分类： AI 资讯

alphaXiv上的一篇论文提出“协同改进”框架，用AutoBenchmark、HackBench、AutoInteract和RL-XAR四项方法研究AutoResearch智能体如何更好地与人类协作、并对齐人类期望。目前公开信息显示，这只是研究配方，尚不构成已验证的端到端系统或上线产品。

alphaXiv 收录的一篇论文提出 Data Inoculation（数据接种）框架，让人在遥操作时由残差策略在线注入扰动、再由人纠正，从而收集更多“出错—恢复”样本。在三个真实机器人任务上，该数据训练出的策略成功率不输甚至优于行为克隆与离线强化学习。

论文提出 GenSight，用同一个预训练视频扩散 Transformer 同时生成未来视频和预测深度、机器人本体分割、首帧相对 2D 光流，试图把具身世界模型中的“想象未来”与“感知结构”合并到一个模型里。

alphaXiv 上的一篇论文提出“统一训练”（unified training），主张预训练、中期训练、SFT 和强化学习不必依赖不同算法，而可以合并为一个基于最大似然的训练流程，只需随时间调整数据来源与配比。

alphaXiv 上的一篇论文声称证明了“柏拉图表示假说”：只要训练目标把同一场景的不同观察当作正样本对，不同模态的 JEPA 编码器会学到只差一个旋转的同一表示；并且，一个 1.09 亿参数的文本 JEPA 在图像对齐指标上超过多款大语言模型。

腾讯优图在 Hugging Face 发布论文，提出 Youtu-Parsing-Omni——用一个编码器和一套输出结构，把文档、图片、音频、视频解析成带时空坐标的结构化记录，主打给 AI Agent 提供可定位、可引用的多模态感知层。目前是论文，不等于已上线产品。

Arsaze 把自己定位为“视频剪辑领域的 Cursor”，在真实多轨时间线上提供 Tab 式下一步剪辑建议和可回滚的 Agent 编辑，刚登上 Hacker News 24 小时热榜。它的看点不在生成视频，而在把剪辑动作变成可检查、可撤销的结构化操作。