World Labs 官网介绍：空间智能公司与生成式 3D 世界模型 Marble
World Labs 是一家空间智能公司，由李飞飞（Fei-Fei Li）与 Justin Johnson、Ben Mildenhall、Christoph Lassner 共同创立，专注构建可感知、生成、推理并与虚拟和物理世界交互的前沿世界模型。其首款产品 Marble 由生成式 3D 世界模型驱动，支持从图像、视频、文本和 3D 布局创建空间连贯、高保真且持久一致的 3D 世界。
全部AI 动态
全部动态
今日 458 条World Labs：官网AI 评分1616 Anthropic：Transformer Circuits（可解释性研究）AI 评分3535 Anthropic 可解释性研究：特征与上下文学习的新发现
Anthropic 可解释性团队在月度更新中指出，模型对跨语言相似文本的活跃特征重叠度（IoU）随样本长度增加而上升。通过对比英法段落首尾句，末句 IoU 显著高于首句，且无关语句的首句重叠度高于末句，支持"模型在更长上下文中构建更丰富表征"的解释，而非虚假激活所致。
Anthropic：Transformer Circuits（可解释性研究）AI 评分4646 Anthropic 可解释性研究：多选题场景中的“危害压力”机制
Anthropic 可解释性团队发现，在多选题中加入有害意图语句后，Claude 3.5 Haiku 在 129 道二选一题目上的准确率从 100% 降至 48.1%。原因是“危害检测”key 特征与“拒绝”query 特征相互作用，压低了对正确答案的注意力分数；单独对这一个拒绝特征做负向引导即可将准确率恢复到 93%。
Anthropic：Transformer Circuits（可解释性研究）AI 评分5858 Anthropic 提出 Activation Oracles：训练 LLM 用自然语言回答关于自身激活的问题
Anthropic 等机构训练 Activation Oracles（AO），将 LLM 激活作为额外输入模态，用自然语言回答关于目标模型激活的任意问题。在 4 个下游审计任务中，AO 在 3 个上匹配或超过最佳已有方法，可发现微调引入的秘密知识或失智倾向，且训练仅用微调前的原始模型激活；性能随训练数据数量与多样性提升。论文与代码、Demo 已开放。
Anthropic：Transformer Circuits（可解释性研究）AI 评分5050 Anthropic 推出 HeadVis：可视化语言模型注意力头行为的交互工具
Anthropic 开源交互式可视化工具 HeadVis，用于研究大语言模型中的注意力头行为，代码已开放并提供 Gemma 3 与 Claude Haiku 3.5 部分注意力头的演示。该工具通过注意力模式、分布指标、低秩分量投影及 QK/OV 电路上的 SAE 特征归因来生成和检验假设，案例研究显示注意力头在全数据分布上的行为常与窄任务表现不同。
Anthropic：Transformer Circuits（可解释性研究）AI 评分4343 Anthropic 可解释性研究：用下游连接预测哪些特征会操控模型行为
Anthropic 可解释性团队提出用 TWERA 加权的下游连接来区分外观相似的特征：两个在“草是什么颜色”提示上同样激活、top unembeds 都指向 green 的 CLT 特征，只有 Feature B 被抑制才会让答案从 Green 变成 Red。实验收集 10 组各 3–5 个候选特征，让 Opus 4.7 按操控可能性排序，加入 TWERA 下游特征信息后预测能力小幅提升。
Anthropic：Transformer Circuits（可解释性研究）AI 评分3939 Anthropic 可解释性团队提出 Turn-Averaged SAE：按对话轮次平均残差流以压缩特征激活
Anthropic 可解释性团队在 Circuits Updates 中介绍了 Turn-Averaged SAE：将单个人类或 Assistant 轮次内所有 token 的残差流平均后训练 SAE，使每轮仅呈现 L0 个激活特征，而非 per-token SAE 的 n_tokens × L0 个。
Anthropic：Transformer Circuits（可解释性研究）AI 评分4747 在 1 层 Transformer 中识别干扰权重：测量其对模型输出与损失的影响
Anthropic 的 Transformer Circuits 研究训练了一个 1 层 Transformer，将其分解为 token、位置、特征与 logits 之间的虚拟权重，首次在训练好的 Transformer 中通过测量对训练损失的影响定位出具体干扰权重。
TensorZero：实验与工程博客AI 评分5858 TensorZero 用 tree-sitter 和树编辑距离从每次 Git commit 自动评估 Cursor 推理效果
TensorZero 团队发布开源方法，在每次 Git commit 时自动为 Cursor 的 LLM 推理计算反馈奖励。
TensorZero：实验与工程博客AI 评分4949 TensorZero 研究：程序化数据筛选蒸馏让小模型推理成本降低 5-30 倍
TensorZero 研究发现，用 GPT-4.1 生成的高质量对话数据微调小模型，可在多种任务上实现相对 GPT-4.1 最高 30 倍的成本下降，同时性能持平或更优，响应速度最高提升 4 倍。
TensorZero：实验与工程博客AI 评分4242 TensorZero 获 730 万美元种子轮融资，打造工业级 LLM 应用开源栈
TensorZero 完成 730 万美元种子轮融资，用于构建面向工业级 LLM 应用的开源基础设施。其 11.5K 星开源栈统一了 LLM 网关、可观测性、优化、评估与实验五大组件，可增量采用并形成数据与学习飞轮。该平台已在前沿 AI 初创公司和一家欧洲大型银行落地，并曾登上 GitHub 全球周趋势榜第一。
TensorZero：实验与工程博客AI 评分5959 TensorZero 实测 OpenAI o4-mini 强化微调是否值得：成本比 SFT 高 7-362 倍，效果并非总是更好
TensorZero 用三个真实任务（CoNLL++ 命名实体识别、terminal-bench 智能体编码、τ-bench retail 客服工具调用）对比 o4-mini 上的 RFT 与 GPT-4.1 mini 的 SFT。
TensorZero：实验与工程博客精选AI 评分6666 TensorZero 在 LLM 网关中引入多臂老虎机自适应 A/B 实验
TensorZero 推出基于 Track-and-Stop 最佳臂识别的多臂老虎机算法，在 LLM 网关中实现自适应 A/B 实验，动态调整采样比例并用 anytime-valid 的 GLRT 停止规则避免 p-hacking。
推荐理由：文章用仿真和真实 NER 实验数据说明自适应实验相比均匀采样能减少约 37% 的判定时间，并给出可直接复用的配置方法。
TensorZero：实验与工程博客AI 评分4646 TensorZero 打造自动化 AI 工程师 Autopilot，所有基准测试性能大幅提升
TensorZero 正在构建自动化 AI 工程师 TensorZero Autopilot，可分析 LLM 可观测性数据、搭建评测、优化提示词与模型并运行 A/B 测试，在软件工程、客服、数据抽取、医学、法律、天体物理、交互推理等任务上全部提升。
TensorZero：实验与工程博客精选AI 评分6767 TensorZero：别只比每百万 token 单价，LLM API 的隐藏成本在 tokenizer
TensorZero 指出每百万 token 单价（$/MTok）不能反映 LLM API 真实成本，因为各家 tokenizer 对相同输入产生不同 token 数。
推荐理由：原文用实测数据说明 token 计数差异会让实际成本偏离标价，读者可据此修正自己比较模型价格的方法。
TensorZero：实验与工程博客AI 评分6262 TensorZero 研究：即使非常噪的 LLM 评估器也能用于改进 AI 智能体
TensorZero 发文指出，输出级相关性低的噪声 LLM 评估器在离线 Agent 选型中仍然可靠，因为单输出噪声会随样本量平均消去。
Suno：Blog（网页）AI 评分5353 Suno 宣布 9 月 3 日起实施下载限制并更新服务条款
Suno 宣布自 2026 年 9 月 3 日起实施新的下载限制并更新服务条款。Free 用户终身最多 7 次试用下载，Pro 每月 20 次，Premier 每月 60 次；使用 Suno Studio 的 Premier 订阅者不设下载上限，超出部分可付费购买。
Suno：Blog（网页）AI 评分5959 Suno 宣布与 BMG 达成全球合作，共同开发首个与音乐行业协作的音乐模型
Suno 首席执行官 Mikey Shulman 宣布与大型音乐公司 BMG 达成全球合作，该合作属于即将推出的首个与音乐行业共同开发的音乐模型的一部分。双方将合作打造艺术家与粉丝连接的新体验，并为选择加入的艺术家和词曲作者提供新的经济机会；双方还计划在 Suno: In Session 和 Spark 两个独立艺术家支持项目上深化合作。
Suno：Blog（网页）AI 评分5858 Suno Studio 2.0 发布：新增 MIDI、Chat 与自动化功能
Suno 发布 Studio 2.0，为浏览器端 DAW 带来 MIDI 导入录制与编辑、wavetable 合成器、Chat（beta）、高级 stem 分离、音频效果与自定义插件以及自动化功能。MIDI 片段还可作为音频生成的提示词，Premier 订阅者可无限导出 32-bit/48kHz 多轨与 stems。
Suno：Blog（网页）AI 评分2525 Suno 官方指南：如何完善创作者个人资料，让音乐被更多人发现
Suno 发布创作者指南，建议完善个人资料以提升音乐被发现和推荐的机会。资料需包含名称、头像、简介和至少一首已发布歌曲，才可被搜索并获得 Suno 推荐；还可添加最多 5 个曲风标签及 Spotify、TikTok、Instagram、SoundCloud 等外部链接。完整资料有助于将一次性听众转化为长期粉丝。
Suno：Blog（网页）AI 评分5454 Suno 宣布与 Believe 和 TuneCore 达成全球战略合作
Suno 宣布与音乐公司 Believe 及其自助发行平台 TuneCore 建立全球战略合作。Believe 将参与 Suno 正在开发的新音乐模型，用 Suno 新行业伙伴模型创作的曲目可通过 Believe 和 TuneCore 分发到 Spotify、Apple Music、Amazon Music 和 YouTube 等平台。
Suno：Blog（网页）AI 评分2525 Suno 解析：压缩器到底在做什么？
Suno 发布科普文章，解释压缩器如何通过降低音频最响部分并配合补偿增益提升整体电平，从而压缩动态范围。Suno Studio 的压缩器插件提供阈值、压缩比、启动与释放等参数，并配有实时动态曲线表。Studio 是浏览器端 DAW，已内置包括压缩在内的一整套音频效果，随 Suno Premier 订阅免费提供。
Suno：Blog（网页）AI 评分3636 Suno Studio 使用 EQ 的三个必学技巧
Suno Studio 发布 EQ 使用指南，给出三条入门技巧：混音以耳朵为准而非只看曲线；先衰减再提升，例如人声可在 400Hz 处先减 6dB 并用约 80Hz 高通滤除低频；EQ 尽量放在效果链首位。Suno Studio 自 2025 年上线起即支持每轨 EQ，最新版本中 EQ 已作为音频效果与压缩、混响、延迟并列，可手动添加、自制预设并跨轨道和项目复制分享。
Suno：Blog（网页）精选AI 评分7070 Suno 发布 v6 音乐模型，推出 v6、v6-wild、v6-mini 三款模型
Suno 发布新一代音乐模型 v6，与 Warner Music Group、BMG 和 Believe 等行业伙伴合作开发，官方称其更快、更具表现力且质量更高。
推荐理由：原文给出 v6 三个模型分工、具体编辑控制能力和与 Warner Music Group 等的合作背景，读者可据此评估其创作工作流的变化。
Sarvam AI（网页）AI 评分3939 Sarvam AI 推出 Indus 限量测试版，搭载 105B 主权模型
Sarvam AI 开放 Indus 限量测试版，这是体验其模型的界面，由 105B 主权模型驱动，规模明显小于当前全球消费级聊天应用背后的前沿模型。现阶段团队优先聚焦印度语境下的准确性、实用性与对齐，之后再训练更大的基础模型。Indus 正逐步放量，初期可能需排队等待。
Sarvam AI（网页）精选AI 评分6565 Sarvam 开源 30B 与 105B 推理模型
Sarvam AI 于 2026 年 3 月 6 日开源 Sarvam 30B 和 Sarvam 105B 两个从零训练的 MoE 推理模型，训练完全在 IndiaAI 任务的算力上于印度完成，权重可从 AI Kosh 和 Hugging Face 下载。
推荐理由：官方发布开源推理模型，给出完整训练与推理细节和基准对比，可了解印度本土全栈模型的做法。
Sarvam AI（网页）AI 评分5555 Sarvam AI 发布印度语言 ASR 分层评估指南，开源 llm_wer 与 llm_intent_entity 框架
Sarvam AI 发布印度语言 ASR 评估实践指南，指出 WER/CER 等为英语设计的指标在口语变体、code-mixing、数字多写法等六类场景下会把正确转写误判为错误。
Sarvam AI（网页）AI 评分3636 Sarvam AI 推出合作伙伴计划 Sarvam Circle
Sarvam AI 发布合作伙伴计划 Sarvam Circle，联合云厂商、OEM、系统集成商、咨询公司、ISV 和投资机构，在 Sarvam 全栈 AI 上共同打造行业解决方案并推动试点走向生产。
Sarvam AI（网页）AI 评分5151 Sarvam AI 汇总 Sarvam Epoch 发布内容，推出 Sarvam 105B 更新版与多项新产品
Sarvam AI 汇总首届 Sarvam Epoch 活动上发布的全部内容，覆盖模型、推理、Agent 平台与硬件。
Sarvam AI（网页）AI 评分4141 Sarvam 与 AI4Bharat 发布 Indic DiarBench：覆盖 22 种印度语言的联合说话人分离-ASR 基准数据集
Sarvam 联合 AI4Bharat 发布 Indic DiarBench，这是首个覆盖全部 22 种印度表列语言、同时标注 ASR 与说话人分离的开源基准数据集，含 108 小时自然多人对话语音，每条录音 2-9 名说话人。数据集包含近场与远场会议、YouTube 野外对话，以及人工校验的转写文本和说话人时间戳，用于联合评估转写与说话人归属。
Sarvam AI（网页）AI 评分5454 Sarvam AI 发布语音识别模型 Saaras V4
Sarvam AI 发布语音识别模型 Saaras V4，采用音频编码器加 3B 混合状态空间 LLM 解码器的架构，解码器完全从零自研训练。
Sarvam AI（网页）AI 评分5252 Sarvam AI 发布 Sarvam Vision 2.1，文档智能基准达到 SOTA
Sarvam AI 发布 Sarvam Vision 2.1，在 olmOCR-Bench（87.3）与自研 Indic OCR Bench（总体准确率 87.39）上取得领先成绩。
Berkeley RDI：Blog（AI 安全与评测）精选AI 评分7777 Berkeley RDI 联合 Anthropic、OpenAI、Google 发布 ExploitGym 基准：898 个真实漏洞测试 AI 智能体自主攻击能力
UC Berkeley 等机构及 Anthropic、OpenAI、Google 发布 ExploitGym 基准，含 898 个真实漏洞（用户态程序、V8 引擎、Linux 内核），测试 AI 智能体能否把已知漏洞变成完整攻击。
推荐理由：原文给出真实漏洞上智能体自主生成完整攻击代码的成功率和防御绕过数据，读者可据此评估 AI 对攻防两侧的实际影响。
Berkeley RDI：Blog（AI 安全与评测）精选AI 评分6666 Berkeley RDI 发布 Agents' Last Exam 基准，前沿智能体在最难任务上全部 0% 通过
UC Berkeley RDI 发布 Agents' Last Exam（ALE）基准，用来自 55 个职业、1500 多个专家来源的真实任务评测前沿 Agent，任务源自人类专家完成过的真实项目，可客观验证、可复现。
推荐理由：原文给出各前沿智能体在 1500 多个真实职业任务上的通过率、成本差异和最难题的失败细节，可用作衡量 Agent 真实工作能力的参照。
Berkeley RDI：Blog（AI 安全与评测）精选AI 评分7575 UC Berkeley 与 UC Santa Barbara 发布 SageCTF，DEF CON CTF 资格赛进入前 5%
UC Santa Barbara 与 UC Berkeley 团队推出基于 OpenSage 框架的 CTF 专用智能体 SageCTF，在 DEF CON CTF 2026 资格赛中尝试 15 题。
推荐理由：原文给出 SageCTF 在 DEF CON CTF 的具体成绩与 50 题对比数据，读者可以据此评估自主 Agent 在长程安全任务上的水平。
Berkeley RDI：Blog（AI 安全与评测）AI 评分6464 UC Berkeley 发布 CyberGym-E2E：评测 AI 智能体端到端网络安全能力的大规模真实基准
UC Berkeley 联合多校发布 CyberGym-E2E 基准，覆盖 139 个开源项目的 920 个真实漏洞，要求智能体完成从漏洞发现、PoC 构造到补丁生成的完整防御流程。
Berkeley RDI：Blog（AI 安全与评测）精选AI 评分6767 Berkeley RDI：GitHub Pages 上近 2000 个站点仍加载 polyfill.io 恶意 CDN，AI 编码助手加剧风险
Berkeley RDI 扫描发现 1,960 个 GitHub Pages 站点（18,384 个页面，合计超过 530K stars，含 microsoft/AirSim 和 UC Berkeley 课程页）仍在加载 polyfill.io 等 Funnull 系列 CDN，该运营商已被 OFAC 制裁。
推荐理由：原文实测四款大模型仍会推荐已被制裁的恶意 CDN 域名，并给出可执行的排查命令和修复清单，方法可迁移到自身项目。
Berkeley RDI：Blog（AI 安全与评测）AI 评分5454 Berkeley RDI等机构提出软件开发自主性三级框架，展望编码不再是瓶颈后的软件工程
UC Berkeley、MIT、Microsoft、Cursor等机构的研究者发布立场论文《Towards Autonomous Software Development》，提出软件开发自主性三级框架：Level I代码自主、Level II流水线自主、Level III需求自主。
Berkeley RDI：Blog（AI 安全与评测）AI 评分5656 UC Berkeley 等发布 Vero 基准：评测 AI 智能体能否构建形式化验证的软件仓库
Berkeley RDI 等机构发布 Vero 基准，要求 AI 智能体在仓库级同时编写实现与 Lean 4 证明，包含 43 个多模块实例、743 个评分 API 和 2,705 条形式化规范。
Berkeley RDI：Blog（AI 安全与评测）精选AI 评分6666 Berkeley RDI 发布 CUA-Lite：面向 computer-use agent 的开源平台
Berkeley RDI 于 2026 年 9 月推出 CUA-Lite，一个开发 computer-use agent 的开源平台，围绕 Lite.Gym 统一环境接口、Lite.Sample 统一监督数据格式和每模型一个、跨 eval/SFT/RL 共用的 harness 三大抽象构建。
推荐理由：平台由 Berkeley RDI 官方发布，给出三大抽象和已接入的基准、数据规模，读者可据此评估是否用于 CUA 开发。