GTC 万亿美元信号、OpenClaw 全面接管、AI 学会了科研品味 | 机智流 AI 日报

顶尖科学家不只擅长执行研究，更具备一种难以言传的「科学品味」——判断哪个研究方向值得追，哪篇 idea 有真正的影响力。这种能力此前被认为只属于人类专家，而本文来自复旦大学的团队尝试将其系统化、可学习化。

核心动机：现有 AI 科学家研究大多聚焦于「执行能力」（如文献检索、自动实验），对 AI 如何判断研究价值这一上游问题几乎空白。论文指出，引用数是社区对研究价值的长期集体反馈，可以作为偏好信号的代理。

方法框架 RLCF（Reinforcement Learning from Community Feedback）：研究分两个模块。首先训练 Scientific Judge，基于 70 万对「高引 vs 低引」论文摘要对（按领域和发表时间严格匹配）进行偏好建模，让模型学会从 abstract 层面判断哪篇论文更有影响力潜力。随后以 Scientific Judge 作为奖励模型，通过强化学习训练 Scientific Thinker，使其提出的 research idea 分布朝高影响力方向对齐。

关键结果：Scientific Judge 在 SciJudgeBench 上超越 GPT-5.2、Gemini 3 Pro 等闭源旗舰模型，且泛化到未见领域、未来年份测试集和同行评审偏好场景。Scientific Thinker 生成的 idea 在集成评估下胜过未对齐基线模型的胜率显著提升。

一句话总结：用 70 万对高低引用论文作偏好数据，通过 RLCF 两阶段训练，首次系统验证了 AI 可以习得「科学品味」并将其迁移到 idea 生成中。

深度搜索能力正成为前沿 LLM Agent 的标配，但高性能搜索 Agent 的训练数据长期被工业界垄断，开源社区缺乏完整的可复现路径。上海交通大学团队推出 OpenSeeker，将模型权重、训练数据、合成 pipeline 全部开放，试图打破这一壁垒。

核心动机：BrowseComp 基准上，截至 2025 年 4 月即便最强闭源模型也难超 10 分；到 2026 年 3 月已有超过 10 个 Agent 突破 50 分。然而这些高分 Agent 几乎全部来自有充裕算力的大厂，训练数据从未公开。OpenSeeker 针对这一「数据黑箱」问题切入。

两项核心技术：（1）基于事实的可控 QA 合成：通过拓扑展开（topological expansion）和实体混淆（entity obfuscation）对 Web 图谱进行逆向工程，自动生成复杂度和覆盖度可控的多跳推理问题，从根本上解决数据稀缺问题。（2）去噪轨迹合成：引入回顾式摘要机制（retrospective summarization），对 teacher LLM 生成的搜索轨迹进行噪声过滤，显著提升动作序列质量，使 SFT 训练更有效。

关键结果：OpenSeeker（30B，仅 11,700 条合成样本 + 单次 SFT 训练）在 BrowseComp、BrowseComp-ZH、xbench-DeepSearch、WideSearch 四个基准上均达到 SOTA 开源水平。BrowseComp 上以 29.5% 大幅领先第二名全开源 Agent DeepDive（15.3%），BrowseComp-ZH 上甚至超越经过持续预训练 + SFT + RL 的通义 DeepResearch（48.4% vs 46.7%）。

一句话总结：用不到 1.2 万条合成训练样本 + 单次 SFT，OpenSeeker 实现了对工业界闭源搜索 Agent 的比肩乃至超越，并将完整数据和权重开源，为搜索 Agent 研究提供了可复现的基准起点。

当前 AI Agent 的企业落地面临一个根本性矛盾：现有评测基准过于简化，根本无法反映真实业务场景的复杂性。EnterpriseOps-Gym 正是为填补这一空白而生。

基准设计：研究团队构建了一个容器化沙盒环境，内含 164 张数据库表和 512 个可调用工具，跨越客服、HR、IT 等 8 大业务领域，共设计 1,150 道专家级任务。与 SWE-bench 等代码基准不同，这里的任务要求 Agent 在有持久状态变更的环境中维持多步骤计划，并严格遵守访问控制策略——这正是企业真实工作流的核心挑战。

核心发现令人警醒：对 14 个前沿模型的测评显示，最强的 Claude Opus 4.5 成功率仅为 37.4%，开源模型普遍低于 20%。更关键的发现是：当提供人工编写的「Oracle 计划」后，成功率提升 14–35 个百分点，这直接指向了模型的战略推理能力是当前瓶颈所在，而非工具调用能力本身。

另一个高风险问题是拒绝不可行任务的能力——最佳模型也只有 53.9% 的正确拒绝率。这意味着近半数情况下，Agent 会在无法完成的任务上执行错误操作，直接修改数据库或触发下游流程，产生难以逆转的副作用。

对企业部署的启示：研究清晰地表明，当前 Agent 尚不具备在企业环境中完全自主运行的能力。性能与成本的 Tradeoff 分析也显示，更贵的闭源模型虽有优势，但提升幅度远不够显著。EnterpriseOps-Gym 为研究界提供了一个可复现的压力测试平台，指引未来工作聚焦于长程规划和策略合规两大方向。

从视频或图片重建人与场景的交互过程，是具身机器人训练数据获取的核心难题。现有方法普遍存在「视觉可信、物理失效」的困境：重建结果看起来合理，但一旦导入物理引擎，人物就会穿墙、漂浮或倒塌。HSImul3R 提出了一套以物理仿真器为核心监督信号的双向优化框架，直接攻克这一感知-仿真鸿沟。

核心架构——双向优化：框架分为两个互补方向。正向优化在固定场景几何的前提下，采用「场景靶向强化学习」来精炼人体运动，同时以运动保真度和接触稳定性作为双重奖励信号，确保脚步不悬空、手部真实触碰物体。反向优化则创新性地引入「直接仿真奖励优化（DSRO）」，利用仿真器对重力稳定性和交互成功率的反馈，反过来修正场景几何——物体的形状和位置会被迭代调整，直到满足物理约束。

数据来源灵活：HSImul3R 同时支持稀疏视角图片和单目视频作为输入，借助图像到三维生成模型建立度量一致的初始对齐，降低了数据采集门槛，方便在野外环境中收集真实人类行为。

新基准 HSIBench：研究团队同步发布了涵盖多样物体和交互场景的评测集，填补了该方向缺乏标准化评测的空白。

实验证明，HSImul3R 生成的重建结果可以直接部署到真实人形机器人，完成搬运、坐立等复杂动作，是当前少数能真正打通「感知重建→物理仿真→机器人部署」完整链路的工作之一，对机器人学习和具身 AI 数据构建具有重要参考价值。

大多数视频世界模型生成的都是"虚构环境"——给定一张起始图，后续所有内容由模型凭空想象。KAIST AI 与 NAVER AI Lab 合作提出的 Seoul World Model（SWM） 反其道而行：让世界模型生成的是真实存在的首尔街道，而非杜撰出来的城市景观。

核心方案是检索增强条件生成（RAG-conditioned generation）。给定 GPS 坐标、摄像机动作和文字提示，SWM 从街景图库中检索附近的参考图，将几何结构与外观信息注入自回归视频生成过程，使每段生成内容都锚定在真实地理位置的布局之上。模型在 44 万张首尔街景图、真实驾驶视频和合成城市数据上微调一个预训练视频世界模型。

引入真实街景带来三个技术难点，论文逐一给出解法：时序错位（检索到的旧图与动态目标场景不一致）→ 跨时间配对训练策略；轨迹多样性不足与数据稀疏（车载采集间隔大）→ 构建大规模合成数据集 + 视角插值流水线；长程生成飘移 → 提出 Virtual Lookahead Sink，每段生成前持续将未来位置的检索图作为锚点重新校准。

在首尔、釜山和 Ann Arbor 三座城市的评测中，SWM 在空间保真度、时序一致性和长程稳定性上均优于现有视频世界模型，可沿数百米轨迹生成与真实城市高度吻合的视频，同时支持多样化摄像机运动和文字驱动的场景变换（如洪水、黄昏光效）。这为自动驾驶场景生成、城市规划可视化和位置感知虚拟探索提供了新路径。

现代大语言模型中，残差连接（Residual Connection）与 PreNorm 几乎是标配，但它们始终以固定单位权重对所有层的输出做均匀累加。Kimi 团队发现这种均匀聚合会导致隐藏状态随深度以 O(L) 速度增长，越深的层对最终表示的贡献越被稀释，早期层的信息无法被选择性地取用——这正是大量层可以被无损剪枝的根本原因。

论文提出 Attention Residuals（AttnRes），用深度维度上的 softmax 注意力替换固定累加。具体而言，每层用一个可学习的伪查询向量（d 维）对前面所有层的输出计算注意力权重，使当前层能够内容感知地、动态地从历史各层中选择性聚合信息。作者指出这与 RNN 在序列维度遇到问题后引入注意力机制的情形在形式上完全对称。

面向大规模训练的工程挑战，论文进一步提出 Block AttnRes：将层分组为若干 Block，仅在 Block 级表示上做注意力，把内存开销从 O(Ld) 降至 O(Nd)，同时结合基于缓存的流水线通信和两阶段计算策略，使其成为标准残差连接的即插即用替代方案，几乎无额外开销。

Kimi 团队将 AttnRes 集成进 Kimi Linear 架构（48B 总参数 / 3B 激活参数），在 1.4T token 上预训练验证：AttnRes 有效缓解了 PreNorm 稀释问题，使各层输出幅度和梯度分布更均匀，所有下游评测任务均有提升。Scaling law 实验也确认改进在不同模型规模下保持一致。

核心问题：深度扩展中的信息稀释

大语言模型扩展深度时存在一个长期困扰：浅层形成的有价值特征，在经过一层又一层的残差更新后会被逐渐"冲淡"，到深层时已难以有效恢复。这本质上是残差路径的单轨制缺陷——所有历史信息都被压缩进一条隐状态轨迹，没有任何机制让深层直接"回望"浅层曾经存储的关键信息。

MoDA 的解决思路

来自字节跳动 Seed 与华中科技大学的团队提出了 混合深度注意力（MoDA）。其核心思想是：在标准的序列维度注意力基础上，同时允许每个注意力头跨层访问"深度 KV"——即同一序列位置在所有前驱层产生的 Key-Value 对。

这相当于把注意力机制从"序列内检索"扩展到了"深度维检索"：模型不仅能在同一层内关注不同位置的 token，还能在同一位置回溯不同层深度上曾经编码过的特征，实现了 DenseNet 跨层连接的语义，但以注意力的数据驱动方式动态选择，而非固定稠密连接。

硬件效率的关键突破

跨层访问带来非连续内存寻址问题，这是此类方案走向实用的最大障碍。研究团队专门设计了针对 MoDA 的硬件高效算法，在 64K 序列长度下达到 FlashAttention-2 效率的 97.3%，几乎没有系统开销。

实验结果

在 1.5B 参数规模的模型上，MoDA 相比强基线（OLMo2）带来显著提升：

• 
  
• 10 个验证集上平均困惑度降低 0.2
• 
  
• 10 个下游任务平均性能提升 2.11%
• 
  
• 额外计算开销仅 3.7% FLOPs
• 
  

此外，MoDA 与 post-norm 组合时效果优于 pre-norm，这为架构选型提供了实用指导。

意义

MoDA 以极低的额外代价，让深层模型能够直接检索浅层已编码的关键信息，从根本上解决了深度扩展的效率递减问题，是 Transformer 深度扩展路线上一个值得关注的原语级创新。代码已开源。

背景：线性化蒸馏的老大难问题

将 Transformer LLM 蒸馏成线性复杂度架构，是降低推理成本的重要路线。但长期以来，蒸馏出的学生模型总有一道坎迈不过去：在语言理解和知识类任务上勉强追平教师，一到数学推理、代码生成这类需要强生成能力的任务上就明显掉队。

本文的目标：无损蒸馏

来自 NXAI 和林茨大学（Sepp Hochreiter 团队）的研究者将目标定义为无损蒸馏（Lossless Distillation），并用"容差修正胜平率（Win-and-Tie rate）"作为评估指标：在一组任务上，学生模型与教师模型的表现在允许误差范围内打平甚至超越，才算真正成功。

关键创新：Expert 合并阶段

论文的核心贡献是在蒸馏流程中引入了一个额外的 Expert Merging 阶段：先对各层独立进行线性化专家训练，再将多个专家合并成单一模型。这种分治再合并的策略，让每个专家在局部优化时不受其他层干扰，合并后又能发挥协同效应，显著提升了学生模型在复杂生成任务上的表现。

实验覆盖与结果

团队以 xLSTM 作为学生架构，对 Llama、Qwen、OLMo 系列的 base 模型和指令微调模型进行蒸馏：

• 
  
• xLSTM-Qwen2.5-7B-IT 和 xLSTM-Llama3.1-8B-IT 在数学、代码、STEM、对话等多个生成基准上达到或超越同类线性化方法的最佳基线
• 
  
• 部分任务上学生模型甚至超越教师，验证了 xLSTM 线性架构本身的表达潜力
• 
  

意义

xLSTM 架构具备线性推理复杂度，在长序列上推理成本远低于 Transformer。本文将高性能 Transformer LLM 的知识有效迁移到 xLSTM，向"用更少能耗部署同等能力模型"这一目标迈出了重要一步，对边缘部署和大规模推理场景均有实际价值。

视觉语言模型（VLM）的幻觉问题一直是落地部署的核心障碍：模型会生成听起来合理但事实错误的内容。新加坡国立大学的研究团队提出了一个全新诊断范式，将幻觉从"静态输出错误"重新定义为"动态认知病理"。

核心发现：几何-信息对偶原理
 论文最重要的理论贡献是发现了"几何-信息对偶"（geometric-information duality）：在认知状态空间（Cognitive State Space）中，模型生成轨迹的几何异常与信息论意义上的高惊讶度（surprisal）在本质上是等价的。这意味着幻觉检测可以被优雅地转化为几何异常检测问题——不需要昂贵的标注数据，只需在低维空间中观察轨迹偏离。

三阶段诊断框架 CAD
 研究设计了一套信息论探针，将模型生成过程映射到可解释的低维认知状态空间，并定义三类可测量的病理状态：

• 
  
• 感知不稳定性
  （Perceptual Entropy, H_Evi）：模型在证据生成阶段出现幻觉，如"看到"图中并不存在的摩托车
• 
  
• 逻辑因果失败
  （Inferential Conflict, S_Conf）：模型结论与自身证据自相矛盾，即"认知失调"
• 
  
• 决策模糊性
  （Decision Entropy, H_Ans）：最终答案阶段的不确定性过高
• 
  

为什么这件事重要？
 传统评估只看准确率，一个"双重失败巧合答对"的案例（幻觉证据 + 逻辑矛盾 → 碰巧正确答案）在准确率指标下会被算作成功，但模型的推理过程是完全损坏的。CAD 框架能精确捕获这类隐性失败，在 POPE（二元 QA）、MME（综合推理）、MS-COCO（开放字幕）三个基准上均达到最优性能，且在弱监督条件和含噪校准数据下依然鲁棒。

这项工作为构建"推理过程透明可审计"的 AI 系统提供了基础工具，对医疗、法律等高风险 VLM 应用场景意义重大。代码已开源：github.com/Lexiang-Xiong/CAD

视频编辑模型的训练通常需要海量配对视频数据，构建成本动辄耗费一万 GPU 天以上。新加坡国立大学与上海交通大学的联合团队提出 ViFeEdit，一个无需任何视频训练数据、仅靠 2D 图像就能微调视频扩散 Transformer 的框架。

核心思路：解耦空间与时间建模
 现代视频 DiT（如万象 Wan 系列）采用 3D 全注意力机制，同时处理空间和时间维度，导致无法直接用图像数据训练。ViFeEdit 的关键创新是一种架构重参数化（architectural reparameterization）：将 3D 注意力中的空间独立性从时间维度中剥离出来，使调优器可以单独在 2D 图像上学习空间编辑行为，而预训练的时间模块保持冻结，继续维持帧间时序一致性。

双路径管线设计
 ViFeEdit 采用双路径（dual-path）推理管线，为噪声调度配备独立的时间步嵌入，增强了对多种条件信号的适应性。这使得同一个框架可以支持六类精细化视频编辑任务，而不需要为每类任务单独准备视频数据：

• 
  
• 风格迁移（style transfer）
• 
  
• 刚体替换（rigid replacement）
• 
  
• 非刚体替换（non-rigid replacement）
• 
  
• 颜色变换（color alternation）
• 
  
• 对象添加（object addition）
• 
  
• 对象删除（object removal）
• 
  

意义与局限
 这项工作的实用价值在于大幅降低视频编辑能力的获取门槛——中小团队无需搭建大规模 GPU 集群、无需收集配对视频，只需准备图像数据即可完成微调。实验表明在时序一致性和编辑忠实度上均有竞争力的表现。

当然，纯图像训练在处理复杂运动模式时仍有固有局限，时序模块完全冻结意味着无法学习新的运动风格。但作为一个"以最小代价撬动视频编辑能力"的工程方案，ViFeEdit 提供了一条值得关注的技术路径。代码已开源。