核心圣杯。然而，传统的智能体自演化范式长期受困于两大致命死穴：外部真实环境的反馈（Ground-Truth Feedback）通常极度稀缺且获取成本高昂；同时，伴随策略权重的持续迭代演化，充当模拟器的世界模型（World Models）极易因数据分布漂移而发生预测崩溃，引发灾难性的策略畸变。香港科技大学、上海人工智能实验室、北京大学与香港中文大学联合科研团队在最新力作（arXiv:2610.13912）中正式开源了领域通用的递归自我提升框架 RSI-Anything（代码仓库：github.com/Gen-Verse/RSI-Anything）。基于前沿联合嵌入预测架构 JEPA-Anything 构建，RSI-Anything 确立了‘提议 -> 预测 -> 筛选 -> 评估 -> 学习 -> 保留（Propose-Predict-Select-Evaluate-Learn-Retain）’的六阶段自我演进闭环。系统引入严格的组件与兼容性校验门禁，实现了策略模型与世界模型的动态协同适应。在跨越代码修复、GUI 桌面导航、实验室实验规划以及复杂化学反应优化的广泛实验中，RSI-Anything 展现出惊人的跨领域进化力：自动化代码修复成功率从静态验证器基线的 26.3% 跨越式跃升至 31.2%（提升近 5 个百分点）；GUI 任务完成所需操作步数大幅缩减 39.4%；实验室规划得分经 5 轮迭代从 21.80% 暴增至 46.01%（翻倍以上）；化学反应产率高达 96.15%，全面碾压传统贝叶斯优化，代码与训练管线已全量开源。

查看大图

Yann LeCun 参与创立的 Advanced Machine Intelligence（AMI Labs）联合 NYU、INRIA Paris、Brown 发布 H-JEPA（arXiv 2610.06805），一次端到端训练多层动作条件 JEPA 世界模型，每层在自己的潜空间里预测更远的未来，规划时自上而下下发子目标。论文口径：三层模型在 Visual AntMaze 成功率 73.3%，单层 LeWM 为 18.0%，规划算力反而更低。训练与评测代码（MIT 协议）以及 93 个 checkpoint 已在 GitHub / Hugging Face 公开。

查看大图