搜索
近年来，视觉语言模型（Vision-Language Model, VLM）在图像理解、语义推理等任务中展现出了强大的能力。然而，当这些模型真正进入物理世界，让机器人根据一句自然语言指令完成自主导航时，仍然面临巨大挑战。
一周之内大语言、图片、视频模型都迎来新赛季：OpenAI的GPT-6 Astra让编码 Agent更好地使用游戏引擎和Blender，自己改场景、自己跑、自己测；GPT-image-2.5上线，更快更强，图片编辑和关键帧动画显著提升；fal和Yoroll分别发布 H3 MaxTurbo和H3 Superfast后训练加速模型，5秒视频3秒内推理，实时生成和互动玩法纷纷涌现。
AI教师已经可以完成不少单次教学任务。
个性化在通用AI产品中一直是个加分项。无论是ChatGPT、Gemini还是Claude，还是今年的Openclaw、Harmes都把记忆和个性化当成核心卖点，理由是它能提高可用性、参与度和用户满意度。学术界对个性化的研究，也几乎全部集中在"如何做得更好、更准、更符合用户口味"上。
「麻烦你，帮我看一下。」
前OpenAI Sora负责人比尔·皮布尔斯（Bill Peebles）与DreamWorks联合创始人杰弗里·卡岑伯格（Jeffrey Katzenberg）及Dropbox前CFO苏杰伊·贾斯瓦（Sujay Jaswa）共同创办AI视频创业公司，将自主训练视频模型，并与Andreessen Horowitz等投资人洽谈融资。
视觉编程成绩超GPT-5.4。
过去几年，大模型推动 AI 能力快速进入数字世界。但当 AI 从文本、代码走向真实环境，更为复杂的问题开始浮现：机器如何理解世界？如何预测变化？如何在现实环境中持续行动？
文章拆解了 Astra 模型与 Codex Harness 的配合方式：Codex 启动一个持续运行的代码环境，接入浏览器和桌面操作工具；Astra 通过无障碍模式读取界面中的文字、按钮结构，并通过截图综合判断。模型把准备执行的操作写成代码，交给 Codex 的工具完成。
9月初，OpenAI下一代模型Astra的架构细节被曝光，核心关键词只有一个：循环。