李飞飞吴佳俊团队新作：推出具身智能决策能力评价基准，o1-preview 登顶
大模型的具身智能决策能力，终于有系统的通用评估基准了。李飞飞吴佳俊团队新提出的评估框架，对具身智能决策的四项关键子能力来了个全面检查。这套基准已经被选为了NeurIPS数据和测试集（D&B）专栏Oral论文，同时也被收录进了PyPI，只要一行代码就能快速调用。该框架名为EmbodiedAgentInterface（简称EAI），提供了连接不同模块和基准环境的标准接口。利用这套框架，作者对18款主流模型进行了测试，形成了一篇超百页的论文。测试结果显示，在已公开的大模型当中，o1-preview的综合成绩位列
大模型的具身智能决策能力，终于有系统的通用评估基准了。
李飞飞吴佳俊团队新提出的评估框架，对具身智能决策的四项关键子能力来了个全面检查。
这套基准已经被选为了 NeurIPS 数据和测试集（D&B）专栏 Oral 论文，同时也被收录进了 PyPI，只要一行代码就能快速调用。
该框架名为Embodied Agent Interface（简称 EAI），提供了连接不同模块和基准环境的标准接口。
利用这套框架，作者对 18 款主流模型进行了测试，形成了一篇超百页的论文。
测试结果显示，在已公开的大模型当中，o1-preview 的综合成绩位列第一。
李飞飞本人表示，对这项合作研究感到非常兴奋。
有网友评价说，这项成果为大模型具身智能决策塑造了未来。
四项子能力全面评估
首先，EAI 提供了一种统一的目标表示方法，能够兼容不同类型的目标，并支持复杂约束的描述。
团队认为，现有的具身决策任务通常针对特定领域设计目标，缺乏一致性和通用性。
例如，BEHAVIOR 和 VirtualHome 都是具身智能体的评测基准和模拟环境，用于研究智能体在复杂环境中完成任务的能力。
但二者又有所区别，BEHAVIOR 使用基于状态的目标，而 VirtualHome 使用时间扩展的目标。
EAI 则通过引入线性时态逻辑（LTL），实现了目标表示方式的统一，提高了模块之间的互操作性，便于比较不同模型在同一任务上的表现。
在具体的评估过程当中，EAI 采用了模块化的评估方式，并将评估指标进行了更细粒度的划分。
以往的研究通常将大模型作为整体进行评估，很少关注其在具身决策各个子任务上的表现；
同时，这些现有基准通常只关注任务的最终成功率，很少深入分析模型的错误类型和原因。
为了更深入理解大模型的行为模式和优劣势分布，EAI 提出了四个关键能力模块，并设计了一系列细粒度的评估指标：
将模型能力分为四个关键模块；
定义了清晰的输入输出接口；
从轨迹可执行性、目标满足度、逻辑匹配性等多个角度评估模型的性能；
引入了丰富的注释（如目标状态、关系、动作），以实现自动化的错误分析。
具体来说，四个关键模块及内容分别是：
目标解释（Goal Interpretation）：将自然语言表述的任务目标转化为形式化的 LTL 目标公式；
子目标分解（Subgoal Decomposition）：将任务目标分解为一系列子目标，每个子目标也用 LTL 公式表示；
动作序列规划（Action Sequencing）：根据任务目标生成动作序列，在环境中执行以达成目标状态；
转换建模（Transition Modeling）：为每个动作或操作符生成前提条件和效果，形成环境转换模型。
另外，EAI 选取了两个具有代表性但特点迥异的环境，也就是前面提到的 BEHAVIOR 和 VirtualHome。
相比于单一环境评估，EAI更能考察大模型跨领域的泛化能力，有助于全面理解其适用范围和局限性。
o1-preview 综合成绩第一
利用 EAI 这套标准，研究团队对 GPT、Claude、Gemini 等 18 款主流模型（型号）的决策能力进行了评估。
在 BEHAVIOR 和 VirtualHome 环境下，o1-preview 均获得了排行榜综合成绩第一名。
其中在 BEHAVIOR 环境中，o1-preview 得分为 74.9，比第二名的 Claude 3.5 Sonnet 高了 10 多分，排在之后的是 60 分左右的 Claude 3 Opus 和 GPT-4o。
到了 VirtualHome 环境下，依然是 o1-preview 领先，但前三名的成绩相对接近。
同时 Gemini 1.5 Pro 变成了第二名，不过整体来看排行靠前的几个模型和 BEHAVIOR 环境类似。
当然如果比较单项能力，不同模型也体现出了各自不同的优势项目。
比如在 BEHAVIOR 环境中，总分排第二的 Claude 3.5 Sonnet，目标解释能力略高于总分排第一的 o1-preview。
在 VirtualHome 环境中，总分相对靠后的 Mistral Large，在动作序列规划上取得了第一名。
作者还对各模型的失败情况进行了深入分析，发现了将中间状态误识别为最终目标状态、对隐含的物理关系理解不足、忽略重要的前提条件等具体问题。
这些发现能够让研究人员对模型的优缺陷进行更深层的了解，为之后的研究提供了重要参考。
项目主页：
https://embodied-agent-interface.github.io/
论文：
https://arxiv.org/abs/2410.07166
代码：
https://github.com/embodied-agent-interface/embodied-agent-interface
数据集：
https://huggingface.co/datasets/Inevitablevalor/EmbodiedAgentInterface
荣耀MagicOS 11定于9月15日发布，作为行业首个商用系统级Agent Harness架构的操作系统，Magic 9系列将首发搭载。新版YOYO支持最长上百步长程任务及40余项条件触发，10月开启Beta预览版招募。
华强北销售商反馈，年初以来主流手机品牌基本全线涨价，涨幅最低400元，最高达1000-1500元。涨价主因是全球存储芯片及电容等元器件成本上升，运行内存与机身存储价格涨幅超100%。尽管整体市场承压，国产折叠屏手机1-8月销量约450万台（新形态超135万台，同比增29%），AI手机成为厂商发力重点。
索尼发布WH-1000XM4C头戴式降噪耳机，复刻了XM4的经典四向折叠便携设计。该机型在保留QN1处理器和30小时续航的基础上，全面升级了USB-C高速充电、无损音频直连、蓝牙多点连接及AI降噪通话功能，旨在满足对便携性有极高要求的用户群体。
OpenAI GPT-6 Astra 模型通过 MCP 协议与 SourcePauseTool 控制《传送门》游戏，完成 3336 次工具调用并自主通关。实验耗时约 24 小时，API 成本约 571 美元，展示了多模态 AI 在 3D 解谜领域的突破性进展。
本文解析超聚变在2026数博会发布的“智企”范式，重点阐述如何通过Token生产平台（Token Factory）与企业业务本体建模，实现从简单AI工具调用到企业应用架构系统性重构的演进。文章详细拆解了智能体编排、数字孪生及生态协同等关键技术路径，为AI时代企业数字化转型提供可落地的参考方案。
南京邮电大学“光擎智算”团队联合南京大学，攻克GaN基Micro-LED器件技术，成功搭建实验室级光计算验证系统。团队自主研发的5×5 Micro-LED光电计算阵列芯片已进入流片封装阶段，实现了图像识别等算力任务验证，推动光计算技术从理论走向工程落地。
9月3日，贵州省住建厅与贝壳集团在贵阳签署《旅居产业发展战略合作框架协议》，旨在打造全国旅居样板。合作涵盖平台建设、标准共建、人才培育、存量资产盘活及品牌推广五大维度，依托贝壳近600家门店及4000余名经纪人资源，强化贵州旅居服务供给，促进房地产市场平稳健康发展。
本文解析上海链家推出的“安住APP”功能，该工具允许业主在贝壳/链家挂牌后主动管理房源。通过实时查看销售进展、发送看房邀约及获取AI策略，业主可缩短成交周期。数据显示试点期间平均成交7天，最短1天。适用于希望提高信息透明度、主动参与卖房过程的业主。
2026年6月工信部等七部门印发《促进平台经济大中小企业协同发展行动方案》，明确平台经济是数字技术赋能的实体经济。针对流量垄断与“数字租金”问题，专家主张治理重心应从静态整改转向推动平台能力向中小企业外溢，通过算法透明、接口开放及数据可迁移，打破封闭生态，实现创新与规范并重的高质量发展。
Windows 10 是一款微软推出的经典操作系统，拥有硬件兼容性与多任务处理能力。它更偏向把系统状态查看和常用调节动作放在一起，适合需要持续观察和微调设备状态的场景。
极度公式是一款跨平台专业LaTeX公式识别编辑软件，支持OCR公式识别和多平台编辑。和使用说明，避免使用，享受完整功能与稳定支持。做扫描整理、文字提取和表格转换时，它能把识别后的处理步骤接得更顺，资料录入这类场景会省下不少时间。
