CRITICAL and HIGH CVE Vulnerabilities reported in OLLAMA GOBinary
该报错通常出现在用镜像或二进制扫描工具（如 Trivy）对 /usr/local/bin/ollama 这个 Go 二进制做漏洞扫描时，会报出 CRITICAL and HIGH CVE Vulnerabilities reported in OLLAMA GOBinary ，核心原因是 Ollam
标签： 人工智能
Intermittent /v1/responses stream closes during reasoning without a terminal event
当 Ollama 收到 POST /v1/responses 流式请求，且模型已开始输出 reasoning 增量后，流可能被干净地关闭，没有任何终止事件，核心报错为 Intermittent /v1/responses stream closes during reasoning without
FRED自蒸馏框架提升World Action Models单步预测未来表示
2026年10月21日，论文提出FRED框架，用自蒸馏让World Action Models（WAMs）单步去噪就能从噪声预测高质量未来视频表示，从而提升机器人操作策略。据摘要，它在零样本泛化上优于同类WAM，人→机器人迁移任务成功率达50.0%。
微信 WeVisOne-VL 论文：统一物体与像素级视觉感知并开源
微信团队在 Hugging Face 发布论文，提出 WeVisOne-VL 模型，试图用同一个视觉语言大模型同时完成目标检测、计数、OCR、分割和抠图等任务，并宣布开源。它值得关注，是因为多粒度感知一直是视觉语言模型的短板。
IQuest-Q1开源发布：320B稀疏MoE专攻命令行智能体，Terminal-Bench 2.1得分83.2
据 alphaXiv 论文页面，IQuest-Q1 以 320B 总参数、15B 激活的开源稀疏 MoE 形态发布，主攻命令行智能体（CLI Agent），在 Terminal-Bench 2.1 上报告 83.2 分。它值得关注的地方不在分数领先，而在于把“智能体在真实终端环境里执行任务”作为训练主线。
人形机器人新框架：以接触点为接口，用注意力规划统一攀爬与越障技能
alphaXiv 上的一篇论文提出把人形机器人运动数据中的“身体与地形接触点”当作学习先验，让注意力机制预测未来落脚与支撑位置，再由全身控制器实现动作；在 Unitree G1 上展示了单一通用策略完成爬梯、攀台、匍匐、越矮墙、踩石等任务，但均为论文演示，并非已上线产品。
视频世界模型综述：从画面流畅到状态一致的四类路径
alphaXiv 于 2026 年 10 月 22 日展示的一篇综述提出，把视频视为对潜在时间世界的部分、有损投影，并以“读、写、共享、交互”四种操作统一梳理视频基础模型与世界模型。它值得关注，因为该框架试图把“画面看起来顺”与“世界状态是否真的保持一致”区分开。
Hugging Face 新论文：GAFU 用生成侧表示提升多模态细粒度理解
Hugging Face Papers 收录的一篇新论文提出 GAFU 后训练框架，把统一多模态模型的生成侧视觉表示压缩成 G token，交给理解通路调用，在多项细粒度视觉任务上超过同等数据训练的 SFT 基线。
RouteWeaver提出统一LLM路由框架，五领域平均准确率61.4%
Hugging Face Papers 收录的论文提出 RouteWeaver，把单轮、多轮、智能体等路由模式收进同一个 LLM 策略里，联合学习“用哪种模式”和“模式内选哪个模型”。它值得关注，是因为 LLM 路由正从固定执行范式走向自适应决策，但摘要尚不代表已上线产品或完整实验验证。
物理AI能否递归自我改进？这篇论文拆解了机器人学习的边界
Hugging Face Papers 收录的一篇论文（2026年10月21日发布）讨论如何把“递归自我改进”（RSI）引入机器人学习，核心问题是：物理世界里的试错成本高、后果不可逆，机器人能否安全地改进“改进方法”本身。目前只有摘要公开，作者综合已有研究后判断，还没有物理实验能单独证明递归收益。