新闻、仓库与研究，按时间排列。
NVIDIA 发布 Cosmos3-H-Dreams，把交互式生成模拟带入临床胆囊切除场景，官方称这是首个基于临床手术录像训练、支持实时运动控制的开源外科手术生成模拟器。模型基于 160 亿参数的 Cosmos3-H-Embodied-Nano，使用 CMR Surgical Versius 平台的视频与机器人运动学数据训练，采用 28 维动作、832 x 480 视频和 10 Hz 动作对齐，经 Self-Forcing 蒸馏出四步和两步去噪两个 checkpoint，并通过 FlashDreams 在单张 NVIDIA RTX PRO 6000 GPU 上交互运行。团队发布了代码、模型、数据集和完整的教师微调与蒸馏适配指南，并强调这是研究模拟器，不是经过验证的临床系统。
推荐理由：NVIDIA 官方给出了从教师微调到 Self-Forcing 蒸馏的完整细节和四步、两步两个checkpoint，读者可以自己复现到数据集上。
Perplexity CEO Aravind Srinivas 宣布 Perplexity Computer 可在 Mac 上完全本地运行，无需云端推理，也不需要 WiFi。模型和智能体均在本机运行，可操作 Mac 原生应用和本地文件，敏感数据不必发送到云端。该功能现已在 Perplexity Mac 应用中可用。
开发者 Mohammed Saif 发布 airquery，可用手部追踪转动镜头、用语音对 3D 数据集提问，查询在本地 DuckDB-Wasm 中运行，场景约 1 秒内重渲染，普通笔记本浏览器即可运行、无需 GPU。LLM 不直接写 SQL，而是填充 Pydantic 定义的 QuerySpec，经 schema 校验后编译为参数化 SQL。内置地震（6.4k）、飓风轨迹（6.7k）、陨石（31.9k）、深海珊瑚（14.5k）、全球机场（72.6k）、星图（15.2k）六个场景，支持导入自定义 CSV。
GitHub 开源项目 OrdinFlow 针对企业和医疗等机构的敏感文档处理，提供 100% 本地、可物理隔离（air-gapped）的解决方案，支持 GDPR、HIPAA 合规。它采用 Spatial ONNX OCR 与本地 Vision-LLM 的双引擎三层共识机制抑制模型幻觉，并内置基于 Set-of-Mark 视觉定位的 Agentic RPA，可自动操作缺乏 REST API 的 Windows 传统桌面软件。项目完全免费开源，可在消费级 GPU/CPU 上运行，无需 Docker/Redis。
Reddit 用户发布本地优先免费工具 Hermo，可在 Chrome 中录制网页操作并发布为 API 端点，供应用、脚本或 AI 智能体调用。Hermo 在本地运行、复用现有浏览器会话，无云端浏览器和按请求收费，并支持 MCP，可用于自动化重复任务、提取网站数据或为无公开 API 的网站构建集成。
GitHub 新仓库 Spatial-Intelligence-Handbook 把 manipulation、driving、aerial、marine 等不同 embodiment 下的 3D 空间表示、传感器与部署取舍做横向对照。仓库含 foundations/、crossing/ 等 9 个目录，153 篇 foundations 文章、133 个 dissection 文件，Atlas 索引 3,665 条记录，按 problem/representation/sensor/paradigm/time 五轴组织，并以 CC BY 4.0 开放，生成与核验沿用 DeepSeek。
爱好江户切子的 3D 艺术家 Mituhashi 在 VRChat 推出体验 Mituhashi Glass Crafts，让用户尝试数字版日本传统玻璃切割工艺。该体验基于 Unity 制作，采用 RARAlabo 的玻璃器皿素材，提供可旋转切割轮，可切割平板玻璃及花瓶、酒杯等复杂器形，切割处会变为透明，还能调整切割角度与深度、开启辅助引导。作品可保存、导出为代码、导入 Kiriko 生成器或导出为 3D 物体在自己的世界中展示。
GitHub 仓库 shuji77/awesome-text-to-motion 收录文本驱动人体运动生成的综述、数据集与模型，聚焦无人物-物体/场景交互的单人场景。仓库收录 HumanML3D、Motion-X、SnapMoGen、MotionMillion 等数据集及相关模型论文，并提供带交互可视化的项目页面，欢迎社区按 arXiv ID、会议、标签等格式提交补充。
jgunduz35 发布 agent-workspace-linux，为 AI 智能体提供独立的隐藏 X11 桌面，通过 MCP 驱动应用、键盘鼠标、截图和浏览器自动化，不触碰用户真实桌面和 Chrome。支持 bubblewrap 网络与挂载隔离、daemon 强制的权限上限、带暂停和只读控制的浮动查看器，约 86 个工具经技能按需加载，仅支持 Linux，MIT 许可。
推荐理由：项目明确了三层权限边界由谁设定和如何强制执行，适合想给 AI 智能体隔离桌面环境的开发者参考部署思路。
firestarterpro 开源的 llm-explorer 是一个本地优先的多 LLM 编排驾驶舱，通过 Playwright 抓取 ChatGPT、Claude、Gemini 等网页版 AI，并用 OpenVINO 在 Intel Arc GPU 上本地合成结果。它不调用 API、无需 token，数据完全本地保留。项目基于 Python、Node.js、Electroid 与 Playwright 构建，需要 Node.js 18+，Windows 安装包要求 Python 解释器位于 C:\llm\ov_env。
论文提出 BetaMem，一个通过工作、空间、实体、情节、经验、程序六层记忆构建可追溯长期记忆的具身智能体框架，用监督微调与强化学习结合教师验证来训练记忆操作。以 Qwen3.5-9B 生成记忆，在 M3-Bench-robot 得 48.08%、LoCoMo 得 92.08%、OpenEQA EM-EQA 得 72.6%、EgoLifeQA 得 62.4%；训练使写入契约通过率从 50.9% 升至 86.2%，每条存储动作的输出 token 减少 47.3%。
研究者提出 Value Disaggregation（VaDar），训练单一不依赖子目标的策略来最大化各子目标 critic 值的线性组合，从而在部署时免去子目标选择。实验显示 VaDar 始终与 goal-conditioning 等基线相当且常更优，并能处理非顺序目标和多优化目标。它是首个解决 RoboCasa 中长程任务难题的算法，即使从行为克隆预训练、初始成功率近零的策略出发也能成功。
研究者提出 Tandem，一个在移动 NPU 上运行混合线性注意力 GUI 智能体的运行时，通过在相邻请求分叉处保存循环状态、将 prefill 保持在矩阵单元并支持待机降功耗来加速本地推理。在 Snapdragon 8 Elite 上，Tandem 将文本屏幕描述的每步延迟降低 30%、截图降低 16%，文本每步能耗降低 33%，模型加载状态下的待机功耗从 0.76 W 降至 0.22 W。
研究者提出 Mise-en-Video（MeV），一个高可控的多镜头视频生成框架，允许创作者在 3D 空间中进行场面调度并生成对应的多镜头视频。该框架结合层次化注意力机制实现多级叙事一致性，并通过 3D 感知布局引导实现逐镜头的精确空间控制。团队还构建了包含 160K 视频的数据集，实验显示 MeV 在视频质量、镜头间一致性和主体级可控性上均优于强基线。
研究者推出 AnyGoal，一个由常用世界模型环境构建的目标偏移任务变体基准，并配有开源库，用于研究数据覆盖、动力学泛化与规划性能的关系。在多个环境和世界模型家族上，当前模型在重组熟悉状态与动作因子的组合泛化场景下持续失败，该框架为评估面向新规划任务的泛化能力提供了基础。
研究者提出 Agentic Imagination（Agima）训练框架，让单一 omni 模型先提出动作、生成结果图像，再基于想象未来推理并决定真实执行。用 SFT 统一策略与世界建模后，再用智能体强化学习训练其规划能力；在 Maze2D、Sokoban、Pacman、PushT 四个环境中可泛化到未见过的更难设置，仅用 SFT 在两箱 Sokoban 训练即解出 40% 的四箱谜题（纯动作规划器仅 2%），RL 后还学会按需前瞻并在关键决策点更频繁分支。论文地址 https://arxiv.org/abs/2610.26845v1。
一篇 arXiv 技术报告系统研究物理递归自我改进（RSI）的机制、scaling 行为与泛化，提出 PhysRSI-eval，用首次尝试性能、效率、成功率、预算与失败改进五轴指标，在固定交互预算下评测多个 VLM 于 18 个操作任务。分析引出 Physical Barrel 假设，并从公开能力预测相对表现、从早期物理反馈预测后续进展两个角度做观测性 scaling 分析；工作区干预显示移除历史会降低后期成功率，而冻结工作区在未见布局上仍有效，说明场景特定适应与可复用经验可以共存。
推荐理由：论文用五轴指标量化物理 RSI 并给出观测性 scaling 分析，能帮助读者理解 VLM 智能体自我改进能力的来源边界。
研究者提出多机器人社交导航框架 CoopUQ，通过跨机器人时空特征融合预测未来占用网格地图，并利用预测及其不确定性，以约束多智能体强化学习引导策略，惩罚穿越预测被占用或高不确定性区域的动作。在基于 Unity3D 的多种仿真环境（含 OOD 场景）及真机实验中，该方法在预测性能和安全性上优于代表性基线，代码已开源。
论文提出视觉可归因的同策略自蒸馏强化学习范式，解决特权教师 token 级纠错中“特权纠错污染”问题。其核心组件 Visual-Attribution Gating（VAG）以 verifier 优势为优化锚点，仅保留能被视觉证据对比方向性支持的纠错。在六项视觉推理 benchmark 上，VAG 平均性能超越 GRPO 和 OPSD 方法，创下新的 SOTA 平均成绩。
研究者推出 SpatialScout 基准，评测 VLM 智能体在主动物体级 3D 建图上的能力，基准包含 80 个室内场景和 3,140 个目标物体。最强的 Claude Opus 5.5 平均重叠分数仅 41.71%，47.23% 的目标 IoU 超过 0.5，仅 3.25% 超过 0.9。结果显示模型在从粗略布局到精确度量地图构建上仍有明显差距，代码已开源。
arXiv 论文提出 RefCraft 基准，包含 300 个多模态网页开发任务，将自然语言指令与 1-5 个参考网页截图结合，评测智能体解读视觉参考并迭代优化生成结果的能力。在 9 个前沿（M）LLM 上，最强系统总分仅 52.12/100，表明视觉参考条件下的智能体生成对当前模型仍是重大挑战。评测采用可独立验证的 keypoints 以及程序化与 VLM 裁判。
论文提出 WildAWM，一条用开源模型合成计算机使用智能体（CUA）可执行环境与任务的流水线，环境同时支持 GUI、MCP 服务和命令行三种交互接口。流水线产出 341 个长程环境任务对，部分需超过 100 步求解，GPT-6-Astra 仅解出 60%；仅在这些合成环境中训练的两个不同规模 Qwen 模型，在 8 个覆盖 web、claw 和 computer-use 的域外基准上均取得明显提升，代码已公开。
推荐理由：论文给出用开源模型合成计算机操作环境的完整流水线和质量门方法，训练效果覆盖 8 个域外基准，方法可迁移到环境合成类工作。
针对 LLM 智能体生成的 CAD 装配体往往徒具外观、无法实现物理功能的问题，研究者提出 FunCAD-Harness，将抽象需求转化为针对候选设计的物理测试，并利用仿真反馈迭代修正设计。团队同时发布覆盖 46 个机构族的 FunCADBench 基准。实验显示，该框架能发现视觉检查难以察觉的机械失效，功能成功率显著超过标准仿真增强基线。
论文提出 OpenVLHarness，一个围绕能力层与持久多模态记忆组织的多模态推理框架，统一调用异构工具并把输出转为模型可读证据。在 22 个基准、8 个开源与专有骨干上评测，平均比无工具基线提升 9.7-12.6 分，如 Qwen3-VL-8B +11.2、Kimi K3 +9.7、GPT-6 Astra +9.9；用 GPT-6 Luna 中等推理强度时以最多 37% 的模型 token 成本超过最大推理强度下的基线模型、Codex 和 Visual Sketchpad 7.7-8.5 分。
推荐理由：论文在 22 个基准上用八个骨干实测工具调用加多模态记忆的增益与 token 成本，方法和数字都可对照复核。
xiaohuzai 发布 browsa，一个 MIT 开源的 Chrome/Edge 侧边栏扩展，把正在浏览的文章、视频、PDF、Office 文档附加进 AI 对话。支持通过 agent-bridge 桥接 Codex、Claude Code、pi、Gemini CLI、dsh 等本地智能体，直连 opencode、Hermes、OpenSquilla，或配置 OpenAI、Anthropic、Ollama 等 LLM 接口；视频带可点击 [mm:ss] 时间戳笔记，PDF 与 Office 文档本机解析为 Markdown，API Key 保存在本地。
hhhwdt 在 GitHub 开源 agent-browser-bridge，由浏览器扩展加本地服务器组成，让 Agent 在用户已登录的真实会话中后台读取、点击、输入、截图和保存文件，不抢焦点、不激活标签页。工具提供 17 个 MCP 工具，可由 Claude Code、Cursor、Cline 等通过一行配置接入，并默认拒绝站点访问、绑定 127.0.0.1:18777、要求共享 token，README 明确列出了同用户进程可读 token 等安全边界与限制。
推荐理由：让本地 Agent 直接操控已登录浏览器后台标签页的桥接工具，README 写清了能力、安全模型和限制，方案可直接复用。
D-Net Lab 在 GitHub 发布 IAC（Integrated Agent Core）v2.0，以 Apache-2.0 协议开源。该框架用结构化、可校验的计划描述智能体任务，覆盖文件系统、网页、视觉、桌面等操作域，让无原生工具调用和 JSON 模式的小型本地模型也能像具备两者一样运行；支持 foreach/if/repeat 控制流、可插拔 Intelligence Core（Ollama、Gemini、人工）、扩展 Domain API、drop 协议防 payload 膨胀，并按来源信任级别限制 eval 等受限操作。
adieladaniel 发布 OneForAll-Agent v2，一个任务无关的浏览器 Agent 运行时，v2 在 v1 单用户原型基础上加入组织、角色、PostgreSQL 存储、任务队列、持久审批、加密凭据库和组织记忆。系统不用 LangChain，runner 约 700 行单文件，仅靠 PostgreSQL 的 SKIP LOCKED 队列和 LISTEN/NOTIFY 实现跨进程协作；写入和不可逆操作由代码而非模型判定风险并触发人工审批，成功声明需经只读独立审计员复核。
推荐理由：作者用确定性替身模型做了负载测试并给出各档吞吐、恢复与隔离数据，读者可以据此评估这套无框架 Agent 运行时的实际结构表现。
GitHub 开源项目 SayGuard 用一台 ASUS UGen300（Hailo-10H）分析工地或仓库所有摄像头流，支持用中文或英文语音添加安全规则，全部模型本地运行、视频不出场。原型中安全帽检测达 0.939 mAP50，10 路摄像头单检测器达 100 frames/s；CLIP 双检模型每条警报 15 ms、准确率 95.3%，优于生成式 VLM 的 91.7% 和 283 ms。系统用 YOLOv8s 检测、Whisper 语音识别和 Qwen2.5-1.5B 生成规则与日报，UGen300 零售价 NT$6,380、功耗 2.5 W，最多覆盖 12 路摄像头。
jianghd1996 在 GitHub 发布 Data-Generation-Server，用 Blender Cycles + Python 把静止物体或人物放入三维环境，沿可控相机轨迹渲染视频与几何标注，适用于相机控制、视角扩充、三维重建及合成数据实验。管线涵盖素材下载与完整性校验、场景组合、球面双环轨迹、近中远景别、输出 RGB、主体 mask、深度 EXR 与相机内外参，并支持多 GPU 批量调度与固定随机种子复现；需要 Linux、NVIDIA GPU、Blender 4.2–4.5 和 ffmpeg，暂不支持动态人物与逐帧渲染恢复。
HippoxHQ 推出 AI 原生桌面操作系统 hippoxOS，以自然语言作为核心交互方式，让用户通过对话控制文件系统、创作工具与自动化任务。系统基于专为自然语言交互构建的 Hippox Kernel，负责驱动调度、工作流编排（含 ReAct、Batch、Chain、PlanAndExecute 四种模式）与资源访问控制，并提供视频剪辑等专业子系统和定时任务管理。支持 Windows、macOS 与 Linux，可从 Releases 页面下载。
GitHub 仓库 pscyk/astra-control-lab 开源了基于 Astra 生成动作轨迹的机器人操控实验，涵盖 COLOSSEUM V2 与 RLBench，测试残差修正与动作—观察回路，并附 Astra 编写的抽屉控制器作训练参考。在 PlaceDishInRack-v1 的 200 个场景中，Astra 基线完成率 10.5%，加 RL 残差后达 35.0%，随机搜索残差为 29.0%。主包仅用 Python 3.10+ 标准库，无需第三方库、GPU 或 API key；运行新机器人 episode 需自行准备模拟器与模型访问。
Matvel007 在 GitHub 发布 browser-agent 1.0.0，一个 Chromium 浏览器侧边栏 AI 助手，可读页面、点击、输入、切换标签页，并通过 DevTools Protocol 检查 console 和网络、搜索网页。支持 RouterAI、OpenAI、DeepSeek、Gemini、Anthropic 及 OpenAI 兼容端点等任意提供商，提供 29 个可单独开关的浏览器工具；工具输出有界，大数据存为 IndexedDB artifacts，完整聊天记录不会被压缩删除，/compact 只添加摘要卡片。需 Node.js 22.12+ 或 24/26+，MIT 协议开源。
推荐理由：开源的浏览器侧边栏 Agent，29 个工具均可单独开关，上下文压缩保留完整聊天记录，适合想本地控制浏览器自动化的用户。
Browser Use 发布科普文章，说明浏览器智能体由模型、harness 和浏览器三部分组成，并通过观察页面、选择动作、执行并检查结果的循环完成任务。文章还介绍了智能体可通过 DOM、无障碍树或截图读取页面，以及适用的使用时机。
GothicAI 项目通过 LLM 管理《哥特王朝 2 NotR》的 NPC，并计划加入新机制与剧情线生成。AI 运行在独立服务中，游戏内只保留轻量桥接：Python 编写的 AI 服务器负责对话、人格、记忆与语音输入，ASR 使用 Voxtral，TTS 使用 VoxCPM2，也支持 Inworld TTS-2 和 OpenAI 兼容 API。项目基于修改版 OpenGothic 引擎，提供 gothic-launcher 一键启动服务与游戏，并可用 Real-ESRGAN 将角色纹理放大 4 倍。
GitHub 开源项目 Intelligent-Lighting-Control-System-Pro 采用 PC 上位机加 ESP32-S3 单片机的异构协同架构，在 16×16 WS2812B 矩阵上实现多模态具身光影交互。系统在 RTX 4060 上本地部署 Qwen2.5-7B-Instruct 牧濑红莉栖 Agent，集成 Mem0 记忆与 MCP 函数调用，并支持 MediaPipe 3D 手势追踪、视线追踪与面部情绪识别。项目使用 ESP-IDF 原生 RMT DMA 驱动，目标实现 60FPS 渲染、灯控 CPU 占用率低于 2%、视觉延迟小于 35 ms、大模型 TTFT 小于 250 ms，遵循 MIT License 开源。
GitHub 开源项目 instant-interiors 将户型图图像在约 8 秒内转为第一人称可漫游的 3D 房屋，并用自然语言即时改造。句子解析由 Haiku 5.5 完成，首改约 0.8 秒、每句约 $0.0002、benchmark 35/35；读图用 Sonnet 5.5 vision，需 6 至 9 秒、约 $0.02，均通过 Vercel AI Gateway 调用。内核为纯 TypeScript 确定性引擎，支持家具摆放、墙面花纹、日照时间与 dollhouse 视图。
UCUSpaceRobotics 在 GitHub 发布 traversability-costmap 仓库，面向 Indomitus 火星车，用自监督学习从 RGB-D 图像直接预测地形可通过性（预期打滑和底盘振动），训练数据来自火星车自身的 IMU 与里程计数据，无需人工标注。项目为参加 European Rover Challenge 而开发，生成 2 通道动态 costmap，可接入 ROS 2 Nav2 栈，帮助火星车主动规避复杂地形、减少人工干预。代码采用 MIT 许可证开源。
vasanth7781 开源了 WhittleBrowser Engine，一个让 AI 智能体使用 Chromium 浏览器的引擎，以 MCP 服务器和 TypeScript 库形式运行。页面以紧凑、引用稳定、带 diff 的文本呈现给模型，隐藏的 prompt injection 和密钥被过滤，敏感站点和不可逆操作会等待人工确认。基准测试显示，在同样 11 个页面上其页面文本为 13,282 tokens，比 Playwright MCP（300,898）少 93%，比 browser-use 少 86%、比 Stagehand 少 87%；7 个植入密钥和 5 条隐藏注入均 0 泄漏到模型。
GitHub 仓库 enhansome-Awesome-3D-Scene-Generation 收录 300+ 篇 3D 场景生成、数据集及下游应用研究，并持续更新。内容按层级分类，涵盖程序化生成、基于优化、基于 LLM、神经 3D、图像与视频生成等方法，以及室内、自然、城市数据集。应用方向包括 3D 场景编辑、人-场景交互、具身导航、机器人与自动驾驶。