· 晨讯 Dispatch 2026-08-25

AI 资讯 · 2026-08-25

13 · 精选 4 · 关注 8 · 简讯 0 · 国内 3 / 海外 10
今日精选 · TOP 4 algorithmic top-5 by composite score
  1. #1 / 10.4 Anthropic / TechCrunch AI /其他 /2026-08-25 /2 源
    Claude Cowork finally remembers what you told the app in chat

    Anthropic is giving Claude a shared memory across chat and Cowork, so users no longer have to repeatedly brief the AI on projects, preferences, and other context.

    评分明细
    重要性 5 新颖度 5 信源权威 5 技术深度 5 实体加权 ×1.60
    其他信源 (2)
  2. #2 / 10.0 AnthropicOpenAIQwen / AI科技评论 /模型发布 /2026-08-25
    基于阿里千问,路透社推出首个自研大模型

    8月25日,据外媒报道,国际知名新闻机构汤森路透(路透社母公司)近日推出了其自研大模型Thomson-1。该模型基于阿里Qwen大模型开发,旨在降低对Claude等闭源模型的依赖并减少长期使用成本。此前,汤森路透曾推出自己的AI助手,接入的是海外大模型厂商Anthropic的Claude大模型。出于降低闭源模型的依赖和成本因素考量,近期,汤森路透选择基于阿里开源模型Qwen3.5自研出Thomson-1 大模型。Thomson-1 将首先用于表格分析、文档审核等专业工作,并逐步承接部分此前由 Claude 完成的任务。开源模型允许企业自行部署和调整,性价比高,安全可控。随着阿里Qwen等开源模型能力的持续增强,越来越多的企业和机构由闭源转向开源。美国互联网公司爱彼迎Airbnb CEO布莱恩·切斯基称公司正“大量依赖阿里巴巴的千问模型”,并直言“比OpenAI更好更便宜”;“美国版小红书”Pinterest也于近期转投Qwen,其CEO比尔·雷迪直言使用Qwen的成本不到Anthropic、OpenAI等同类闭源模型的8%。截至目前,Qwen已经开源460多个模型,在开源社区总下载量破

    评分明细
    重要性 7 新颖度 7 信源权威 7 技术深度 7 实体加权 ×1.43
  3. #3 / 7.8 ByteDance DoubaoDeepSeekGoogle DeepMind / AI科技评论 /研究论文 /2026-08-25
    通用模型竟然比医疗专用模型更懂医疗?一篇 ACL 论文的两个反直觉发现 | GAIR Paper 123

    Doubao 、DeepSeek 在三语数据集上的表现,普遍超过 GPT-4o 和 Gemini。    作者丨幸丽娟    编辑丨岑   峰                                                                                                       医疗,是大模型落地最特殊的场景之一。特殊在哪里?特殊在一个很微小的错误,就可能导致致命的后果;也特殊在你不能用直觉去判断它"行"还是"不行"——你觉得医疗专用模型肯定比通用模型更懂医疗?直觉上是。但实验数据不支持。你觉得英语训练出来的模型处理英语医疗数据肯定最好?直觉上是。但实验数据也不支持。这两重"反直觉",正是纽约大学阿布扎比分校和阿布扎比克利夫兰诊所的研究团队在ACL 2026 Findings上发表的论文揭示的核心真相。论文链接:https://aclanthology.org/2026.findings-acl.573.pdf论文代码:https://github.com/congboma/MedErrBench研究团队构建了首个面向

    评分明细
    重要性 6 新颖度 6 信源权威 6 技术深度 6 实体加权 ×1.30
  4. #4 / 5.0 / AI科技评论 /研究论文 /2026-08-25
    突破具身智能物理死角:IJCAI 2026 具身智能泛化与控制突破

    告别理想仿真,中国学术团队用物理工程方案回应落地挑战。    作者丨张璐    编辑丨岑峰                                                                                                       过去一年多里,具身智能似乎按下了快进键。从 Physical Intelligence 发布的π₀到开源社区追捧的OpenVLA,VLA大模型一路高歌猛进。在各种标准基准测试和精心搭建的实验室 Demo 中,机械臂叠衣服、拿取物品流畅得宛如人类,动辄刷出 90% 甚至 95% 以上的成功率。然而,当全行业都在欢呼“机器人的 GPT 时刻”到来时,前沿学术界与产业界却爆发了一场剧烈的反思:这些动辄数十亿参数的具身大模型,真的学会“举一反三”了吗?还是在“死记硬背”?在主流学术视角中,VLA 大模型像是给机器人装上了具备常识与规划能力的“大脑”。但要让机械体真正干好精细活,仅有一个聪明的大脑远远不够。最新实验数据表明,面对物品位置的随机挪动或新指令组合时,纯端到端大模型往往会受到“空间过拟合”的约束

    评分明细
    重要性 5 新颖度 5 信源权威 5 技术深度 5
值得关注 8 items