2026年7月7日星期二

1. Cortex：一种双向对齐的具身智能体框架，实现长程操作
   T2arXiv AI/CL/LG（论文）

   Cortex是一个双向对齐的具身智能体框架，通过标准化32种技能基元并注入可处理性原则，将高层视觉-语言模型（VLM）的规划语义与低层视觉-语言-动作（VLA）模型的执行运动学无缝衔接。该框架利用4000小时开源视频数据和30小时模拟数据自动注释训练，采用事件平衡采样策略微调，在Libero-long和RoboTwin基准上分别提升3.1%和4.1%，并零样本完成多阶段化学实验等未见真实世界任务。

2. 腾讯发布Hy3：295B参数MoE模型，21B激活参数，Apache 2.0许可
   T2Simon Willison 博客（Atom）

   腾讯Hy团队推出Hy3模型，295B参数MoE架构，仅21B激活参数，3.8B MTP层参数。基于4月预览版反馈，利用更高质量数据进行后训练，性能超越同规模模型，媲美2-5倍参数的开源旗舰模型。上下文长度256K，模型权重598GB（FP8量化版300GB）。即日起至7月21日在OpenRouter免费使用。

3. 谷歌利用更多用户数据训练AI，教你如何选择退出
   T2TechCrunch：AI（RSS）

   谷歌更新隐私设置，允许利用更多用户数据（包括搜索、YouTube等）训练AI模型。用户可通过“活动控制”页面关闭“AI训练”开关。此举引发隐私担忧，但谷歌表示数据匿名化处理。本文提供详细步骤指导用户退出。

4. Vercel CEO Guillermo Rauch：将模型与Agent分离是生产优化的关键
   T2TechCrunch：AI（RSS）

   Vercel首席执行官Guillermo Rauch在TechCrunch采访中强调，在生产环境中优化AI应用时，必须将底层模型与Agent逻辑分离。他指出，模型的价格/性能比是决定性因素，而Agent应作为独立编排层存在，以提高灵活性、可观测性和成本控制。这一观点反映了当前AI工程化领域关于模块化架构的激烈争论。

1. 美国首批自主地面车辆投入乌克兰战场，Forterra部署超100辆
   T2TechCrunch：AI（RSS）

   美国自主地面车辆制造商Forterra宣布已在乌克兰部署超过100辆无人地面车辆，这是美国此类AI驱动装备首次在实战中大规模投入使用。这些车辆用于后勤运输、侦察和战场支援，标志着AI军事化应用的重要里程碑。

2. 阿尔伯塔省政府利用Claude发现并修复网络安全漏洞
   T1Anthropic：News（网页）

   加拿大阿尔伯塔省政府采用Anthropic的Claude Code（集成Opus和Sonnet模型）对政府系统进行安全审查，成功发现并修复多项网络安全漏洞。此举提升了政府IT系统的防护能力，展示了AI在公共部门网络安全中的实际价值。

3. Savi App 利用AI技术保护消费者免受逼真诈骗，获700万美元种子轮融资
   T2TechCrunch：AI（RSS）

   Savi 是一款面向消费者的AI反诈骗应用，旨在识别并拦截基于生成式AI的深度伪造诈骗，包括虚假绑架勒索、假冒亲友来电等。该应用结合语音分析、行为检测与实时警报，帮助用户避免上当。公司已获700万美元种子轮融资，并正式在iOS和Android平台上线。

1. 首次AI驱动的勒索软件攻击仍需要人类参与
   T2TechCrunch：AI（RSS）

   据TechCrunch报道，首次由AI Agent实际执行的勒索软件攻击技术细节披露：AI虽自动完成入侵和加密，但人类仍负责选择目标、搭建基础设施并提供窃取的凭证。这意味着这并非上周媒体宣称的完全自主网络犯罪首秀，而是人机协作的新型攻击模式。

2. 2026年科技公司因AI裁员名单持续更新
   T2TechCrunch：AI（RSS）

   TechCrunch汇总了2026年以来多家科技公司以AI为由进行的大规模裁员清单，覆盖谷歌、微软、Meta等巨头。裁员集中在客服、内容审核、数据标注等岗位，AI替代人工加速成为行业趋势。文章按时间倒序排列，持续更新。

1. 直接在线策略蒸馏：通过弱模型强化学习提升强模型推理能力
   T2arXiv AI/CL/LG（论文）

   本文提出 Direct-OPD 方法，解决强语言模型后训练成本高的问题。通过在小模型上运行强化学习，将其策略变化作为隐式奖励信号传输给大模型，无需显式奖励模型或在大模型上运行稀疏奖励强化学习。实验表明，该方法在 AIME 2024 上仅用 8 张 A100 GPU 训练 4 小时，将 Qwen3-1.7B 从 48.3% 提升至 62.4%，并优于直接蒸馏和直接强化学习。

2. SovereignPA-Bench：在演化的意图、平台中介与同意约束下评估用户自有个人代理
   T2arXiv AI/CL/LG（论文）

   个人代理正成为持久的用户自有中介，需记住偏好、过滤平台信息、使用工具并与服务协商。现有基准多聚焦任务完成，却未评估代理是否维护用户主权——在尊重隐私、同意、证据、用户负担及抵抗操纵激励的前提下推进用户当前利益。本文提出SovereignPA-Bench，一个可执行基准，在演化意图、平台中介、隐私边界、同意约束、证据要求与负担权衡下评估用户自有代理。该基准分离代理可见的观察状态与仅评估者可见的隐藏标签，报告任务成功、对齐性、隐私、同意、证据、操纵、负担和可审计性等组件指标，并保持配对的场景顺序以进行模型与策略比较。我们在4个模型族和8个策略基线上评估了120个主权压力场景，生成3840条冻结提示轨迹，包含原始提示、输出、提供者格式响应、解析动作、可重算指标、硬集分析、定性案例及240个项目的盲审三方审计。全主权脚手架在主权重上优于直接、仅记忆、仅同意、仅证据、ReAct/工具使用、安全提示和法官守护基线，同时降低了隐私泄露、同意违规、过度让步和操纵捕获。人类审计显示隐私与同意的一致性高，而操纵的一致性较低，识别了平台说服判断的主观前沿。结果表明，个人代理评估必须超越任务完成，走向具有代表性、知晓同意、基于证据的行动。

3. 多玩家交互世界模型：基于表示自编码器的多人动态环境建模
   T2arXiv AI/CL/LG（论文）

   本文提出了首个面向高度动态、复杂物理交互环境的多人世界模型。不同于单玩家世界模型将其他智能体视为环境的一部分，该模型基于多个智能体的动作流进行条件生成，学习将场景变化归因于正确的玩家，并在任意动作组合下保持一致性。研究在《火箭联盟》游戏中展开，训练于1万小时公开机器人游戏数据，构建了50亿参数的潜在扩散模型，能在单张Nvidia B200 GPU上实时生成4玩家比赛（每秒20帧）。尽管仅用短片段训练，模型滚动稳定性远超训练视野：分布质量在5分钟内保持稳定，实践中可延续数小时而不崩溃。系统研究了视频编解码器、生成目标和多人条件方案等核心设计选择，并表征了模型和数据规模对行为的影响，包括涌现能力与失败模式。论文还开发了针对性评估以探测模型对物理的理解，并开放了数据集、完整训练/推理代码和在线演示。

4. 针对Web Agent的安全保证的不信任内容屏蔽方法
   T2arXiv AI/CL/LG（论文）

   本论文针对Web Agent面临的提示注入攻击，提出一种名为“不信任内容屏蔽”（UCM）的防御方法。核心洞察是网页的文档对象模型（DOM）足以区分可信与不可信区域，无需读取内容。UCM通过在数据到达Agent前屏蔽不可信区域，并将交互路由到沙箱接口，恢复信任边界，实现安全保证。代码已开源。该方法简单有效，为Web Agent的可证明安全部署提供了实用方案。

5. TabPack：面向表格深度学习的高效超参数集成方法
   T2arXiv AI/CL/LG（论文）

   TabPack 是一种用于表格数据的高效 MLP 集成方法，通过单次运行并行采样并训练多个不同超参数的 MLP，并在训练中动态选择集成成员，大幅降低了对超参数调优的依赖。实验表明，默认配置下的 TabPack 在中等至大规模公开数据集上能达到与精细调优的基线方法相当的性能，且计算资源消耗显著减少——在 MacBook 上运行默认配置甚至比在工业级 GPU 上调优某些基线更快。

6. REDDIT：通过重播式分布编辑纠正ASR中的模型生成时间戳漂移，而不遗忘已学知识
   T2arXiv AI/CL/LG（论文）

   现代自回归ASR系统能将时间戳作为解码令牌输出，实现无需帧级对齐的时间戳转录。然而，这些生成的时间戳在长无声片段中会出现漂移：转录可能仍合理，但解码时间轴偏离音频。本文研究了这一问题，并提出了REDDIT（基于重播的分布编辑），一个轻量级两阶段后训练框架，通过编辑时间戳目标并避免灾难性遗忘，在仅更新1.6%参数且使用34.9小时音频的情况下，将长间隙mIoU从38.7%提升至95.0%，混合同外域AAS从2752ms降至223ms，同时保持CV-en MER在41.3%水平。

7. TREK：利用蒸馏探索、强化精炼——提升GRPO在困难推理任务上的表现
   T2arXiv AI/CL/LG（论文）

   本文提出TREK（Teacher-Routed Exploration via Forward KL）方法，针对GRPO在困难提示上采样不到正确推理路径的问题，通过蒸馏（而非模仿）扩展学生策略的支持域。TREK首先识别学生低通过率的提示，利用外部或内部教师生成候选解，基于学生似然保留最优r个，经短前向KL阶段将其拉入学生支持域，再回到标准GRPO微调。在数学推理（AIME 2024/2025）上，TREK搭配DeepSeek-V4将Qwen3-8B的AIME 2025成绩从36.9提升至40.3，AIME 2024从47.9提升至51.1；无外部教师时自上下文变体达到38.5和49.6。在Agent任务上，ALFWorld成功率从75.8升至82.8，ScienceWorld从12.5升至26.7，且最难任务类型上TREK早期即达高成功率。

8. 忠实于拒绝：神经元选择器的因果审计
   T2arXiv AI/CL/LG（论文）

   本文通过零化单样本神经元行的方式，对五个大型语言模型的归因方法进行直接因果审计。研究发现归因方法在识别可丢弃行方面优于激活和幅度基线，但高度秩稳定的选择器可能因果有效性较低。拒绝功能存在于冗余子空间中，不同归因方法通过几乎不重叠的行集实现拒绝编辑，表明编辑只是充分集的一个实现而非唯一机制。该研究挑战了依赖秩稳定性代理评估选择器有效性的常见做法。

—