Social Humanoid：具有社会响应性的人–人形机器人交互
面向29自由度Unitree G1的人–人形机器人全身交互系统，通过共享码本VQ-VAE、Diffusion Forcing与两阶段自适应重定向，从人的动作生成并执行协同响应。
Vongani H. Maluleke, James Ni, Kie Horiuchi · 68次阅读 · 2026年11月5日
人形机器人人形交互
2026年11月5日AGI 进展情报
通往 AGI 的印记
为你精选2,349
30 秒功夫熊猫两段无缝拼接：ComfyUI-H3-Motion-Context 破解 MiniMax H3 15 秒限制——latent 直切 + 音轨续接，不转场不掉画质
开发者 @eternityspring 演示（29 秒视频）：MiniMax H3 单次最多生成 15 秒，做短剧怎么接才不突兀？他推荐 ComfyUI-H3-Motion-Context 开源方案，演示了一段 30 秒的功夫熊猫——「我不说的话，谁能看出是两段生成的」。常见做法是拿上一段最后一帧做图生视频，但静态图没有运动信息，模型只能猜人往哪走、多快，接缝处经常卡顿或动作突变。Motion Context 的做法：把上一段最后 22 帧（0.92 秒）原样钉在下一段开头，每步采样都不动它们——模型看到的是真实运动而非猜测；画面和声音直接从上一段的 latent 里切出（不做 VAE 解码再编码），逐 bit 保持原数字，消除长链色彩漂移与软化；被钉的音频窗口在接缝处结束并向回延伸，音轨是「继续」而非「重启」，有节拍的配乐一听便知。生成后用 Trim 节点剪掉开头 22 帧，两段首尾直接拼接，无需转场。关键提示词技巧：下一段开头先描述上一段如何结束——同一角色、同样景别、同样动作保持一两秒再写新剧情。逐帧检查接缝前后姿势、位置、表情全部对上。项目核心节点：Motion Context / Trim / Save-Load Latent（跨 run 携带 H3 成对视频+音频 latent）/ Seam Probe（量化接缝是「真延续」还是「逼真模仿」）/ Chain 循环节点（Approve 自动推进索引、segments 设定连跑段数），不修改 ComfyUI 本体，版式校验失败即拒绝运行。
演示 · 2026-10-02
樱花街景的150万高斯点重建
开发者用自制SfM软件与LichtFeld Studio重建日本樱花街景；调校后精度提升，150万高斯点的版本已接近可分发观看。
演示 · 2026-11-02
Heretic：不重新训练也能重写语言模型行为
以 ARA 或消融修改模型行为，借助 Optuna、可插拔评分器与可复现清单搜索低训练代价的改模方案；同时说明拒答边界与能力评估的局限。
开源 · 2026-11-05
Hunch：把重复的大模型判断下沉到 CPU
Hunch 先复用精确答案，再用 EmbeddingGemma 2 驱动的单问题学生处理熟悉状态；陌生、不确定或未毕业的判断交给教师模型，并由后台审计持续校准。
开源 · 冷启动 · 2026-11-05
OpenPencil:Rust 重写的开源 AI 原生矢量设计工具,设计即代码
OpenPencil 把设计稿存成可读、可 diff、可进 Git 的 .op JSON,用 op-orchestrator 编排器与 Agent Teams 把一句提示词变成多屏可编辑设计,再经 MCP、CLI 与 codegen 导出 React、Flutter 等代码;Rust 重写后桌面端是 55.5 MB 单二进制,万节点画布无 panic,wasm 仅 2.18 MB gzip。
开源 · 冷启动 · 2026-10-28
前沿论文
522
02论文
OmniBrain-0：面向具身智能的统一智能体模型
通用具身智能要求机器人在长时序任务中协调多种技能、跟踪任务进度并从失败中恢复。本文提出 OmniBrain-0，一个轻量级统一具身智能体，用共享的高层决策模型统一调度操作与导航，并覆盖任务理解、规划、进度跟踪和反馈驱动的恢复。方法采用具身预训练、领域专用智能体蒸馏与多教师同策略蒸馏三阶段训练，把强教师模型的交互经验分别蒸馏到操作和导航专家，再合并为统一决策模型。评分规则引导的递归自我改进让 Meta-Agent 从执行证据中生成改进后的评分标准、步骤提醒和已验证轨迹，在专家更新后通过多教师同策略蒸馏再次整合。模型在 LIBERO-Pro、LIBERO-Plus、RoboCasa365、RoboTwin 2.0、R2R-CE Val-Unseen 以及多项真实机器人任务上评估，在推理和执行开销显著低于闭源教师的同时取得较强跨域表现。
Xiaomi Embodied Intelligence Team, Yuechen Luo
03论文
一扫描足矣：面向语言引导导航的无演示自适应
本文仅用一次手持扫描合成语言导航训练任务，并以已知场景几何上的帕累托效用开展强化学习后训练，使导航策略在五个真实场景中无需目标场景演示即可适应。
Zhuoyuan Yu, Yuxing Long
04论文
GRAFT：面向精细机器人操作的接地且高效在线强化适应
GRAFT在训练期用多个区域掩码塑造侧视与腕部视图专属视觉锚点，部署时移除提案生成器；它再用身份无关的FreeDice接地监督、单步一致性动作头和冻结前缀KV缓存加速在线强化学习。四项JAKA真实机器人精细操作在相同45分钟适应预算下，最后十回合总体成功率由GRAFT-Union的57.5%提升到82.5%，但精密液体转移仍略逊于RL-CP。
Yibo Qiu, Haoliang Ye
LLM
101基座模型:预训练与后训练、架构与长上下文、推理服务栈与每 token 成本。
SOTA 阶梯在追 101
Claude Opus 5.5:用 1M 上下文与自适应思考把 agentic 主力档压到 $4/$2057.62AJev:TypeSafe 首个 System One Model,把决策做成类型安全并便宜两个数量级67.8%CMiMo-V2.6:把 Live RL 做成 30 步、75 万轨迹与美元的公开账本46AGLM-5.3:同基座纯后训练的开源权重编码旗舰28.3CClaude Fable 5.1:换一把尺子才登顶的长时程 agentic 档13.71AGPT-6 Astra:终端工程任务第一,复合智能第三梯队58.18%A
智能:Artificial Analysis 智能指数、GPQA、MMLU-Pro、Arena Elo。容量:有效长上下文召回、模态。供给:tok/s、$/1M tokens、开放权重许可
LLMHarness
99Agent 运行时:插件与沙箱、工具接口、技能系统、长程记忆与自我改进。
SOTA 阶梯在追 99
DeepSeek Harness:一切皆插件的开源 agent 运行时234kPi:分层的 agent harness monorepo109kImpeccable：给 AI 编码 Agent 的设计语言，专治 AI slop 前端76kDiagram Design：给 agent 用的编辑级图表设计 skill47kDeep Agents:逆向 Claude Code 得到的开箱即用 agent harness30kLearn Harness Engineering：把 AI 编码 Agent 调教到可靠的 harness engineering 实战课程19k
长任务完成率、插件与技能生态、沙箱与遥测、单任务成本延迟
HarnessAI 编程
106代码生成、修复、重构与软件工程任务
SOTA 阶梯在追 106
Claude Code:住在终端里的 agentic 编码工具,也是 Anthropic 系模型的参照 harness148,438ACodex:Apache-2.0 开源内核,一个 agent 四种形态,并且是 OpenAI 系模型的参照 harnessApache-2.0 · 126,918★CKimi Code:模型厂自己把 harness 做完,再用双协议开放给别人的壳4 个 model ID · 1M 上下文CTrae:字节的双形态编码线——TraeCode(IDE + SOLO)与 TraeWork,外加一个已停更的 MIT 开源壳1M · 200 轮CZCode:GLM-5.3 的官方 harness,把自己定义成 ADE 而不是编辑器$1.4 / $4.4C
SWE-bench Verified、LiveCodeBench
AI 编程技能
19开发mattpocock/skills精选
Matt Pocock 每天做真工程用的 38 个 skill
编辑判断卖零件不卖流程：38 个 SKILL.md 背后是严格的 user/model-invoked 调用契约、SCOPE.md 准入门槛与共享 GLOSSARY.md；to-spec→to-tickets→implement-spec 是本频道最完整的 agentic 工程闭环。
Total TypeScript 作者的日常自用集：38 个 SKILL.md（engineering 20、productivity 7、misc 4 冻结、in-progress 7），建立在 user/model-invoked 调用契约、SCOPE.md 准入门槛与共享 GLOSSARY.md 之上；可以 Claude Code/Codex/Copilot/Gemini 插件或 skills.sh 可编辑副本安装。
Claude CodeCodexGemini CLI+2
claude plugin install mattpocock-skills@claude-plugins-officialShellmattpocock29万
Matt Pocock 每天做真工程用的 38 个 skill开发obra/superpowers精选
给编码 agent 装上完整开发流程的 15 个 skill
编辑判断它的核心判断是「模型不缺编码能力，缺流程纪律」。最值得抄走的一条是 Rulings, not stalls：默认自己裁定，只有操作不可逆、涉及安全敏感面、副作用溢出到 worktree 之外、计划已经烂到无法继续这四种情况才允许停下来问人。
v6.4.1（2026-09-18），MIT，28.9 万 star，在同类单一 skill 仓库里 star 量最大。它把 brainstorming → spec → git worktree 隔离 → 实现计划 → subagent 执行 → 红绿 TDD → 双向 code review → 验证收尾串成一条主干工作流，README 列了 16 种以上 harness：Claude Code、Codex、Cursor、Gemini CLI、OpenCode、Kimi Code、Devin CLI 等。
Claude CodeCodexCursor
/plugin install superpowers@claude-plugins-officialShellobra28.9万
给编码 agent 装上完整开发流程的 15 个 skill官方与合集anthropics/skills精选
格式定义者的官方仓库：19 个 skill 加 spec 与 template
编辑判断想搞清 SKILL.md 到底该怎么写，读这里比读任何二手教程都准。两件事必须先知道：docx / pdf / pptx / xlsx 四个是 source-available 而不是开源（其余 15 个 Apache-2.0），而且仓库自带免责声明——这些 skill 仅供演示与教学，上关键任务前自己在环境里测过。
Anthropic 官方实现，17.7 万 star。./skills 下 19 个 skill，外加 ./spec（Agent Skills 规范，现已迁到 agentskills.io）与 ./template 新建骨架。它对 skill 的定义是「指令、脚本、资源三件套，按需动态加载」，渐进式披露这个概念就出自这里。
Claude Code
/plugin marketplace add anthropics/skillsPythonanthropics17.7万
格式定义者的官方仓库：19 个 skill 加 spec 与 template设计与前端nextlevelbuilder/ui-ux-pro-max-skill精选
把设计知识变成可检索的本地数据：79 风格 / 192 配色 / 119 UX 准则
编辑判断它最准的一句自我定位是：模型不是不会写 CSS，是没有审美数据库。10 类设计规则按严重度排序，Accessibility 与 Touch & Interaction 排 CRITICAL 第一第二、Charts 排最后，这个排序本身就是立场。Design System Generator 走五路并行检索，且明写「Do not persist unverified output」——生成的设计系统必须验证后才允许落盘。
v2.13.0，MIT，12.9 万 star，官网 uupm.cc。它不给模型讲道理，而是塞进一批结构化目录让 agent 动手前先查：79 种 UI 风格、192 套带推理理由的配色、74 组字体搭配、119 条 UX 准则、105 项图标建议、17 套 GSAP 预设、25 种图表类型、22 个技术栈、34 种落地页 pattern。
Any agent
npx ui-ux-pro-max-cli init --ai claudePythonnextlevelbuilder12.9万
把设计知识变成可检索的本地数据：79 风格 / 192 配色 / 119 UX 准则知识管理Graphify-Labs/graphify精选
把整个项目映射成可查询的知识图谱，而不是 grep
编辑判断最有价值的设计是每条边都标 EXTRACTED 或 INFERRED——你能分清哪些是源码里显式存在的、哪些是它推断出来的，agent 的结论因此可以被审计，这在生产环境是硬需求。它不是向量索引：没有 embedding、没有向量库，是一张真图，可以 explain、path、query。自测 benchmark 里建图零 LLM 花费、ingest 便宜一个量级，那是本地解析带来的结构性优势。
YC S26，Apache-2.0，12 万 star，主语言 Python 3.10+。/graphify . 把代码、文档、PDF、图片、视频映射成一张图，产出可点击的 graph.html、人类可读的 GRAPH_REPORT.md 与机器可读的 graph.json；代码走 tree-sitter AST 解析（约 40 种语言），确定性、不调 LLM、不出机器。
Claude CodeCodexCursor
uv tool install graphifyy && graphify installPythonGraphify-Labs12万
把整个项目映射成可查询的知识图谱，而不是 grep设计与前端Leonxlnx/taste-skill精选
Taste Skill：一仓 13 个反 slop 前端 skill，把「AI 味」写成可数的硬规则
编辑判断最值得学的是把规则写成可数的机械判据：eyebrow ≤ ceil(段数/3)、bento 格数 = 内容条数、全页 0 个 em-dash、配色族跨项目轮换，每一条都直接打在「模型重复自己」这个点上，而不是停在形容词。边界它自己也说得诚实：v2 自报 experimental 仍在迭代，§13 明确不管 dashboard、数据表、多步表单、代码编辑器与原生移动端，仓里唯一的测试守的是 skill.sh 这个 shell helper 的 source 语义，不是设计规则本身。
一个 MIT 仓库装 13 个 skill：10 个输出代码，3 个只出参考图，一条 npx skills add 就能装进 Claude Code / Codex / Cursor。默认的 design-taste-frontend v2（experimental）是 1228 行 SKILL.md：先要求模型输出一行「设计判读」，再拧 DESIGN_VARIANCE / MOTION_INTENSITY / VISUAL_DENSITY 三个旋钮，然后按 14 章硬规则实现——企业简报装官方设计系统包、审美借鉴必须在注释里标注、全页 0 个 em-dash、eyebrow 配额按段数算、bento 格数等于内容条数，最后逐格跑 50 多项起飞前检查。仓里还带 research/laziness 文献目录，用对照实验解释「模型为什么会偷懒」。
Claude CodeCodexCursor
npx skills add https://github.com/Leonxlnx/taste-skillJavaScriptLeonxlnx9.5万
Taste Skill：一仓 13 个反 slop 前端 skill，把「AI 味」写成可数的硬规则模型排行
481Artificial Analysis 智能指数榜官方智能指数(越高越好)
Gemini 4 Carbon (high)Google60.03
Claude Opus 5.5 (max)Anthropic59.11
Gemini 4 Carbon (medium)Google58.26
Claude Opus 5.5 (xhigh)Anthropic57.44
GPT-6 Astra (max)OpenAI56.85
数据来源 · artificialanalysis.ai官方 Intelligence Index v5同步于 2026年11月8日
图像生成
64文生图、图像编辑、一致性与可控性
SOTA 阶梯在追 64
GPT Image 2.5:把「多轮改图不走样」写成 API 契约的图像旗舰1423/1526CQwen-Image-2.1:一套开放权重同时做生成、局部编辑与透明输出7BCFLUX:把图像生成从「出图」推进到「可控编辑 + 开放权重」的那条主线Apache-2.0CNano Banana Pro:把「聊天式改图」做成产品形态的图像编辑模型D可灵 3.0 系列:音频原生进模型、画面到 4K,参数化镜头语言仍是它的护城河3.0 / Omni / TurboCMeshy 7:把「生成之后」接完的 3D 资产平台——拓扑、PBR、绑定、打印可行性与 MCP 一条链<1minC
GenAI-Bench、DrawBench、Arena 偏好、可控性
图像生成音视频
171视频与语音音频:文生/图生视频的物理与时序一致性、TTS 与语音克隆、音乐生成、ASR。
SOTA 阶梯在追 171
Eleven Music v2.5:把音乐生成拆成可编程产线的闭源梯顶10 minCEleven v4:把克隆保真度推到会反噬训练数据的一代~100msCSuno:把音乐生产后半段工序全部收进一个产品6.8721CVoiceStudio:把商用语音栈的整套工序搬到本地,并默认开给 agent42,831AGemini Omni:视频交付单位从「一次抽卡」变成「一段可对话的编辑过程」1516AEleven v3:一条把「说、听、唱」做齐的商用音频栈70+C
视频:VBench、EvalCrafter、物理与时序一致性。音频:TTS 自然度、语音克隆相似度、音乐生成、ASR WER
音视频3D 与世界模型
3873D 资产生成、场景重建、长时序世界预测
设计与前端
84视觉设计、UI 组件、网页与幻灯片排版
文档与演示
19PPT、Word、Excel、PDF 等办公文档的生成与编辑
博客
115
Sleep 框架：让大语言模型在持续学习中留住知识
Google Research 用清醒、巩固与梦境三个阶段更新大语言模型：低秩专家保存经验，知识播种保护旧能力，合成排练再把记忆转化为可用行为。
持续学习Agent Memory
智能体记忆的组成：Claude 如何用“梦境”整理经验、纠正错误
Anthropic 拆解四层记忆结构，展示 dreaming 如何筛选、纠正并注入 Claude 的经验。
Agent MemoryContext Engineering
智能体正在走向异步：用编排器与后台 worker 突破长任务阻塞
LangChain 把 Deep Agents 拆成持续响应的编排器与后台异步子智能体，用稳定任务 ID、完成通知、人工审批和中断策略解决长任务阻塞，并划出具身系统异步调度的安全边界。
AI智能体Agent Architecture
Agent 工坊
7
修图派
五十四件专业工具、图层树与蒙版、PSD 能打开也能存回;浏览器打开即用,不用安装。
retouchpi.com · 54 件专业工具 · PSD 可读可写 · AI 生图 · 改图
ThreeDream 仿真引擎
为游戏而生,为物理 AI 而生:超写实、超高性能的仿真环境,超低成本的仿真数据程序化生成;Unreal 级画质在浏览器里打开即玩,链接物理世界与智能体的桥梁。
游戏 × 物理 AI 相连 · Unreal 级画质走入 web · 打开即玩
CodeWaifu 贴心的 Coding 桌面精灵
贴心的 Coding 桌面精灵,也是一台不停机的 agent 驾驶台:崩溃、系统重启之后工作自动接回;coding 终端、ssh 与本地 shell 收进一棵树,开始、完成、待授权及时通报。开源,一行命令安装。
贴心的 Coding 桌面精灵 · 崩溃 / 重启自动接回 · 绝佳终端 / ssh / shell
数字孪生办公室
100 公里 3D 城市秒级打开 —— 视频、博客、论文、产业链、投资分析全流程可观看的数字孪生。
100km 城市 · 秒级打开 · 实时任务流水 · Agent 自动维护
机械臂仿真工作台
SO-101 六自由度机械臂在浏览器里跑 MuJoCo 物理:关节遥操作、IK 拖拽末端、夹爪把积木分拣进篮筐,免安装。
MuJoCo WASM 物理 · SO-101 · 6 自由度 · 接触点 / 遥测 HUD
关节执行器解剖台
把人形机器人关节模组一层层拆开:无刷电机、磁编码器、行星 / 谐波 / 摆线三种减速器、输出法兰。同一页切换架构,分解视图 + 解析运动学。
三种减速器可切换 · 行星 / 谐波 / 摆线 · 解析运动学 · 分解视图
AI 游戏
5建设中游戏系统还在建设中,现在收录的都能在页内直接开局,库会持续扩充。
ThreeDream FPS 竞技场
第一人称对局,你对面的每一个 bot 都由本仓库训练出的策略实时驱动,整场对局跑在固定 60Hz 步长上:builtin / Rust-wasm / Rapier 三种物理后端可切换,没有一处是脚本演出。
WASD 移动 · 鼠标 视角 · 左键 开火 · Shift 疾跑 · R 换弹 · Esc 释放鼠标
ThreeDream UE 关卡
Unreal 5.5 的第一人称测试图在浏览器里同域跑起来:关卡、材质、灯光与四件武器数据资产都读自工程自己的 .umap / .uasset 字节,六个士兵由四状态决策在 60Hz 固定步长上实时驱动,侧栏逐条列出页面做过的每一处替代。
WASD 移动 · 鼠标 视角 · 左键 开火 · Shift 疾跑 · 空格 跳跃 · R 换弹 · F 拾取 · Esc 释放鼠标
ThreeDream CARLA 城镇驾驶
CARLA Town10HD 整座城镇读自 .umap 与 OpenDRIVE 路网字节,4,474 个 actor 落回工程自己的坐标;32 台车在同一条车道图上实时做跟车、刹车与变道决策,你坐进其中一台,自己踩油门或交给自动驾驶。
W 油门 · S 刹车 · A D 转向 · 空格 手刹 · T 自动驾驶 · C 相机
ThreeDream 废弃工厂小镇
废弃工厂小镇的字节来自两处:3,571 个 actor 与 509x509 的地形高度图读自 Unreal 工程自己的 mainmap.umap,3,283 个网格经一份没有许可证的内容包按 revision 钉在它自己的镜像上再读回;六个士兵由 patrol / engage / advance / down 四状态决策在 60Hz 固定步长上实时驱动,按波次站到随机可行走的位置、被打倒后在别处重新站起,每波地上落 4 把枪按 F 换取,击杀配额满了才开下一波(?arena=0 拿回没有波次的同一座镇子);侧栏同时列出 101 处仍然缺件的摆位,墙上的洞不藏。
WASD 移动 · 鼠标 视角 · 左键 开火 · Shift 疾跑 · 空格 跳跃 · R 换弹 · F 拾取 · Esc 释放鼠标
ThreeDream 索利斯镜盐城
整座镜盐日光城由页面程序生成:4,570 个构件、3,197 座山坡住宅、71 面定日镜与三环浑天仪围绕同一片实时海面展开;11 艘盐船逐帧查询与画面同一张高度场,你可以切换轨道或飞行相机自由穿行,不是预烘焙漫游。
拖动 旋转 · 滚轮 缩放 · WASD 飞行 · E Q 升降 · Shift 加速 · 鼠标 视角
常见问题
- 这是什么站?
- AGI 进展情报站:模型、Agent 与运行时、技能、多模态、具身等各条线的论文深读、开源项目、演示视频与评测榜单。
- 内容来源是什么?
- 公开渠道:arXiv 论文、官方发布与博客、GitHub 仓库、X 与 YouTube 演示、评测机构的官方榜单。每条保留出处链接与作者署名。
- 论文和项目是摘要吗?
- 不是。论文按全文写成双语长文,含公式、实验表格与方法图解;开源项目读 README 与源码后写双语解读,并附实测判断。
- 排行榜数据从哪来?
- 评测机构的官方榜单,定时同步,并标注抓取时间与官方更新时间。
- 可以引用吗?
- 可以,引用时请使用页面声明的规范地址(canonical)。第三方论文、视频与图片的版权归原作者。
本站含 CakeGrowth 联盟推广链接,我们可能从符合条件的购买中获得佣金。