基于深度卷积神经网络的 ImageNet 分类
ImageNet Classification with Deep Convolutional Neural Networks
深度卷积网络将数据、GPU 计算与表示学习结合，为现代视觉研究提供了重要起点。
THE RESEARCH ATLAS
思想如何走到今天。
语言与推理、感知与生成、从模型到行动。
研究轨迹2017201820192020202120222023202420252026
语言与推理LANGUAGE / REASONING
感知与生成PERCEPTION / GENERATION
机器人与控制EMBODIED / PHYSICAL
驾驶与世界模型DRIVING / WORLD MODELS
精选文献按来源日期排列；连线不表示因果关系。点击节点查看文献 · 小屏可横向滑动
学会看见
深度卷积网络让表示学习成为视觉识别的重要路线。
注意力成为架构
Transformer 的序列建模架构，成为后来语言与多模态系统的重要共同基础。
注意力即全部
Attention Is All You Need
Transformer 用注意力机制构建序列模型，成为后续语言与多模态模型的重要基础。
BERT：面向语言理解的深度双向 Transformer 预训练
BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding
通过掩码语言预训练学习双向表示，再迁移到语言理解任务。
规模与生成
少样本语言建模与扩散模型，沿着不同路线发展生成能力。这些方向并行演进。
语言模型是少样本学习者
Language Models are Few-Shot Learners
GPT-3 探索大规模自回归模型如何从上下文中的少量示例执行新任务。
去噪扩散概率模型
Denoising Diffusion Probabilistic Models
模型学习逐步反转加噪过程，为图像生成建立了重要的扩散建模路线。
从自然语言监督中学习可迁移的视觉模型
Learning Transferable Visual Models From Natural Language Supervision
通过对比学习对齐图像与自然语言描述，使视觉表示能够迁移到新类别。
从反馈中学习
指令遵循与偏好学习改变了预训练模型适应人类使用需求的方式。
利用人类反馈训练语言模型遵循指令
Training language models to follow instructions with human feedback
利用人类示范与偏好反馈改进语言模型遵循指令的能力。
宪法式 AI：从 AI 反馈中学习无害性
Constitutional AI: Harmlessness from AI Feedback
以明确原则引导模型自我批评、修订及生成偏好反馈，用于对齐训练。
直接偏好优化：你的语言模型其实也是奖励模型
Direct Preference Optimization: Your Language Model is Secretly a Reward Model
通过偏好优化目标直接训练语言模型，省去单独训练奖励模型的阶段。
2 项研究动态
来自NVIDIA、DeepSeek。按本站收录资料的原始发布日期归入本月；模型发布、论文和技术报告分别标明。
Cosmos：面向物理 AI 的世界基础模型平台
Cosmos World Foundation Model Platform for Physical AI
围绕视频处理、Tokenizer、预训练世界模型与后训练，构建可面向机器人和驾驶任务定制的世界模型平台。
DeepSeek-R1：通过强化学习激发大语言模型的推理能力
DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning
利用强化学习发展推理行为，并研究可用模型训练及蒸馏流程。
2 项研究动态
来自Google、NVIDIA。按本站收录资料的原始发布日期归入本月；模型发布、论文和技术报告分别标明。
Gemini Robotics：将人工智能带入物理世界
Gemini Robotics: Bringing AI into the Physical World
基于 Gemini 的模型探索机器人操作与具身推理，把多模态理解连接到物理控制。
GR00T N1：面向通用人形机器人的开放基础模型
GR00T N1: An Open Foundation Model for Generalist Humanoid Robots
耦合视觉语言模块与扩散动作模块，把推理和连续机器人动作生成结合。
2 项研究动态
来自Huawei、Physical Intelligence。按本站收录资料的原始发布日期归入本月；模型发布、论文和技术报告分别标明。
华为乾崑智驾 ADS 4：世界引擎与世界行为模型
Huawei Qiankun ADS 4: World Engine and World Behavior Model (WEWA)
官方发布 WEWA 架构，将云端生成式场景与车端世界行为模型连接到自动驾驶系统。
π0.5：具有开放世界泛化能力的视觉—语言—动作模型
π0.5: a Vision-Language-Action Model with Open-World Generalization
视觉—语言—动作系统利用多种监督来源，研究跨环境与任务泛化。
1 项研究动态
来自Qwen。按本站收录资料的原始发布日期归入本月；模型发布、论文和技术报告分别标明。
Qwen3 技术报告
Qwen3 Technical Report
稠密与混合专家模型结合思考、非思考模式，探索可调节的推理计算。
1 项研究动态
来自Hugging Face。按本站收录资料的原始发布日期归入本月；模型发布、论文和技术报告分别标明。
SmolVLA：面向低成本、高效率机器人的视觉—语言—动作模型
SmolVLA: A Vision-Language-Action Model for Affordable and Efficient Robotics
紧凑的视觉—语言—动作模型探索更易获得的机器人学习与高效推理流程。
1 项研究动态
来自Google。按本站收录资料的原始发布日期归入本月；模型发布、论文和技术报告分别标明。
Gemini 2.5：以高级推理、多模态、长上下文和新一代智能体能力推进前沿
Gemini 2.5: Pushing the Frontier with Advanced Reasoning, Multimodality, Long Context, and Next Generation Agentic Capabilities
模型家族报告涵盖推理、多模态输入、长上下文及智能体相关评测。
2 项研究动态
来自OpenAI、AI2。按本站收录资料的原始发布日期归入本月；模型发布、论文和技术报告分别标明。
gpt-oss-120b 与 gpt-oss-20b 模型卡
gpt-oss-120b & gpt-oss-20b Model Card
从架构、训练、能力与安全评估等方面介绍开放权重推理模型。
MolmoAct：能够进行空间推理的动作推理模型
MolmoAct: Action Reasoning Models that can Reason in Space
将深度感知、空间规划与底层动作预测组织成明确的动作推理流程。
2 项研究动态
来自NVIDIA、Google。按本站收录资料的原始发布日期归入本月；模型发布、论文和技术报告分别标明。
Alpamayo-R1：连接推理与动作预测，应对自动驾驶长尾场景
Alpamayo-R1: Bridging Reasoning and Action Prediction for Generalizable Autonomous Driving in the Long Tail
以 Cosmos-Reason 与扩散轨迹解码器连接驾驶推理和动作预测，并研究推理与行动的一致性。
Gemini Robotics 1.5：以高级具身推理、思考与动作迁移推进通用机器人前沿
Gemini Robotics 1.5: Pushing the Frontier of Generalist Robots with Advanced Embodied Reasoning, Thinking, and Motion Transfer
报告结合具身推理、交错思考与跨机器人形态的动作迁移。
1 项研究动态
来自Qwen。按本站收录资料的原始发布日期归入本月；模型发布、论文和技术报告分别标明。
Qwen3-VL 技术报告
Qwen3-VL Technical Report
Qwen 视觉语言家族在不同规模模型中融合文本、图像与视频理解。
1 项研究动态
来自DeepSeek。按本站收录资料的原始发布日期归入本月；模型发布、论文和技术报告分别标明。
DeepSeek-V3.2：推进开放大语言模型的前沿
DeepSeek-V3.2: Pushing the Frontier of Open Large Language Models
结合稀疏注意力与后训练方法，改进效率、推理及面向智能体的行为。
2 项研究动态
来自Unitree、Qwen。按本站收录资料的原始发布日期归入本月；模型发布、论文和技术报告分别标明。
UnifoLM-VLA-0：面向人形机器人操作的视觉—语言—动作框架
UnifoLM-VLA-0: A Vision-Language-Action (VLA) Framework under UnifoLM Family
以机器人操作数据继续训练视觉—语言模型，将指令与空间理解连接到动作预测。
Qwen3-ASR 技术报告
Qwen3-ASR Technical Report
语音识别家族与强制对齐模型面向多语言转录和时间戳预测。
2 项研究动态
来自Kimi、OpenAI。按本站收录资料的原始发布日期归入本月；模型发布、论文和技术报告分别标明。
Kimi K2.5：视觉智能体能力与多模态训练
Kimi K2.5: Visual Agentic Intelligence
探索文本与视觉的联合训练，以及多智能体任务分解能力。
扩展社会科学研究的规模
Scaling social science research
开放工具使用语言模型，辅助将定性文本与图像资料转换为可分析变量。
3 项研究动态
来自Anthropic、学术研究、Qwen。按本站收录资料的原始发布日期归入本月；模型发布、论文和技术报告分别标明。
AI 的“差异”工具：发现新模型的行为差异
A “diff” tool for AI: Finding behavioral differences in new models
可解释性研究介绍如何在预设测试之外，识别 AI 模型的行为差异。
UniDex：从第一视角人类视频中学习通用灵巧手控制的机器人基础套件
UniDex: A Robot Foundation Suite for Universal Dexterous Hand Control from Egocentric Human Videos
以数据集、VLA 策略及采集系统，将人类示范连接到不同灵巧手的控制。
Qwen3-Coder-Next 技术报告
Qwen3-Coder-Next Technical Report
面向编程智能体的开放权重模型，探索较少激活参数与强化训练配方的结合。
2 项研究动态
来自XPeng、Qwen。按本站收录资料的原始发布日期归入本月；模型发布、论文和技术报告分别标明。
小鹏 X-World：面向自动驾驶的可控多视角生成式世界模型
XPeng X-World: Controllable Multi-View Generative World Model for Autonomous Driving
使用多视角生成式世界模型，为自动驾驶闭环仿真、场景生成和模型验证提供支持。
Qwen3.5-Omni 技术报告
Qwen3.5-Omni Technical Report
报告探索全模态模型家族，以及异构视觉、文本和音频数据的训练。
2 项研究动态
来自Qwen。按本站收录资料的原始发布日期归入本月；模型发布、论文和技术报告分别标明。
Qwen-Image-2.0-RL：图像生成的强化学习与蒸馏
Qwen-Image-2.0-RL Technical Report
扩散模型后训练流程结合任务奖励、强化学习与同策略蒸馏。
Qwen-RobotWorld：语言驱动的具身世界模型
Qwen-RobotWorld Technical Report: Unifying Embodied World Modeling through Language-Conditioned Video Generation
语言条件视频世界模型预测操作、导航和驾驶等场景中的未来视觉轨迹。
1 项研究动态
来自xAI。按本站收录资料的原始发布日期归入本月；模型发布、论文和技术报告分别标明。
Grok 4.6 介绍
Introducing Grok 4.6
官方技术发布说明，介绍补充训练、重新生成的监督轨迹及智能体强化学习。
4 项研究动态
来自Anthropic、Unitree、Qwen、DeepSeek。按本站收录资料的原始发布日期归入本月；模型发布、论文和技术报告分别标明。
机器人能够完成哪些工作？
What work can robots do?
从工作任务出发分析机器人能力，区分受限场景中的演示能力与广泛部署。
UnifoLM-WLA-1.0：单一模型驱动的全身协调
UnifoLM-WLA-1.0: One Model Driven, Whole-Body Coordination
将具身理解、交互世界建模与动作学习放入通用人形机器人框架，覆盖桌面和全身操作。
Qwen-Audio-Agent：全双工语音与任务编排
Qwen-Audio-Agent Technical Report
前后台架构将语音交互与异步任务执行分开，协调授权、状态与结果交付。
DeepSeek-V4.1-Flash：更智能、更快速、更高效
DeepSeek-V4.1-Flash: smarter, faster, more efficient
官方介绍非对称因果编码器—解码器架构，并提供技术报告及模型资源入口。
10 项研究动态
来自Anthropic、OpenAI、Google、Deep Robotics、学术研究。按本站收录资料的原始发布日期归入本月；模型发布、论文和技术报告分别标明。
英国 AI 安全研究所网络测试事件的对齐评估
An alignment assessment of the UK AISI cybertesting incident
对模型在网络安全评测中超出预定范围的行为进行对齐分析。
分布式智能体与生物数据研究
Using thousands of AI agents to uncover new leads in biological data
用分布式智能体连接大型生物数据与科学文献。得到的研究线索仍需要后续实验检验。
低资源编程语言的模型能力研究
Advancing coding in low-resource programming languages
官方介绍如何改善训练资料较少的编程语言上的模型能力。
通过自我评估扩展滥用检测
Scaling Misuse Detection with Self-Assessment
模型在回答后评估当前对话，复用上下文缓存，作为多层滥用检测的一环。
Gemini 4 Argon 模型卡
Gemini 4 Argon — Model Card
官方模型资料，记录评测、局限与安全考量。此处日期为官方列出的模型卡更新日期。
PointWalker：直接从激光雷达原始点云学习无地图四足运动
PointWalker: Mapless Quadruped Locomotion Directly From Raw LiDAR Point Clouds
通过注意力机制融合激光雷达点云与机器人自身状态，以强化学习策略连接地形感知和四足运动。
调查评测与内部使用中的非预期模型行为
Investigating unintended model actions in our evaluations and internal use
整理模型评测与内部使用中观察到的非预期行为，并讨论防护措施。
借助 Ironclad 推进计算机操作能力
Advancing computer use with Ironclad
关于计算机操作智能体进展的官方研究文章。应区分评测结果与实际部署条件。
Nano Banana 2.1 模型卡
Nano Banana 2.1 — Model Card
官方图文模型资料，包含输入输出、架构依赖及安全评估。
FACT：面向人类到机器人灵巧技能迁移的多模态力—动作—轨迹基础模型
FACT: A Multimodal Force-Action-Track Foundation Model for Human-to-Robot Dexterity
结合人类与机器人示范，通过感知交互力的规划研究灵巧操作。