TechMoon 科技月球
WordPress、SEO 與 AI 工具實測指南
NVIDIA 與德州大學奧斯汀分校的 ScheduleGen 研究把多臂機器人的示範生成拆成兩層：接觸技巧沿用示範、轉場重新規畫，兩手何時等待或重疊交給混合整數線性規劃求解，排程本身也用 700 段固定路徑軌跡單獨驗證。79.6% 生成率、65.5% 策略成功率與真機 50–80% 各自量測不同的階段，直接互比會誤讀；程式碼未公開，是採用前最主要的邊界。
Helmholtz Munich 團隊在 10 月 29 日發表 world2vec 世界模型：訓練不用獎勵、約 30 萬參數，伸臂得分勝過參數量大數十倍的 DreamerV3 與 TD-MPC2，擺桿勝過 DreamerV3，像素平衡桿仍未解。從指標互查的設計、可讀方程的對齊限制，到程式碼釋出時程，拆解這份研究怎麼讀。
Meta 於 10 月 28 日宣布以共 200 萬美元與五所美國大學合作醫療與科學 AI 研究：開放權重模型在大學校內環境運行、病患資料不交給 Meta。從 86,900 題數學開放問題、心衰竭風險預測、嬰兒氣切管監看到 65 個案流程試點，各專案成熟度不同，整理官方承諾邊界與後續該追蹤的三層證據。
Ant International 研究團隊 2026 年 10 月 19 日在 arXiv 提出 Heartbeat Thinking：語音代理每 500 毫秒讀一次講到一半的逐字稿，提前發起查詢，新語音進來也不打斷已在跑的推理與工具。FDBench v3 上最終回答等待從 6.90 秒降到 4.39 秒（少 36.4%）、投機工具覆蓋率多 16 個百分點，但三個基準只有一個正確率上升，AudioCRAG 覆蓋率漲為三倍、正確率卻是五個系統最低。本文核對排程機制、完整數字與採用前該先量的指標。
Stanford Hazy Research 提出 Next-Concept Modeling，把文字生成從逐詞元接龍改成逐層平行補細節，官方在單張 H100 上量到 LM1B 21 倍、OpenWebText 10 倍、XSum 摘要 31 倍牆鐘加速，訓練詞元省 4.9 倍；權重、資料與評測腳本已連同 MIT 程式碼一週內公開，規模與中文表現尚未驗證。
史丹佛與 Radical Numerics 的 Halcyon 研究只用 1 億組圖文配對從零訓練文生圖模型，完全不預訓練語言模型。1.6B 版本以 275 分之一的總預訓練算力勝過掛 Qwen3 文字編碼器的擴散基線，三個消融實驗都顯示語言預訓練沒有幫助，五種尺寸檢查點已在 Hugging Face 開源。
Sakana AI 與 UC Berkeley 提出 MASS：同一個模型同時當執行者、流程優化器與評估者，先搜尋更好的多代理分工，再把團隊軌跡拿去微調自己，兩輪後研究基準的每 token 得分達基礎模型 1.2 到 1.6 倍。數字口徑、寫程式基準不進步與重現成本，全部回到論文與官方程式碼核對。
OpenAI 於 2026 年 9 月 21 日宣布與獨立數學顧問團 AGMAI 合作，處理內部模型宣稱解開逾百道長期未解數學問題後的評估與發布問題。九位成員掛在普林斯頓高等研究院專案下、不收 AI 公司報酬、建議必須公開，但 OpenAI 明文把研發速度排除在諮詢範圍外，團體也自述在任何 AI 公司都沒有決策權。
Google 與 Google DeepMind、馬里蘭大學、維吉尼亞大學團隊在 arXiv 發表 Dream-RSI 框架，把累積的探索歷史讀成精確的回放模擬器，讓 AI 代理在零執行成本的「夢境」裡評估並改寫探索策略，再回到線上繼續發現。實驗覆蓋演算法工程、數學最佳化與 GPU 核心工程三域，但 162 倍等倍數要看清對照組是誰；程式碼尚未發布，模型本身零改動零微調。
