随着新一代iPhone的发布，北京中关村的水货商再次迎来了一年一度的“狩猎季节”。刘冀(化名)正是其中的一员。在半小时的采访过程中，他频频道歉并操起电话，或是询问最新的进货价格，或是回答意向买家的咨询，并帮忙挑选型号和配置。[详细][评论] ...

在第四局还出现了一个让人哭笑不得的场面：Gemini 2.5 Pro手握两只皇后，总子力优势高达32分，本该将Claude「一波带走」，结果他却在进攻过程中挂掉几枚关键棋子。 它们结构清晰且结果可衡量，是评估模型的理想试验场。游戏迫使模型展现出多种技能，包括策略推理、长期规划以及面对智能对手时的动态适应能力，从而为衡量其通用问题解决智能提供了一个可靠的依据。

实验里，模型在低阶任务上集体表现不佳。这说明它们的高级推理/感知没有扎根于人类婴幼儿就具备的核心知识。面对不同表述方式和背景变化时无法表现出robust且稳定高水平的能力。 关联性矩阵显示了模型能力间的「分裂」现象：低阶能力如Permanence、Continuity与对应高阶能力如Perspective ...

现有的视频理解基准测试（Benchmark）在衡量AI是否达到人类级智慧上存在着一些根本性的缺陷。它们往往无法区分模型是因为“没看清”而犯错（即关键视频帧采样不足），还是因为“没想明白”而出错（即缺乏真正的推理能力）。

想象一下，你家的智能机器人管家，不仅能听懂“把苹果放进冰箱”，也能执行“用打火机点燃房间”这样的指令。 即便是GPT-4o、Grok这样的顶级大模型，一旦被“越狱”（Jailbreak），也会“教唆”机器人做出危险行为。 为此，他们提出了全球首个针对具身智能体安全性的综合性评测基准——AGENTSAFE，以填补具身智能体在对抗性安全评测领域的空白。 这项开创性研究，荣获ICML 2025多智能体系 ...

这就是清华大学与生数科技最新联合研发的 Vidar模型 ， 首次让通用视频大模型长出了“手脚” ，通过少样本泛化能力，实现从虚拟的Dream World到真实世界Real World物理执行的关键跨越。 仅用20分钟机器人真机数据 ，即可快速泛化到新的机器人本体，所需数据量约为行业领先的 RDT的八十分之一 ， π0.5的一千两百分之一 ，大幅降低了在机器人上大规模泛化的数据门槛。

不管是京东入局外卖、还是美团和阿里系官宣即时零售品牌，最终三家平台的推广方法，都是让高频的餐饮类商品更实惠来吸引流量，带动低频的非餐饮类商品，强化非餐饮类商品的存在感。