本文综合北京大学王选计算机研究所发布的 ProactiveVideoQA 和 MMDuet2 两篇论文，介绍视频多模态大模型如何实现 “主动交互”—— 在视频播放过程中自主决定何时发起回复，而非等待用户提问。ProactiveVideoQA 提出评估指标和 benchmark，MMDuet2 则通过强化学习训练方法实现了 SOTA 性能，无需精确的回复时间标注即可训练出及时、准确的主动交互模型。
最近，AI 圈子里又冒出一个新词：Harness Engineering。
在具身智能领域，机器人操作的泛化能力一直是一个核心挑战。当前，视觉 - 语言 - 动作（VLA）模型主要分为两大范式：端到端模型与分层模型。端到端 VLA 模型（如 RT-2 [1], OpenVLA [2]）严重依赖海量的 “指令 - 视觉 - 动作” 成对数据，获取成本极高，导致其在面对新任务或新场景时零样本泛化能力受限。
2亿美元A轮融资，估值110亿，成立仅一年就成为独角兽。更震撼的是创始人——25岁的广州00后洪乐潼，父母是从未上过大学的普通务工者。她用数学解决AI最大的痛点：让模型推理步步可验证，彻底杜绝幻觉。为了加入她，弗吉尼亚大学终身教授直接辞职。
Karpathy给一支平均年龄25岁的「叛军」站台，红杉和GV连眼都不眨就拍出1.8亿美金。这群人放话：要么把效率干得比人脑高10倍，要么看着AI把地球烧干！
这家新西兰的公司给奶牛戴上AI项圈，估值一年飙升20亿美元！Founders Fund领投，投资人抢到超额认购。它的秘密武器叫「Cowgorithm」——一套让牛自己放自己的算法。
从3月29日晚21时左右起，国内大模型产品DeepSeek的网页端与APP端服务器持续处于崩溃状态，大量用户反馈无法正常访问对话服务。
“‘AI一定会改变世界’和‘AI泡沫一定会破’是两件事”
当你希望 AI 将 "士兵举起手臂，向后倾身，然后身体向前扑倒" 这段文字转化为一段 3D 角色动画，现有大多数方法给出的答案是：一段摇摇晃晃、语义残缺的短片段。这并非模型能力不足，问题的根源在于将运动表达为逐帧离散序列这一根本性的设计决策。
你正在地铁上，突然想起有个API文档还没写完。以前你只能忍着到公司再弄，现在——你掏出手机，给AI发了一条指令，20分钟后代码自动跑完了。 这不是科幻，是Google员工已经用上的真东西。 它的名字叫
