AI 编程实时动态与要闻

上海人工智能实验室把 Atria Dawn 从 Preview 升级为正式版，Hugging Face（internlm/Atria-Dawn 及 FP8 版）与 ModelScope 均已上线开放权重，MIT 许可。模型基于 744B 参数 MoE 的 GLM-5.2，面向科研与工程类长程智能体任务，上下文从 Preview 的 256K 翻倍到 512K，仅接受文本输入。官方表格显示其在 AutomationBench、CyberGym、SkillsBench 等智能体基准上领先所列模型，但在 SWE-bench Pro、Terminal-Bench 2.1 等编码基准上仍落后 Claude Opus 5（均为厂商口径）。

查看大图

上海人工智能实验室正式在 arXiv:2610.28578 发布开源智能体基础模型 Sage-A1.5 技术报告。该模型采用 350 亿总参数量（35B）的混合专家（MoE）架构，延续了“扩展智能体执行视界（Agent Horizon）而非盲目扩大参数量”的设计哲学。Sage-A1.5 创新引入了自适应能力组合机制，重点针对长程仓库级软件工程问题修复（SWE）与多步骤假说驱动的科学探索进行了端到端对齐。评测显示，该模型在超长执行步数下展现出超越 70B+ 稠密大模型的稳定推理能力，并同步公开了本地微调与部署权重。

查看大图

为推动‘AI 研发 AI（AI4AI）’向模型自主导向演进，上海 AI 实验室（InternScience）开源了 35B 混合专家（MoE）机器学习工程智能体模型 MLExpert（arXiv:2610.22344）。通过构建 Kaggle-MLE Factory 可执行任务工厂、分层智能体 SFT 以及窗口化交互强化学习（WIRL），MLExpert 在 MLE-Bench Lite 上将基座模型的平均奖牌率从 37.9% 暴拉至 72.7%，以仅 35B 总参追平超大尺寸前沿模型 Kimi-K3 与 GLM-5.3，并成功泛化至智能体脚手架优化与算法调优。

查看大图

上海人工智能实验室 2026-10-15 宣布，大湾区大学徐帝晟与 KTH 张杰松在 Intern-S2 内部版本的多轮协助下，证明了 Ghys 1995 年全纯 Anosov 系统分类猜想的余维一情形（含复三维），论文见 arXiv:2609.37695。北大董彬、刘若川团队用 SHEAF 框架把四个主定理形式化进 Lean：约 5 天、最多 100 个智能体并发、约 55 万行代码，无 sorry 并通过 Lean comparator 校验，仅以 1969 年 Hsiang–Wall 定理作为显式假设。

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

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

流式视频大语言模型（Streaming Video LLMs）必须在无法预知未来任务的前提下持续留存关键时空视觉证据，并在适当时机主动发起响应与干预。然而现存模型在实时低延迟感知与构建长效可复用事实记忆之间存在不可调和的矛盾：回溯高维原始视频帧会导致显存瞬时爆炸，而粗暴压缩又导致细节信息永久丢失。南京大学与上海人工智能实验室联合研发了 OneStreamer（arXiv:2610.01762，社区获近 200 赞）端到端流式架构：首创前瞻性层次化字幕记忆（PHCM），在时间线上持续自发生成时间锚定的局部细节描述与事件概括；配合主动状态转移学习（PSTL），有效化解长程监控视频中海量等待空闲状态对梯度的无用稀释；并开源了超百万条数据的 OneStreamer-1M 高质量流式交互基准。实测仅用 4B 参数规模的轻量模型，便在全部 8 个权威流式视频理解基准上斩获全项第一。

查看大图

上海 AI Lab 开源推理栈 LMDeploy 于 2026-09-28 发布 v0.18.0：支持输出 input logprobs、扩展 SM90 量化 GEMM 并统一 TurboMind linear 执行路径；Ascend 侧支持 GLM-5.2；为 Qwen3.5 接入 dflash；MoE 将 shared expert 并入 FFN 并在节点内切分 dense FFN。PyTorch 路径原型化 TurboMind W4A16（AWQ）、piecewise CUDA Graph prefill、XTuner TileLang sparse MLA，并支持 checkpoint-engine 权重热更新与 request-only KV cache 用量指标。

查看大图

上海人工智能实验室与 OpenDataLab 正式开源统一世界动作模型（WAM）InternW0-Δ。基于开源界规模最大的 2 万小时具身异构语料库，模型采用 Mixture-of-Transformers（MoT）架构联合视频专家与动作专家协同建模。首创“因果印记”（Causal Imprint）机制，仅凭训练期未来监督即可将动态预测表征直接注入动作网络，在推理时彻底摒弃耗时数秒的未来视频渲染展开，实机泛化表现大幅超越既有具身模型。

查看大图

上海人工智能实验室（Shanghai AI Laboratory，@huggingface）联合高校正式开源了面向音视频联合生成的多模态强化学习框架 AV-GRPO（arXiv: 2609.29816，GitHub: zhiyuxu03/AV-GRPO）。针对当前主流多模态生成模型在声画同步、跨模态因果对齐上的严重脱节，以及音视频双塔模型直接联合训练时算力开销激增、奖励信用分配模糊等瓶颈，AV-GRPO 首创了“模态锚定采样（Modality-Anchored Rollouts）”与“轨迹锁定冻结塔优化机制”，将复杂的跨模态偏好对齐转化为单模态解耦子问题，并在多项权威音视频生成基准上全面击败 LTX-2.3 达到业界 SOTA。

查看大图