Paper Morning 2026-09-22

各位早上好，今天Paper Morning想聊一个特别有意思的话题。你们有没有注意到，最近AI领域有股趋势在慢慢浮现，不只在追求更强的语言能力，还在试图让模型理解我们生活的物理世界。这个趋势在今天几篇论文里都能看到影子。 第一篇是关于MiniMax-H3的评估工作。它是一个Omni-Modal的生成模型，能同时处理文本、图像、视频和音频。但这篇论文关心的不是生成质量本身，而是另一个更深层的问题：当模型能同时“看”和“听”的时候，它是否真的理解了物理世界的运作规律？比如东西掉下来会怎样，碰撞会发生什么。研究团队为此设计了一套全新的评估框架，从四个维度来考察模型的物理推理能力。这个工作的价值不在于它又刷新了什么生成分数，而在于它提出了一个根本性的问题：多模态的“对齐”到底能不能带来真正的“世界理解”。这其实是在质疑我们现在的评估范式是否出了问题。 第二篇JEPA-Anything更激进，它在问能不能用一个通用的学习原理来建模完全不同的物理系统。它提出了正交预测因子分解的方法，可以把复杂的目标分解成不同因子分别学习，然后在统一的预测框架里重新组合。论文在七个完全不同的领域做了测试，从视觉到生物，从临床轨迹到分子动力学，再到天气预测。这种跨领域的通用性让我想起NLP里foundation model的理想，一个模型能解决所有问题。科学计算领域也在往这个方向走，但难度更大，因为每个物理系统都有自己独特的规律。JEPA-Anything至少证明了一个统一的框架是可以处理这些差异的。 这两篇论文其实在回答同一个问题，AI能不能像人类一样理解物理世界。不过它们走的是不同路线，一个靠多模态，一个靠通用架构。这让我想到，也许真正的突破需要把两者结合起来。 再看今天另外两篇。第三篇IntBMoE表面上在改进MoE的模型结构，但它的思路其实很有意思。它把参与度、执行成本和参数实例化成本这三个量分开处理，本质上是在问一个scaling的问题：当模型变大的时候，我们能不能更灵活地控制计算和内存的消耗？这个方向对训练大规模的科学计算模型特别关键，因为神经算子的参数量增长起来是很快的。 最后两篇其实在解决一个更根本的问题，训练数据从哪来。EvoOntology提出给数据智能体做一个能自进化的本体层，让智能体可以理解数据的语义而不是只看到表面的结构。CodeMidas更直接，它让模型直接去读代码，从代码本身生成训练任务和验证环境，绕过了人工标注数据不够的瓶颈。这两篇加在一起，代表了一种趋势：以后训练AI agent可能不需要依赖大量人工标注的数据了。 把今天这几篇论文连起来看，我有一个整体的观察：大家都在试图打破某种瓶颈，物理理解有瓶颈，跨领域建模有瓶颈，模型scaling有瓶颈，训练数据也有瓶颈。而打破瓶颈的方法，归根结底就是让模型更主动地去理解和处理信息。这可能反映了整个AI领域正在从“堆参数、堆数据”的旧范式，向“让模型学会真正理解和推理”的新阶段转变。今天的Paper Morning就到这里。