搜索
传统多模态检索，往往要维护多套embedding模型。文本用一套 embedding，图片用一套视觉模型，音频再单独接一条链路。
任务很简单：把一个加热后的杯子放进柜子。一个智能体先把杯子放进微波炉，再放进柜子，随后陷入反复查看柜子的循环。这个无效行为重复了 36 次，直到耗尽行动预算，任务仍然没有完成。
让Agent写周报、分析方案，已经是许多人的日常。但每次开始，用户还得翻找资料、交代背景，智能体也要经过查找、阅读、整理等多个步骤，才能真正开始任务。换个任务，这套流程又得重来。反复处理这些已有资料，既费时间，也增加token消耗。资料越多、步骤越长，还越容易遗漏信息或出现偏差，影响任务完成的准确率。
近日，清华大学电子工程系数据科学与智能实验室在 AI for Science 方向提出面向智能体符号回归（agentic symbolic regression）的运行时框架 SRHarness [1]，让 AI 更可靠地从观测数据中发现公式；同时构建机制发现基准 MechBench [2]，系统评测 AI 能否进一步揭示公式背后的机理。
把杯子放进微波炉里，这一人类几乎不用思考的日常动作，机器人却可能在杯子放不稳、夹爪碰到门框这样的细节上频频出错。
在科技巨头的牌桌上，从来没有哪一次下注，像这次这般疯狂。
10 月 12 日下午，“工业具身・智造无界”2026 工业具身智能产业创新高峰论坛于国家会展中心顺利举行。
谷歌正式全球上线Gemini 4 Argon，向订阅用户、付费开发者、企业及科研人员等开放，并公布其在代码重构、科研、机器人和网络安全领域的应用案例。
智谱旗下Z.ai发布基于GLM-5.3-Flash的法律专用模型GLM-Legal，面向合同审查、证据分析和合规研究，官方评测显示其在Harvey LAB明显领先、其余两项接近一线，目前需申请API权限且未开源。
Character.AI母公司申请破产保护，迪士尼拟以2000万美元收购部分知识产权许可，其陨落折射出专用AI陪伴产品难敌通用前沿模型、C端用户规模难成商业价值及监管趋紧三重压力。