自年初首个通用 Agent 产品 Manus 出现以来，Agent 受到了前所未有的关注，互联网大厂和大模型初创企业将它作为竞逐的 AI 重心之一，并利用 MCP、A2A 等 协议扩展 Agent 的能力边界以及赋能的应用场景。 昨日，在火山引擎 Force 2025 大会上，除了最新版本的 豆包大模型 1.6 系列 之外，Agent 成为另一个焦点。 大会开发者主论坛以「基于 AI 云原生的 Agent 开发新范式」为主题，展示了全面升级的「扣子」如何利用 Agent 来重塑生产力。 扣子罗盘技术负责人王新盟 全新升级后的扣子已经 由原来的 Agent 开发平台进化为了一个「全生命周期平台」 ，覆盖了以下四大组成部分： 可以说，更完备的扣子产品矩阵进一步适应大模型时代多样化的 Agent 开发、调优需求，最大可能地提供智能化的体验。 机器之心报道 编辑：杜伟 2025 年被很多人称为 Agent 爆发元年，它们可以极大地具像化大模型的能力，并改变 PC、移动等端侧人机交互的范式，尤其是跨场景的多任务自动执行显著提升 了操作的便捷性和智能化程度。 我们接下来一一来看。 扣子开发平台，低代码 Agent 开发； ...

2025 WAIC 云帆奖全球征集已进入倒数 3天，小伙伴们赶快 on board！点击文末「阅读原 文」完成报名或提名！ 在全球 AI 创新格局加速重塑之际，2025 WAIC 云帆奖以「聚智・共进」为主题，继续发掘和表彰 AI 青年 先锋。从基础理论突破到产业实践创新，从跨学科交叉到开源生态建设，我们寻找能够在通往 AGI 的征途 上贡献中国智慧的青年才俊，并将为奖项得主提供学术影响、科研资助、产业生态全方位赋能。 现在，三位重量级奖项召集人向你发出诚挚邀请： WAIC 云帆奖得主赋能计划 学术影响力跃升 ：在 WAIC 揭晓获奖名单并颁发证书，提升获奖者国际知名度与学术影响力。为有意愿者 向知名高校、科研机构推荐工作；提供与国际顶尖学术机构、学者交流合作机会，如受邀参加国际会议作 汇报。 奖项设置 璀璨明星 明日之星 百万级科研加速 ：联合科研机构提供重点科研项目资助内推，资助金额最高可达数百万；提供算力资源， 助力突破算力瓶颈；多渠道推广研究成果，提升影响力与应用价值。 产业生态赋能 ：组织与知名企业、科研机构对接，提供项目实践机会，推动产学研融合。为有创业意愿者 提供创业培训、资金及上下游企业对接等 ...

机器之心报道 机器之心编辑部 未来的世界级研究，可能会出自这些年轻科学家。 本周四， 2025 年谷歌研究学者计划（Research Scholar Program）获奖名单公布了。 研究学者计划是谷歌为了支持学术界研究工作而设立的一个专门项目，旨在通过提供资金支持的方式鼓励 与科研人员的合作，建立长期合作关系，以推动科学和技术的进步。申请人在提交申请时必须是大学或授 予学位的研究机构的全职助理、副教授或教授。 地址：https://research.google/programs-and-events/research-scholar-program/recipients/ 机器之心将获奖华人学者名单整理如下（排名不分先后）： 应用科学 Julia Yang：佐治亚理工学院 获奖研究：LLM-GUAL：基于 LLM 的用户定义原子模拟生成 Julia Yang 现在是佐治亚理工学院助理教授，主要研究方向包括电池材料、分子模拟、机器学习以及电化 学。 Julia Yang 于卡内基梅隆大学获得材料科学与工程学士学位，辅修物理学，后于加州大学伯克利分校获得材 料科学与工程博士学位。 每年，谷歌会评选出多个领域有 ...

机器之心报道 机器之心编辑部 开源社区的人应该对 vLLM 不陌生，它是一个由加州大学伯克利分校团队开发的高性能、开源 LLM 推理和服务引擎，核心目标是提升 LLM 的推理速度（吞吐 量）和资源利用率（尤其是内存），同时兼容 Hugging Face 等流行模型库。 简单来说，vLLM 能让 GPT、Mistral、LLaMA 等主流模型系列跑得更快、消耗更少资源，取得这些效果的关键是其创新的注意力机制实现方案 —— PagedAttention。 近日，DeepSeek AI 研究者、深度学习系统工程师俞星凯 从零开始构建了一个轻量级 vLLM 实现 ——Nano-vLLM，将代码简化到了 1200 行 。 | Inference Engine | Output Tokens | Time (s) | Throughput (tokens/s) | | --- | --- | --- | --- | | vLLM | 133,966 | 98.95 | 1353.86 | | Nano-vLLM | 133,966 | 101.90 | 1314.65 | 作者简介 GitHub 地址：https://g ...

OpenAI 在通向 AGI（通用人工智能）的五大阶段中，将 「 组织级 」 智能列为最终目标：即 AI 能像一个组织般管理复杂流程、决策高层任务、协调大规 模操作。 近两年来，大量多智能体系统（Multi-Agent Systems, MAS）研究陆续涌出，不断朝这这一里程碑迈进。 为了推动该领域加速健康发展，由上海交通大学、上海 AI 实验室、牛津大学、普林斯顿大学、Meta 等十个机构联合推出的 MASLab，带来 首个统一、全 面、研究友好的大模型多智能体系统代码库： 论文地址：https://arxiv.org/pdf/2505.16988 代码地址：https://github.com/MASWorks/MASLab 「一键横评」「快速上手」「复现无忧」 你是否也曾： 那你一定不能错过 MASLab！ MASLab 有多好用？ MASLab 统一化集成了超过 20 种主流 MAS 方法 ，涵盖过去两年内各大顶会的成果、多个领域、多种任务类型。并且每种方法都经过研究者们 逐步输出 比对 ，确保过程和结果严格遵循原始实现！ | No. | Methodology | Venue | Role | To ...

机器之心编辑部 又到一年毕业季。这个 6 月，相信很多同学都已经收到了心仪的实习 offer，或者在准备秋招投递。 对于 AI 相关专业毕业生来说，就业市场选择很多，各个大厂、小厂、初创都在积极招揽 AI 人才。 但目前行业变化很快，今天还是 SOTA 的模型明天可能就被挤到第二名，下个月可能就有同等实力的开源模型出来，把大家拉到同一起跑线。产品也是如此，只 要一个产品 demo 足够出圈，接下来两个月同类产品就会相继涌现，连创始人出镜讲述的风格都高度相似。这导致就业市场也变化很快，今天还是重点投入，明天 可能就有变动。 同学们在择业时，会不会也有疑虑？或许我们可以从行业走势、公司基因、过往人才培养案例等方面跟同学们一起探讨一下。 AI 下半场，拼的是什么？ 机器之心报道 很多关注 AI 领域发展趋势的同学可能都看过 OpenAI 研究员姚顺雨写的一篇博客 ——《The Second Half》。这篇文章当时被大量转发，其中的洞见也得到了很多 从业者的赞同。 文章主要是说，AI 领域的竞争重心正在发生转移 —— 上半场比拼模型参数与训练技巧（如刷榜 ImageNet），而下半场需聚焦「如何定义有价值的问题」和 ...

机器之心报道 编辑：泽南、Panda 越通用，就越World Models。 我们知道，大模型技术爆发的原点可能在谷歌一篇名为《Attention is All You Need》的论文上。 如今，在通用人工智能（AGI）初现曙光，Scaling Laws 却疑似接近极限的当口，又是谷歌对未来方向进行了一番思考，想来想去还是只有五个词： 论文标题：General agents need world models 论文链接：https://arxiv.org/abs/2506.01622 香港中文大学博士 Richard C. Suwandi 撰写了一篇博客文章，详细解读了这篇开创性的论文及其对 AGI 未来的意义。 | AUTHORS | AFFILIATIONS | PUBLISHED | | --- | --- | --- | | Richard Cornelius Suwandi | The Chinese University of Hong Kong, Shenzhen | June 11, 2025 | 想象一下，如果我们能够构建一个像人类一样思考和计划的人工智能，未来会是什么样子。大语言模型（L ...

本工作于 2024 年 11 月完成，目前已经被 CVPR 2025 接收并评选为 Highlight，第一作者为龙宇星，导师为北京大学董豪老师。课题组致力于研究统一的物体表征 操作研究，以实现具有可解释性和泛化能力的物体操作策略。 自 19 世纪末爱迪生发明电灯以来，电器的发展和革新不断提升人类的生活水平。如今，电器已经走进千家万户，成为我们的得力助手，与我们的生活密不可分。 赋予机器人使用家电的能力具有重要的学术价值和广阔的应用前景。 目前在机器人操作领域，一般物体（如刚体和铰接物体）的操作研究已经取得一定进展，但是现有操作策略主要执行单步原子操作。对于设备（如家电）而言， 必须按照正确顺序和方式进行多步操作，才能正确完成高层次任务。因此，参照说明书进行长程操作规划对于家电操作而言十分必要。 然而，受限于以下三大挑战，基于说明书的长程家电操作探索几乎处于空白状态： 为应对上述挑战， 北京大学联合智元机器人团队提出了全新的家用电器操作评测基准 CheckManual，这是首个专为研究基于说明书的家电操作而设计的评测框架 论文标题：CheckManual: A New Challenge and Benchm ...

在建模复杂的数据分布方面，扩散生成模型表现出色，不过它的成果大体上与表征学习（representation learning）领域关联不大。 机器之心报道 编辑：Panda 通常来说，扩散模型的训练目标包含一个专注于重构（例如去噪）的回归项，但缺乏为生成学习到的表征的显式正则化项。这种图像生成范式与图像识别范式差 异明显 —— 过去十年来，图像识别领域的核心主题和驱动力一直是表征学习。 在表征学习领域，自监督学习常被用于学习适用于各种下游任务的通用表征。在这些方法中，对比学习提供了一个概念简单但有效的框架，可从样本对中学习表 征。 直观地讲，这些方法会鼓励相似的样本对（正例对）之间相互吸引，而相异的样本对（负例对）之间相互排斥。研究已经证明，通过对比学习进行表征学习，可 以有效地解决多种识别任务，包括分类、检测和分割。然而，还没有人探索过这些学习范式在生成模型中的有效性。 鉴于表征学习在生成模型中的潜力，谢赛宁团队提出了 表征对齐 (REPA) 。该方法可以利用预训练得到的现成表征模型的能力。在训练生成模型的同时，该方法 会鼓励其内部表征与外部预训练表征之间对齐。有关 REPA 的更多介绍可阅读我们之前的报道 ...

作者介绍： 本文作者来自通义实验室 RAG 团队，致力于面向下一代 RAG 技术进行基础研究。该团队 WebWalker 工作近期也被 ACL 2025 main conference 录 用。 它得能看懂网页，能做多步决策； 它得能适应开放动态环境； 它得能自主提问、自主行动、自主修正…… 一、背景：信息检索的新需求与挑战 在当今信息爆炸的时代，解决复杂问题不再仅仅是简单的知识检索，而是需要深入的信息挖掘和多步推理。从医学研究到科技创新，从商业决策到学术探索，每 一个领域都呼唤着能够自主思考、自主决策的智能体。Deep Research 等系统已经为我们展示了自主多步研究的巨大潜力，但构建这样的智能体并非易事。它们需 要在复杂的网络环境中感知、决策、行动，还要面对任务复杂度高、泛化能力弱等诸多挑战。 但打造这样一个 Deep Research 类智能体智能体，并不简单！ 在这种背景下，WebDancer 的出现，走出了一条复现 Deep Research 类智能体的可行路径。 自主信息检索智能体的构建，或者如何复现 Deep Research 类的模型一直面临着两大棘手难题：高质量训练数据的稀缺与开放环境训 ...