机器之心 AI NEWS DIGEST
2026 06 23
STORY 01 / 12
刚刚，豆包大模型2.1发布，又一次跨越生产级质变点
STORY 02 / 12
战胜Mythos 5，OpenAI安全专用GPT-5.5-Cyber完全体来了
STORY 03 / 12
百度开源无限OCR，跑通长程解析，核心作者YY疑是来自DeepSeek
STORY 04 / 12
LeCun、谢赛宁转发的世界模型与VLA共融方案：中关村学院ECCV2026—VLA-JEPA
STORY 05 / 12
生物学的EDA时刻来了！
STORY 06 / 12
英伟达讲了三年的故事，Momenta准备在港交所兑现
STORY 07 / 12
成立不到90天的超级创企昆仑行，刷新具身最快独角兽
STORY 08 / 12
首个高考志愿AI测评发布：千问多项表现超过人类志愿咨询师
STORY 09 / 12
连续创业者姚颂、正大集团、清华知名青年学者于超联合发起，正行创新完成近亿美元天使轮融资
STORY 10 / 12
你的AI正在「见人下菜」，亚马逊团队ACL高分论文，首次系统测评「记忆」如何影响LLM情商
STORY 11 / 12
真机强化学习如何保证安全性？清华团队提出安全探索均衡机制
STORY 12 / 12
Science子刊丨从分子生成到验证，AI与药用化学家的双轨优化策略
今天最重要的模型发布，是豆包大模型 2.1 Pro。发布会直接把它定位成一次生产级能力跃迁。
原文给出的第一层证据，是多模型榜单。豆包被放到 GPT、Claude、Gemini 和 DeepSeek 等模型旁边比较。
另一个榜单继续强调通用任务、推理和应用能力，而不是只展示单一场景的跑分。
产品路线图里，视觉、语音、推理和应用开发被串成一条链路，这说明发布重点不是单个模型，而是一套生产系统。
图像能力部分，原文用 4K 和 720P 人脸细节对比来展示高分辨率生成或增强的效果。
发布会还把影像质感、长时自洽一致性和样本多模态价值放在同一页，强调生成内容的可控性和连贯性。
动图演示中，系统展示了长图像或 RTL 相关能力的曲线与控制面板，说明图像生成已经进入可调参的工作流。
在问答动图里，模型能围绕资本支出和 AI 数据中心给出分步骤回答，这是长上下文与知识组织能力的应用入口。
另一段动图展示 CV 论文梳理问题，说明发布方希望把模型能力落到研究、办公和信息检索场景。
这条新闻的关键不只是新模型上线，而是豆包在努力把基准、成本、多模态和应用体验合并成可交付的生产平台。
OpenAI 今天把安全专用模型 GPT-5.5-Cyber 和 CyberGym 放到台前，核心目标是让模型参与真实漏洞修补。
Sam Altman 的截图里，CyberGym 柱状图把 GPT-5.5-Cyber-pro 放在第一位。
单独的 CyberGym 图显示，GPT-5.5-Cyber-pro 得分 85.6，高于 Verity-R1 和 GPT 系列对照。
在 SEC Bench Pro 图里，GPT-5.5-Cyber 是 69.8%，GPT-5 是 63.1%，差距被标得很直接。
Greg Brockman 的截图进一步把方向说清楚：模型不只找漏洞，还要生成和应用补丁。
原文还展示了 3 万个仓库、3000 多万次提交和 50 多万个修复发现这样的规模指标。
工具界面图说明 CyberGym 并不是单纯论文评测，而是在向可操作的安全工作台靠近。
合作伙伴标识也说明，这条线最终要面对企业安全和生态集成，而不是只做实验室展示。
百度这条新闻的关键词是无限 OCR，也就是把长文档解析从分段处理推进到更长程的一次性理解。
论文标题页和百度标识页说明，这是百度团队围绕长程解析开源的新工作。
架构图把人类抄书的过程类比成模型解析流程，重点是让上下文和 KV cache 更可控。
R-SWA 注意力图展示它如何减少长期解码时的缓存压力，避免注意力成本持续膨胀。
延迟曲线进一步说明，解码长度增加时，不同注意力实现的调用耗时会迅速拉开。
在多文档类型表格里，Unlimited OCR 被拿来和 DeepSeek-OCR、Gemini 等系统比较。
更细的子类表格显示，阅读顺序、文本重排和不同文档类型都是评价重点。
演示视频中，左侧论文页面被送入工具，右侧生成结构化文本，这才是长程 OCR 最实际的使用场景。
VLA-JEPA 这篇论文试图把世界模型和视觉语言动作模型接在一起，让机器人更懂动作后果。
框架图把训练分成两段：先用人类视频学习潜在世界模型，再用机器人数据微调动作头。
这背后的判断是，人类视频里有大量物理交互线索，可以帮助机器人减少只靠示教数据学习的压力。
在 LIBERO 表格中，VLA-JEPA 的平均成功率标到 97.2，去掉 human video 后是 96.1。
LIBERO-Plus 进一步加入相机、语言、光照、背景和布局扰动，VLA-JEPA 仍被放在最高一行。
SimplerEnv 表格则把 Google Robot 和 WidowX Robot 分开比较，覆盖 pick、move、drawer 和 spoon 等任务。
柱状图说明，在分布内任务和分布外对象布局中，VLA-JEPA 都比两个对照方法更高。
折线图还显示，人类视频比例升高时，多种扰动条件下的成功率整体上行。
视频演示里，机器人在桌面上处理彩色物体，多帧对比展示了不同方法的动作结果。
这条新闻的意义在于，VLA 研究正在从单纯模仿动作，转向学习可预测的物理世界表示。
这篇文章把生物学的自动化时刻类比成芯片行业的 EDA 时刻。
问题背景是实验复现困难。红色柱状图显示，不同学科都有大量科学家遇到过复现实验失败。
论文标题页给出核心方向：用编译器验证协议，为真实世界 AI 执行打基础。
端到端流程图显示，实验 SOP 会被规范化、解析、编译，并输出可执行的诊断和工件。
BPL 编译器架构把语法、类型树、语义分析和意图下沉分开处理，像软件工程一样检查实验协议。
诊断类别图说明，它能发现维度不匹配、容量违规、未声明标识符、状态冲突和信任违规。
修复循环图显示，第一次尝试已经能让 82.3% 的协议通过编译，后续尝试继续补齐。
SAION 平台图把认知、控制和执行分成三层，试图把协议理解和闭环实验连起来。
动图中的自动化设备展示了这类系统最终要连接的真实实验硬件。
半导体与生物行业对比表说明，BDA 想复刻 EDA 的价值：把复杂研发变成可验证流程。
Momenta 这条新闻的主线，是把自动驾驶公司放进英伟达讲了多年的 physical AI 故事里。
R7 发布会现场把物理 AI 序章作为关键词，说明 Momenta 正在重塑自己的资本市场叙事。
三层架构图把世界模型、世界认知和强化学习串起来，强调不只是感知模块，而是闭环驾驶系统。
人物照片提供了产业故事的创业者主体，也让这条新闻从技术路线转向公司兑现能力。
华为与 Momenta 图显示，智能驾驶供应链已经进入多方协同和平台化竞争阶段。
招股书表格和收入图表是这条新闻的另一半：资本市场最终要看收入和增长预期。
收入柱状图把未来年份画成陡峭上行曲线，这也是市场需要验证的核心假设。
与 Tesla 和 Anthropic 的对比图说明，Momenta 希望同时讲清技术平台和商业化模式。
昆仑行这条新闻首先是速度：成立不到 90 天，就被原文称为具身智能最快独角兽。
具身智能正在吸引密集资本押注，因为它连接大模型、机器人硬件和真实场景执行。
融资故事本身说明，市场相信机器人基础能力会从实验室进入产业应用。
但这类新闻不能只看估值，关键还要看机器人平台、客户场景和可复制部署能力。
所以它更像是具身智能赛道热度的信号，而不是技术胜负已经确定。
接下来真正要验证的，是这家公司能否把资金和团队优势转化成可运行的机器人系统。
这条新闻把高考志愿填报变成了一个 AI 与人类咨询师的对照测试。
雷达图中，千问和人类咨询师被放在六个能力维度上比较。
它的意义在于，志愿填报并不只是查分数线，还要整合专业、城市、家庭偏好和风险。
AI 的优势是覆盖面和一致性，人类咨询师的优势则是经验、沟通和个性化判断。
因此这类测评更适合提醒我们：AI 可以参与决策，但不能替代最终复核。
正行创新这条新闻的重点，是近亿美元天使轮融资和强发起人组合。
标题里出现连续创业者、正大集团和清华青年学者，说明市场首先押注团队背景。
品牌图中的机器人形象，也把公司叙事放到了智能系统和实体交互方向。
但早期融资不能替代产品验证，真正关键是后续能否披露明确客户和技术路线。
这条新闻更像是 AI 创业资金继续涌向高壁垒团队的一个信号。
Amazon 这篇 ACL 论文研究一个很具体的问题：用户记忆会不会改变大模型的情绪推理。
实验框架把用户画像分成优势和劣势条件，再观察模型如何处理情绪理解、管理和支持任务。
结果表显示，多款模型在加入 advantaged 或 disadvantaged 记忆后，得分都会变化。
中文画像卡片说明，所谓劣势用户包含教育、收入、社会支持和经济压力等维度。
这条研究的警示是，长期记忆可以个性化服务，也可能把社会偏差带进情绪判断。
清华团队这篇研究关注真机强化学习里的安全探索问题。
真机学习和仿真不同，机器人不能靠大量危险试错来换取策略改进。
标题中的安全探索均衡机制，核心是让学习效率和安全边界同时被考虑。
这条研究的价值在于提醒我们，机器人智能的下一步不只是更会动，还要更会安全地学。
最后一条研究来自 Science 子刊，主题是 AI 和药用化学家的双轨优化。
总图把流程拆成 AI 先导发现、化学家优化和生物活性验证几个环节。
化合物结构图说明，AI 生成并不是终点，后续还要围绕候选分子做结构优化。
竖版图把筛选、预测、活性曲线和候选分子放在一起，体现双轨协作。
结果集合图提醒我们，AI 药物发现的关键仍是实验验证，而不只是生成漂亮分子。