参考资料： https://x.com/deedydas/status/2079409461874332066 编辑：摩西新智元报道 过去一年，具身智能赛道正经历着前所未有的「冰火两重天」。

1、半岛体彩 一笔深夜订单 机器人自己干完了 前置仓是即时零售的心脏，也是最难啃的骨头。

不打「最强」牌 要性价比 Anthropic的这种打法，直接将矛头对准了GPT-5.6。半岛体彩Claude Science虽然图表动效做得不错，但关键矩阵和本征值全都没给，甚至在假设上把全局和局域去极化混为一谈，逻辑底层直接打架。

2、脑动脉瘤破裂前，身体会发出哪些求救信号？

在处理上下文记忆时，Token的极致压缩让MiniCPM-RobotManip计算成本也大幅下降。

3、世预赛积分揭晓：中国垫底，亚洲5队成功出线

剩下20%的深度问题，则会再转交对应的垂类智能体。

4、透过经济半年报

左右滑动查看 数学直觉的正面交锋 P1是全场最温和的开胃菜，所有模型几分钟搞定，人类选手也几乎无一失手。

5、足坛第一“幸运儿”？三年连夺四座世界级奖杯，外加转会皇马圆梦

针对「事后扫描，追不上AI生成代码速度」的这个问题，国际头部厂商都已布局。

她的社交账号晒的是商务舱、名车和昂贵首饰，一派环球飞行的富贵生活。

bug刚修到一半，弹窗一出，全停了。

6、台风“红霞”加强为强热带风暴，周末或以巅峰强度登陆粤闽沿海：广东、福建、湖南、江西将有大暴雨，局地特大暴雨；路径预测公布

刚开源的SenseNova-Vision已经露了苗头。

复杂长文本摘要会遗漏关键信息，语气改写偶尔产生不够地道的表达。

7、陕西的甜借力长三角“破圈进阶”，大荔冬枣品鉴会在上海成功举办

Gemini Diffusion、SEED Diffusion以及LLaDA、Dream等开源模型的出现，使其受到学界与工业界的广泛关注。

更关键的一点，它还带上了Claude Code和Cowork。

8、正式官宣！前国安中场大将加盟欧洲联赛劲旅，半年内连换2新东家

AI每写出一段代码，一落地就会被扫描。

不光少吐字，它完成一个多步任务需要的推理步骤和工具调用也更少，绕的弯路更短，等于又快又省。

从这个意义上说，纳德拉和Karp的最新叙事确实印证了佟博士的基本判断。

9、从今天起，好好刷牙，努力远离“癌王”！

高德途途在现实世界中的端到端成功外化，正是最强有力的证明。

它翻了一遍训练流程，发现了一个缓存漏洞：任务启动前会先检查本地有没有一个向量缓存文件，如果有，就直接用、不再校验。

10、阿德巴约打人事件后续：希罗试图还手被拉住 如今只想放下彻底翻篇

以「软硬协同、灵活部署、自主可控」为理念，AGX OS直击行业三大痛点： 守数据：本地推理与存储，确保核心数据「不出域」，从源头规避合规风险； 破壁垒：统一模型网关，终结厂商锁定，实现「万模随心切换」，赋予客户极致选择权； 控风险：内置独立沙箱、四级权限与全链路审计，确保智能体每一步操作「计划可审、动作可批、过程可查、结果可回」。

然而，卓越的模型能力并非终点。

1、伊姐周六热推：电视剧《南部档案》；电视剧《意外调查组》......

把目光放得再远一些。

2、离开巴萨后梅西终于证明了他不是体系球员

偏偏交付级最较真的文字和纹理，全藏在细节里。

3、安帅再现世一帅风范，巴西队此役后愈发强大和冷静

由此推论，加权权重可以被直接从诱导分布采样掩码所替代，使训练更平滑、实现更简单。最新！部分列车停运据作者实测，财报里的表格、PDF里嵌的图、架构图、仪表盘截图，以往Opus 4.8偶尔会认错列、看混坐标轴的地方，Fable 5能稳定读对。

4、朝阳区奥运村街道2026陆地冰壶联赛开赛

为了确保执行的准确度，这次长城挑战还引入了DFOL2.0做后训练—— 一个引入「世界模型」DW0.5的框架，让模型先在虚拟环境里千锤百炼，再上真机。

5、陈涛：与其多说不如踏实去做；希望知耻而后勇赢回球迷的支持

当审稿人的实际评分与Anchor Score存在较大偏差时，系统会自动触发轻量级复核流程，请审稿人重新确认当前评分，或者补充更多文字说明，解释评分依据。

6、研究发现：男性若长期不喝酒，用不了多久，身体或出现5大变化

现在不一样。

从「API产品」到「可运维平台」，这是最后一块拼图。

喻杰把这条逻辑浓缩成一句话：「具身的第一性原理必定是以人为中心，从人学习、高度拟人、最终服务人。

7、科技股暴跌导致遍地哀鸿，其实大家心里都清楚，我们只是“小菜”

」张正友补充道。

开发者用2-shot测试Gemini 3.6 Flash的界面生成能力，这本是Flash系列最擅长的场景之一。

8、羊肉是肿瘤的“发物”？错！不想癌细胞恶化，少吃5类食物

Cursor想清楚了这件事，然后精准地挖走了全世界最懂「怎么给AI做界面」的那批人之一。

Anthropic也毫不示弱。

因此，VLA部署效率不仅要看每一步的推理延时，更要看策略效率（policy efficiency）：一次预测中有多少动作能放心执行？完成任务到底需要多少真实物理步骤？ 已有方法大多从计算侧入手，例如视觉token剪枝、量化、KV-cache复用、蒸馏或推理引擎优化。

供应商可以改变。