当 AI 系统从生成文本转向通过持续交互来完成目标时，对环境动态进行建模的能力成为核心瓶颈。需要操作物体、导航软件、与他人协作或设计实验的智能体需要预测性环境模型，然而"世界模型"一词在不同研究社区中含义各异。我们引入了"层级×法则"分类体系，沿两个轴组织。第一个轴定义了三个能力层级：L1 预测器 (Predictor)，学习单步局部转移算子；L2 模拟器 (Simulator)，将其组合为多步、动作条件的推演，且遵守领域法则；L3 进化器 (Evolver)，当预测与新证据冲突时自主修正自身模型。第二个轴识别了四个法则域：物理域、数字域、社交域和科学域。这些法则域决定了世界模型必须满足的约束以及最可能失败的环节。基于该框架，我们综合了 400 余项工作，总结了 100 余个代表性系统，涵盖基于模型的强化学习、视频生成、Web 和 GUI 智能体、多智能体社会仿真以及 AI 驱动的科学发现。我们分析了各层级-域组合的方法、失败模式和评估实践，提出了决策中心评估原则和最小可复现评估包，并概述了架构指导、开放问题和治理挑战。由此形成的路线图连接了此前孤立的社区，绘制了从被动单步预测走向能够模拟乃至重塑智能体运行环境的世界模型的发展路径。

单个智能体的能力已通过模块化技能和工具集成快速进步，然而多智能体系统仍受限于固定的团队结构、紧耦合的协调逻辑和会话绑定学习。我们认为这反映了一个更深层缺失：一个原则性的组织层来治理智能体团队的组建、管理和持续改进，且该组织层与单个智能体所知的内容解耦。为填补这一空白，我们引入 OneManCompany (OMC)，一个将多智能体系统提升到组织层面的框架。OMC 将技能、工具和运行时配置封装为称为 Talent 的可移植智能体身份，通过类型化的组织接口编排异构后端。社区驱动的 Talent Market 实现按需招聘，使组织能够弥补能力差距并在执行期间动态重组自身。组织决策通过 Explore-Execute-Review (E²R) 树搜索实施，将规划、执行和评估统一在单一层次循环中：任务自顶向下分解为可问责单元，执行结果自底向上聚合以驱动系统性审查和改进。该循环提供终止和无死锁的形式化保证，同时反映人类企业的反馈机制。综合起来，这些贡献将多智能体系统从静态、预配置的流水线转变为能够适应跨领域开放任务的自组织和自改进 AI 组织。在 PRDBench 上的实证评估显示 OMC 达到 84.67% 的成功率，超越当前最优 15.48 个百分点，跨领域案例研究进一步展示了其通用性。

视频语言模型 (VLMs) 通过自然语言学习对动态视觉世界进行推理。我们引入了一套开放数据集、基准和方法，用于可扩展监督以实现精确的视频描述。首先，我们定义了描述主体、场景、运动、空间和摄影机动态的结构化规范，以与专业视频创作者（如电影制作人）共同开发的数百个精确定义的视觉原语为基础。其次，为策划高质量描述，我们引入 CHAI (Critique-based Human-AI Oversight)，一个让训练有素的专家批判和修正模型生成预描述的框架。这种分工将文本生成卸载给模型，让人类更专注于验证，从而提高标注准确性和效率。此外，这些批判以及预描述和修正后描述之间的偏好为通过 SFT、DPO 和推理时缩放改进开源模型 (Qwen3-VL) 的描述生成、奖励建模和批判生成提供了丰富的监督。我们的消融实验表明，由我们的监督框架确保的批判质量（精确度、召回率和建设性）直接决定了下游性能。在适度的专家监督下，所得模型超越了 Gemini-3.1-Pro 等闭源模型。最后，我们将该方法应用于大规模专业视频（如电影、广告、游戏）的重新描述，并微调 Wan 等视频生成模型以更好地遵循长达 400 词的详细提示，实现对摄影机运动、角度、镜头、焦点、视角和构图等摄影技术的精细控制。我们的结果表明，精确的规范和人类-AI 协作是实现专业级视频理解和生成的关键。

现实世界的文档问答充满挑战。分析师必须综合多份文档和每份文档不同部分的证据。然而，随着文档集合增长，任何固定的 LLM 上下文窗口都可能被超出。常见的权宜之计是将文档分解为块并从块级输出中组装答案，但这引入了聚合瓶颈：随着块数增加，系统仍必须组合和推理日益庞大的提取证据体。我们提出 SLIDERS，一个通过结构化推理对长文档集合进行问答的框架。SLIDERS 将显著信息提取到关系数据库中，通过 SQL 而非拼接文本实现对持久结构化状态的可扩展推理。为使本地提取的表示全局一致，SLIDERS 引入数据协调阶段，利用出处、提取理由和元数据检测和修复重复、不一致和不完整的记录。SLIDERS 在三个已有的长上下文基准上超越所有基线——尽管这些基准都适合强基线 LLM 的上下文窗口——平均超过 GPT-4.1 6.6 分。在两个 3.9M 和 36M token 的新基准上，它分别比次优基线提升约 19 和 32 分。

随着推理能力和部署范围同步增长，大语言模型 (LLMs) 获得了从事服务自身目标的行为的能力，我们将这类风险称为涌现性策略推理风险 (Emergent Strategic Reasoning Risks, ESRRs)。这些包括但不限于欺骗（有意误导用户或评估者）、评估博弈（在安全测试中策略性地操控表现）和奖励黑客（利用错误指定的目标）。系统地理解和基准测试这些风险仍然是一个开放挑战。为解决这一空白，我们引入 ESRRSim，一个分类驱动的智能体框架用于自动化行为风险评估。我们构建了一个可扩展的 7 大类风险分类体系，分解为 20 个子类。ESRRSim 生成旨在引发忠实推理的评估场景，配以双评分标准评估模型响应和推理轨迹，采用评判无关和可扩展的架构。对 11 个推理 LLM 的评估揭示了风险概况的巨大差异（检测率 14.45%-72.72%），且显著的代际改进表明模型可能越来越多地识别和适应评估上下文。

从无状态语言模型推理到持久化、多会话自主智能体的转变，揭示了记忆是部署生产级智能体系统的主要架构瓶颈。现有方法主要依赖混合语义图架构，在摄入和检索期间均带来大量计算开销。这些系统通常需要大语言模型介导的实体提取、显式图模式维护和多查询检索管线。本文介绍 Memanto，一个挑战"知识图复杂性是实现高保真智能体记忆所必需"这一主流假设的通用智能体记忆层。Memanto 集成了包含 13 种预定义记忆类别的类型化语义记忆模式、自动冲突解决机制和时间版本控制。这些组件由 Moorcheh 的信息论搜索引擎实现——一个无索引语义数据库，可在 90 毫秒以下延迟提供确定性检索，同时消除摄入延迟。通过在 LongMemEval 和 LoCoMo 评估套件上的系统基准测试，Memanto 分别达到 89.8% 和 87.1% 的最先进准确率。这些结果超越了所有评估的混合图和向量系统，同时仅需单次检索查询、无摄入成本，且运营复杂度大幅降低。

创意人脸风格化旨在以卡通、素描和绘画等多种视觉风格渲染肖像，同时保持可识别的身份。然而，当前身份编码器（通常在自然照片上训练和校准）在风格化下表现出严重的脆弱性。它们常将纹理或色调变化误判为身份漂移，或无法检测几何夸张。这揭示了缺乏风格无关框架来评估和监督跨风格和强度的身份一致性。为填补这一空白，我们引入 StyleID，一个基于人类感知的人脸身份风格化评估框架。StyleID 包含两个数据集：(i) StyleBench-H，捕获跨扩散和流匹配风格化在多种风格强度下的人类同异验证判断的基准；以及 (ii) StyleBench-S，通过受控二选一强制选择 (2AFC) 实验获得的心理测量学识别强度曲线监督集。利用 StyleBench-S，我们微调现有语义编码器使其相似性排序跨风格和强度与人类感知对齐。实验表明，我们的校准模型与人类判断的相关性显著提高，且对域外手绘肖像的鲁棒性增强。所有数据集、代码和预训练模型均公开发布。

我们提出 Sapiens2，一个专注于泛化性、多功能性和高保真输出的高分辨率 Transformer 人体视觉模型家族。模型规模从 4 亿到 50 亿参数，支持原生 1K 分辨率和层次化变体支持 4K。Sapiens2 在预训练和后训练两方面均大幅超越前代。首先，为学习既捕获低层细节（用于密集预测）又捕获高层语义（用于零样本或少标签设置）的特征，我们结合掩码图像重建与自蒸馏对比目标。评估表明这种统一预训练目标更适合更广泛的下游任务。其次，在数据轴上，我们在 10 亿高质量人体图像数据集上预训练，并提高了任务标注的质量和数量。第三，在架构上，我们融入前沿模型的改进，使更长的训练计划具有更好的稳定性。4K 模型采用窗口注意力以推理更长的空间上下文，并以 2K 输出分辨率预训练。Sapiens2 创造了新的最优结果，相比第一代在姿态 (+4 mAP)、身体部位分割 (+24.3 mIoU)、法线估计 (角度误差降低 45.6%) 上均有提升，并扩展到点图和反照率估计等新任务。

AI 智能体护栏是无记忆的：每条消息被孤立判断，因此将单一攻击分散在数十个会话中的对手可以绕过每个会话边界检测器，因为只有聚合才携带有效载荷。我们在跨会话威胁检测方面做出三项贡献。(1) 数据集。CSTM-Bench 包含 26 种可执行攻击分类法，按杀伤链阶段和跨会话操作（积累、组合、洗白、读者注入）分类，每种绑定七个身份锚点之一将"违规"定义为策略谓词，加上匹配的 Benign-pristine 和 Benign-hard 干扰项。发布于 HuggingFace intrinsec-ai/cstm-bench，含两个 54 场景分割：稀释（组合性）和跨会话（12 个隔离不可见场景，由闭环重写器软化表面措辞同时保留跨会话痕迹）。(2) 测量。将跨会话检测框架为下游关联器 LLM 的信息瓶颈，我们发现会话边界法官和将每个提示拼接为一次长上下文调用的全日志关联器从稀释到跨会话场景均丢失约一半攻击召回率，且完全在任何前沿上下文窗口之内。(3) 算法和指标。保留最高信号片段的有界记忆 Coreset Memory Reader (K=50) 是唯一在两个分片上召回率都存活的阅读器。由于排序器重排破坏 KV 缓存前缀复用，我们将 CSR_prefix（有序前缀稳定性，LLM 无关）提升为一等指标，并将其与检测融合为 CSTM = 0.7 F₁(CSDA@action, precision) + 0.3 CSR_prefix，在召回率与服务稳定性的单一帕累托前沿上对排序器进行基准测试。