导语：GitHub 最新开源项目 Chandra OCR 2 刷新文档智能技术标杆。这款由 Datalab 推出的 OCR 模型支持 90+ 语言识别，在复杂表格、手写笔记、数学公式和表单还原场景表现卓越。olmocr 基准测试中 Chandra 2 以 85.9 分超越 GPT-4o（69.9 分）和 Gemini Flash 2（63.8 分），多语言性能在德语、法语、西班牙语等主流语言上准确率超 93%。项目采用 Apache 2.0 开源，提供本地 HuggingFace 和远程 vLLM 两种部署模式，让…
导语：OpenAI 发布深度文章详解 Model Spec 设计理念，这是其正式框架定义模型行为规范。研究指出 AI 行为透明度对公平与安全至关重要。Model Spec 通过指令链框架解决多源指令冲突，区分硬规则（不可覆盖的安全边界）与默认值（可调整的行为起点），并配备决策规则与具体示例辅助应用。框架自 2024 年首版以来持续演进，基于实际部署反馈与集体对齐机制，为行业提供可公开审查的模型行为参考标准。 核心内容 研究背景 随着 AI 系统能力增强，人们和机构需要更清晰的预期了解模型如何行为、体现何种权衡、以及…
导语：arXiv 最新论文提出 DILLO 框架，挑战机器人世界模型必须依赖视觉模拟的假设。研究指出现有主动安全方法需渲染未来图像再评估，单次决策延迟超 3 秒无法实时控制。DILLO 通过跨模态蒸馏将 VLM 教师的语义预见能力迁移到潜变量条件 LLM 学生，仅需策略内部表征和规划动作即可预测结果，实现从"模拟后执行"到"描述后执行"的范式转变，在消费级硬件上完成完整校正循环仅需 0.26 秒，任务成功率提升 15 个百分点。 核心内容 研究背景 AI 驱动的智能体在机器人操作、自主导航等高可靠性场景部署日益增多…
导语：arXiv 最新论文提出 RelayS2S 框架，解决实时语音对话系统中延迟与质量的根本矛盾。研究指出现有端到端语音模型响应快但语义弱，级联 pipeline 质量高但延迟大。RelayS2S 通过双路径并行架构——快路径 S2S 模型推测生成短前缀立即播放，慢路径 ASR→LLM 生成高质量续写——在 GPT-4o 后端实现 P90 延迟 81ms（级联基线 1091ms）同时保持 99% 响应质量，且无需修改现有组件即可集成。 核心内容 研究背景 实时语音对话是对话 AI 最具挑战性的场景之一：系统需以人…
导语：Nous Research 开源 Hermes Agent，首个内置学习循环的自改进 AI 代理系统。研究指出传统 Agent 缺乏持续学习能力，每次对话从零开始。Hermes 通过经验驱动的技能创建、使用中自我改进、跨会话用户建模和自主知识持久化，实现"越用越聪明"。系统支持多平台部署（Telegram/Discord/Slack/WhatsApp/CLI）、200+ 模型切换、子代理并行工作，并提供 OpenClaw 无缝迁移，让个人 Agent 真正成长为用户的数字分身。 核心内容 研究背景 现有 AI…
导语：arXiv 最新论文提出 SpecTM（Spectral Targeted Masking）框架，为地球观测基础模型引入物理约束掩码设计。研究指出现有随机掩码方法忽视光谱物理规律，限制模型可信度。SpecTM 通过多任务自监督学习（波段重建、生物光学指数推断、8 天时序预测），在 NASA PACE 高光谱图像上实现微囊藻毒素浓度预测 R²=0.695（当周）和 0.620（8 天预测），超越基线模型 34%-99%，标签效率提升 2.2 倍。 核心内容 研究背景 基础模型在地球观测（EO）领域快速发展，但现…
导语：GitHub 最新开源项目 RuView 将普通 WiFi 信号转化为人体感知系统，实现无摄像头、无穿戴设备的实时姿态估计与生命体征监测。研究指出传统视觉感知存在隐私泄露、部署成本高、环境受限等痛点。RuView 通过分析 WiFi 信道状态信息（CSI）扰动，结合 Rust 高性能信号处理与自学习嵌入模型，在 ESP32 低成本硬件上实现 54K fps 姿态重建、呼吸心率检测、穿墙感知，为隐私优先的空间智能提供全新方案。 核心内容 研究背景 人体姿态估计与生命体征监测在医疗监护、智能家居、灾难救援等场景需…
导语：斯坦福大学联合 UCSF 推出 MARCUS 系统，一种用于心脏诊断的多模态智能体视觉语言模型。研究指出现有 AI 模型局限于单模态输入且缺乏交互能力。MARCUS 通过分层智能体架构整合心电图、超声心动图和心脏磁共振三种模态，在 1350 万张图像和 160 万问答对上训练，内部和外部测试中准确率达 87-91%（心电图）、67-86%（超声）、85-88%（磁共振），超越 GPT-5 Thinking 和 Gemini 2.5 Pro Deep Think 达 34-45%，多模态病例准确率 70% 是前…
导语：arXiv 最新论文提出 PowerLens 系统，将大语言模型的推理能力应用于 Android 设备电源管理。研究指出现有电源管理机制依赖静态规则，忽视用户活动和个人偏好。PowerLens 通过多 Agent 架构识别 UI 语义、生成 18 项设备参数的 holistic 电源策略，采用 PDL 约束框架验证每个动作，并通过双层记忆系统从隐式用户覆盖中学习个性化偏好。在真实 Android 设备上实现 81.7% 动作准确率和 38.8% 能耗降低，系统自身仅消耗 0.5% 日电量。 核心内容 研究背景…
导语：arXiv 最新论文提出效用引导的 Agent 编排框架，将工具使用 LLM Agent 的行为控制作为显式决策问题。研究指出固定工作流稳定但僵化，ReAct 等自由推理灵活但可能过度执行。新框架通过效用函数平衡估计收益、步骤成本、不确定性和冗余，在 HotpotQA 基准上实现与 ReAct 竞争的性能，同时提供更可解释、可控制的多步执行轨迹。 核心内容 研究背景 工具使用的大型语言模型 Agent 面临答案质量与执行成本之间的根本张力。更好的任务性能通常需要更多推理步骤、更多工具交互和更长的执行轨迹，这反…
