機器之心AI 評分63
北大團隊 DragMesh 被 IJCV 接收：拖拽一次即可生成 3D 關節運動
北京大學團隊的 DragMesh 被 IJCV 接收。使用者只需在已有 3D 資產上對目標部件拖拽一次，系統就能生成符合關節約束的完整運動軌跡，無需重新生成整個物體。方法上先用 KPP-Net 預測關節型別、軸與原點，再由 Dual Quaternion VAE 並行生成 16 幀軌跡，並通過跨模態語義蒙皮把同一套運動遷移到 Mesh 或 3D Gaussian Splatting。
搜尋
依意思最接近的 24 筆
Hacker News front pageAI 評分55
3Blue1Brown 談 AI 與數學：現在是進入數學最好的時機
3Blue1Brown 於 10 月 16 日發布影片，主題是現在或許是進入數學最好的時機。影片分 7 章，依次講數學學生的焦慮、數學如何運作，以及 AI 作為證明機器、猜想機器與理論機器各自能做到什麼；最後兩章討論如果 AI 在一切方面都更強該怎麼辦，並給出對數學前景的判斷，描述區還附了一篇 Proofs and Prompts 的相關文章。發布兩天播放量約 197 萬，點贊 3.2 萬。
機器之心● 精選AI 評分69
拓元智慧開源原生 4D 世界動作模型 E0.5，真機成功率超π0.5
拓元智慧開源原生 4D 世界動作模型 E0.5，在 AgileX Piper 雙臂與 Zerith H1 人形真機上整體平均成功率分別為 85.0% 和 88.3%，比π0.5 分別高出 13.3 和 26.7 個百分點。模型以三維基礎模型為骨幹，把未來幾何預測直接融入動作學習，並用超 16 萬條真實機器人軌跡做具身預訓練；H1 的分佈內成功率達 100%，分佈外為 76.7%（π0.5 僅 46.7%）。論文、專案主頁與開原始碼均已公開。
機器之心● 精選AI 評分66
SkeLAM 用骨架約束潛在動作，實現零樣本跨形態運動遷移
哈工大（深圳）與新加坡國立大學等提出 SkeLAM，它基於 Cosmos-Predict2.5-2B、用約 10 小時機器人互動資料訓練，通過骨架監督影片中的潛在動作，實現零樣本跨形態運動遷移。遷移時模型引數全部凍結；輸入人類演示影片和機器人場景圖片，生成的機械臂就能復現演示中的運動方向。在 DROID 評測中，它的末端軌跡誤差 ADE 從 51.11 降至 41.15 畫素，比 DreamDojo 低 19.5%，LPIPS 從 0.1473 降至 0.1310。
機器之心AI 評分45
物理 AI 工業具身作業系統與全球首家工業具身 6S 店發布
10 月 12 日，2026 工業具身智慧產業創新高峰論壇舉行，靈巧智慧聯合松應科技發布物理 AI 工業具身作業系統與靈巧操作模組，並推出 21 自由度靈巧手 021B。該系統以松應科技 ORCA OS 為底座，稱其為國內首個支援人形、四足、無人機等多形態機器人協同訓練的物理 AI 作業系統，已適配輝達、AMD、Intel 及摩爾線程等國產 GPU。靈巧智慧同時聯合上海人工智慧研究院、上海電氣、京東零售發布全球首家工業具身智慧 6S 店，由合資公司靈機智聯運營。
機器之心● 精選AI 評分65
Manifold AI 的 R²SI 登頂 RoboDojo 榜，超越 GPT-6-Astra
Manifold AI 流形空間的 WorldScape R²SI 框架在機器人學習基準 RoboDojo 的 Agent Track 登頂，超過 GPT-6-Astra 與輝達 GR00T-N1.7。該框架由內外雙層 Agent 組成，內層執行任務，外層跨輪次復盤、修訂 Skill 並訓練 reactive model（WSP）。在 push_T 任務中，動作步數從首輪 723 步（超出 600 步預算）降至 596 步，再降至 389 步，降幅約 35%。
X @OpenAIAI 評分30
OpenAI 官方分享數學領域的 AI 進展
OpenAI 在官方帳號發布連結，指向官網頁面 sharing-ai-progress-in-mathematics，主題是分享數學方向上的 AI 進展。該資料本身只有這一條連結，未披露涉及的具體模型、基準成績、發布時間或使用方式，因此除官方就數學進展對外發聲這一點外，暫無更多可確認的細節。
X @MistralAI● 精選AI 評分60
Mistral 與輝達合作推進工業工程 AI
Mistral 宣布與輝達建立新合作，將 AI 引入工業工程，並加快模擬速度。合作還包含為物理 AI 發布開放基準與配套資料集，以及為 CAE、EDA 中的 agentic AI 提供評測。更多資訊見 Mistral 官方公告。
機器之心● 精選AI 評分78
研究稱 GPT-6 Astra 的機器人能力來自專門訓練，過擬合 Franka Panda 機械臂
一項針對 50 個開源與閉源模型的測試認為，GPT-6 Astra 的機器人操作能力並非通用智慧湧現，而是訓練中積累了特定機器人知識。研究者讓模型不調工具、不寫程式碼直接計算正逆運動學，Astra、GPT-6.1 Sol 與 Gemini Argon 表現明顯異常：換上另一臺七自由度機器人的 DH 引數後，預測結果仍符合 Franka Panda 的運動學特徵，屬於對特定本體的過擬合。OpenAI 未披露預訓練是否使用機器人資料，實驗程式碼與推理記錄已公開。
機器之心● 精選AI 評分76
復旦與上海創智學院提出 MATE，按規則審計移動智慧體軌跡
上海創智學院與復旦大學團隊提出 MATE，稱其為首個面向移動/GUI 智慧體執行軌跡的規則感知安全審計模型，論文發表於 USENIX Security 2026。MATE 將自然語言安全規則與任務指令、執行軌跡聯合建模，輸出違規判定、14 類風險類別和基於軌跡證據的解釋，提供 0.5B、1.5B、3B 三種規模，規則可編輯、無需重新訓練即可本地部署。
X @GoogleDeepMindAI 評分32
@GoogleDeepMind: @Apptronik By turning video into a training ground for physical AI, Argon compresses weeks of manua…
Google DeepMind 官方帳號提到，Apptronik 的 Argon 能把影片變成物理 AI 的訓練場，將原本需要數週的人工建模壓縮到幾個小時。這條推文以回覆 @Apptronik 的形式發出，正文只有這一句說明和一個 goo.gle 短連結，沒有披露涉及的機器人平台、影片資料規模或可用範圍。資訊發布於 2026 年 10 月 13 日。
機器之心● 精選AI 評分80
AA-Robotics 首份榜單發布：GPT-6 Astra 操控機械臂得分居首
Artificial Analysis 於 10 月 14 日發布 AA-Robotics v0.1，首次讓 GPT、Claude、Gemini 等前沿模型藉助程式設計 Agent 操控真實機械臂，零樣本完成倒水、寫字、搭積木等八項任務。GPT-6 Astra 以 69.4 分居首，GPT-6.1 Sol 64.6 分，Gemini 4 Argon 55.3 分，Claude Opus 5.5 與 Fable 5.1 分別為 48.8 和 46.3 分。
機器之心AI 評分64
清華團隊 PrismWAM 登頂 RoboTwin 2.0，未用動作資料預訓練
清華大學李一鳴團隊發布世界動作模型 PrismWAM，在雙臂操作基準 RoboTwin 2.0 上以平均成功率 83.67% 位列官方榜首，且未做額外的動作資料預訓練。該模型把語義上下文與物理狀態解耦，動作生成只讀取深度物理表徵，在 Clean-to-Random 高難度遷移評測中成功率達 75.5%。
機器之心● 精選AI 評分73
FlowMAS 用 GFlowNet 自動學習多智慧體架構，被 NeurIPS 2026 錄用
廈門大學 ASC 實驗室的 FlowMAS 被 NeurIPS 2026 錄用：它用生成流網路（GFlowNet）把多智慧體工作流拓撲的設計變成可學習的生成問題，讓 AI 自動學出團隊的排兵佈陣。方法引入好奇心驅動與資訊引導兩個模組，在搭建每一步給中間結構發過程性獎勵，後者用資訊理論衡量多路 AI 輸出的協同與冗餘。在 6 個基準、3 種模型底座上，它比手工設計平均高 8.17 分、比自動化方法高 6.12 分；
OpenAI News● 精選AI 評分60
OpenAI 發布 BioBasicsBench，評測 AI 智慧體溼實驗能力
OpenAI 推出 BioBasicsBench，一個包含 100 項任務的基準，用來衡量 AI 智慧體解讀原始實驗資料、處理日常溼實驗科學工作的能力。該基準關注的是實驗室裡日常操作層面的任務，而不是單一的結果性問答。
機器之心● 精選AI 評分78
Fysiverse-UniWAM 不靠大規模預訓練，24 項真機導航與移動操作雙第一
飛捷科思與復旦 CITLab 的統一世界動作模型 Fysiverse-UniWAM 不靠大規模機器人預訓練，在 24 項真機測試中 13 項導航位置誤差全部第一、4 項移動操作成功率全部第一（平均 80.0%，領先 π₀.₅ 17.5 個百分點）。它用 MAP 操作錨定位姿定義導航終點，以共享骨幹的 Mixed-Stream 分開訓練導航與操作，自動生成超 150 萬條軌跡、約 7500 小時的 MAP-Data。
機器之心● 精選AI 評分70
DexRoam 用人類全身示範訓練移動雙臂靈巧操作
香港科技大學、北京智源研究院、北京大學等提出 DexRoam，用第一視角人類全身示範學習移動雙臂靈巧操作，工作被 CoRL 2026 接收。系統用 Meta Quest 3 加頭戴 ZED Mini 相機採集全身動作，經本體、語義、時間三階段對齊後與機器人遙運算元據共同訓練 VLA 策略。在 GR00T N1.7 與 π₀.₅ 的五項真機任務中，人類預訓練加聯合微調把平均成功率從 29% 和 32% 提升到 56% 和 57%，機器人示範減半仍接近完整基線。
量子位AI 評分43
智元發布世界-動作模型 GE-Act 2.0，陌生場景成功率提升約 2.6 倍
智元發布世界-動作模型 GE-Act 2.0，把「預測未來」與「生成動作」整合進同一模型，訓練資料從 300 小時擴充套件到 3 萬小時。在陌生場景、陌生物體上不做額外訓練直接測試，其中一款機器人總體成功率從 17.1% 提升至 44.1%，陌生場景成功率提升約 2.6 倍；在 RTX 5090 上生成一個連續動作塊約需 104 毫秒。
Hacker News front pageAI 評分46
AI 數學發現快過學界消化，評論借《路邊野餐》作類比
一篇評論用斯特魯加茨基兄弟的科幻小說《路邊野餐》類比 AI 對科學的衝擊：AI 實驗室正成批產出數學發現，多到要另附導讀，速度遠超學界消化能力。作者稱這類「發現傾倒」會出現在所有能閉環快速驗證的領域；NYU 數學教授 Tristan Buckmaster 提到最近一批 AI 科學論文讓整個研究專案一夜之間被抹掉。文章的核心判斷是答案將越來越先於理解到來，理解成為瓶頸，這或許也是反加速主義少有的有效論據。
Hacker News front pageAI 評分35
AI 正在大幅加速 AI 研究本身
一篇題為《AI is dramatically accelerating AI research》的文章主張，AI 正在顯著加速 AI 研究自身。該文發表在 planned-obsolescence.org，並在 Hacker News 上引發討論，獲得 39 分、12 條評論。文章的具體論據與資料需見原文。
量子位AI 評分60
前華為小藝大模型負責人唐都鈺創業，押注主動式物理 AI
前華為小藝多模態大模型研發負責人唐都鈺創辦觀行數智，主攻讓機器自主判斷何時介入的「主動式物理 AI」。團隊採用雙模型協同架構 ProAgent：輕量模型 StreamingJev 持續讀取環境事件流、判斷是否需要介入，Response Model 再決定回應方式與呼叫裝置，並自建評測體系 ProactiveXBench。
TechCrunch AIAI 評分43
輝達前機器人產品負責人轉做投資，稱機器人仍處樂高時代
在輝達領導機器人平台產品營銷七年的 Amulya Vishwanath，如今轉而投資 Physical AI，並認為機器人行業仍處於“樂高時代”、尚未迎來爆發。這一判斷與“通用基礎模型將推動機器人突破”的流行看法相反：執行器、機械手、軟體與安全標準等基礎構件仍在重建，而 Physical AI 的內涵也不止於機器人。
機器之心● 精選AI 評分65
近 200 篇工作綜述：可供性學習被統一為感知—推理—行動框架
南洋理工大學、清華大學、上海交大等十餘家機構聯合發布綜述，以「感知—推理—行動」為主線梳理近 200 篇具身智慧可供性學習工作。綜述將研究分為可供性感知（2D、3D、互動驅動、可泛化）、可供性推理（關係式、語言中心、智慧體式）與可供性引導行動（分層執行、策略學習融合）三個層次，並彙總五類資料集與 IoU、mAP、aIoU 等評測指標。作者指出視覺預測準確並不等於機器人能成功執行，未來評測需納入機器人本體約束與物理可行性。
機器之心● 精選AI 評分74
中科院軟體所聯合快手推出 OmniBehavior 使用者行為模擬基準
中科院軟體所中文資訊處理實驗室與快手推出 OmniBehavior，這是首個真實世界全鏈路使用者行為模擬基準，已被 NeurIPS 2026 接收。資料集覆蓋 3500 名快手使用者三個月的 212 萬條互動記錄，橫跨影片、直播、電商、廣告與搜尋場景，共設 6000 個預測任務。評測中表現最好的 Claude-Opus-4.5 僅得 44.55 分，多數模型在 32 至 41 分，擴大上下文視窗未帶來穩定提升。