AI 编程实时动态与要闻

阿联酋穆罕默德·本·扎耶德人工智能大学（MBZUAI）基础模型研究院 IFM 11 月 10 日发布开源世界模型 PAN 2。它把「概念推理」和「感知推理」分开：多模态 LLM 先把当前画面和文字动作写成带时间戳的结构化世界状态，再由从零训练的 29B 潜空间扩散模型生成最长 20 秒、704×1248、24fps 的模拟视频，让 Agent 在真正动手前先「预演」每个候选方案。权重和代码以 Apache 2.0 开源，Diffusers 与 vLLM-Omni 首日支持。官方也坦言约三分之二的多步计划模拟里至少有一步没执行到位。

查看大图

马里兰大学与 Google、MBZUAI 研究人员在 arXiv:2610.18082 中提出长程智能体故障自愈框架 BeliefWeaver。针对自主 Agent 在复杂任务中因数步之前的隐蔽错误导致后期崩溃、传统局部反思或简易回滚无法定位根因的痛点，该框架维护跨尝试周期的关系型全局信念状态（Relational Belief State），引入隐式世界模型（IWM）预测修复收益并门控执行。经在策略蒸馏（OPD）微调后，9B 轻量学生模型在终端基准上超越基线 9.8 个百分点，且 API 成本大幅缩减 54.8%。

查看大图

阿联酋 MBZUAI 旗下 Institute of Foundation Models（IFM）与 Inception42 于 2026-10-15 正式发布 Jais 3：在开源底座 K2 Horizon 上做的首个语言适配，提供六档开源权重（0.9B 稠密至 375B-A23B 稀疏 MoE，每 token 激活约 23B）与阿拉伯语 ASR 模型 Jais Speech。全系列共享训练配方与智能体能力，上下文最长 512K（0.9B 为 128K），Apache-2.0，权重与分阶段 checkpoint 已上 Hugging Face，vLLM 宣布 Day-0 支持。

查看大图

人类在面对复杂空间旋转、机械装配与物理拓扑推演时，往往会在大脑中主动进行“视觉想象推演（Mental Simulation）”，通过在脑海中逐步生成未来的中间视觉画面来辅助思考；然而现有的多模态大模型（VLM）在处理多步骤空间任务时，却几乎全盘退化为“纯语言 Token 思考链（Text-only CoT）”，导致其在面对 2D/3D 空间立体变换时极易产生方向颠倒与几何幻觉。卡内基梅隆大学（CMU）与 MBZUAI（Eric Xing 团队）联合提出了突破性的 WM-VLM 架构（arXiv:2609.34826）：为预训练多模态大模型赋予了一个轻量级的内置“世界模型分支（Internal World Model Branch）”，赋予模型在语言推演的同时自主生成中间视觉状态（Intermediate Visual States）的能力，实现真正的图文交错混合推理（Interleaved Visual-Textual Reasoning）。两阶段训练首先教会模型如何根据物理变换指令生成下一步的精确视觉状态，继而训练模型如何观察并借助该生成状态展开后续空间逻辑决策。在 2D 与 3D 心理旋转（Mental Rotation）等严苛空间基准测试中，WM-VLM 相比监督微调基线取得了高达 39.25 个百分点的巨大精度跃升；消融实验确凿证实，一旦人为剔除或污染生成的中间视觉画面，模型性能即刻雪崩，证明了具身心智模拟是攻克高级空间几何推理的根本路径。

查看大图

随着大模型加速渗透进网络安全工作流，安全专家期望智能体能够将自然语言攻防意图直接转化为精确的底层终端命令。然而现有评估往往局限于高阶选择题或模糊的端到端 Agent 任务，无法精确度量模型为真实网安工具生成可执行命令行（CLI）的能力。网络安全操作对语法极其严苛，微小的参数误绑定、参数顺序颠倒或漏配标志位即可导致渗透执行失败。来自 MBZUAI 等机构的研究学者推出了面向 Kali Linux 的细粒度自然语言到命令行转换基准 KaliBench，涵盖 23 个安全能力维度、5 大攻防阶段共 1,642 款真实安全工具的 8,504 组查询-命令对。评测发现开源模型在无提示约束下准确率普遍不足 42%；而结合 KaliBench 提供的无运行时可验证奖励进行强化微调后，8B 模型综合表现直接追平 685B 超大参数 MoE 旗舰。

查看大图

将文本表征模型扩展至语音、音频、图像、视频及图文混排文档等多模态领域时，传统方案往往导致严重的文本检索灾难性遗忘，而现有全模态向量模型通常需要数十亿甚至上百亿参数来勉强维持平衡。穆罕默德·本·扎耶德人工智能大学（MBZUAI）等团队推出了轻量化全模态嵌入模型 Omni-Embed-Mini。该模型仅拥有 0.9B 极小参数量，通过密集的级联描述蒸馏（Dense Cascaded Caption Distillation），将文本、语音、音频、图像、视频与文档六大模态映射进统一的余弦空间。核心突破在于文本侧权重保持 100% 静态冻结（Byte-Identical），从理论与工程上彻底杜绝了文本检索退化（MTEB-v2 BEIR-8 达 49.57 nDCG@10）；而其 2.3B 升级变体在全模态平均检索得分上更是逆袭超越了闭源商业标杆 Gemini-Embedding-2。

查看大图