近年來，大語言模型（LLMs）的發展已將研究前沿從解謎任務推進至科學級推理——即能夠應對那些答案必須經受自然規律檢驗、而不僅符合評分標準的複雜問題。物理學是衡量這一轉變的最嚴苛標準，因為它以根本性方式將符號系統與現實世界相聯結，是現代大多數技術的基石。

基於此，來自上海人工智能實驗室的研究團隊通過開發具備卓越物理推理能力的大規模語言模型，成功推動了物理學研究的進展，尤其在解決國際奧林匹克物理競賽（Olympiad-level）級別問題方面表現突出。研究人員提出了 P1 系列開源物理推理模型，該系列模型完全通過強化學習（RL）進行訓練。其中，P1-235B-A22B 是首個在 2025 年國際物理奧林匹克競賽（IPhO 2025）中取得金牌水平表現的開源模型，並在 2024 至 2025 年度的 13 項國際及區域性物理競賽中斬獲 12 枚金牌。

論文鏈接：https://go.hyper.ai/NxT8f

最新 AI 論文：https://go.hyper.ai/hzChC

為了讓更多用户瞭解學術界在人工智能領域的最新動態，HyperAI超神經官網（hyper.ai）現已上線「最新論文」板塊，每天都會更新 AI 前沿研究論文。以下是我們為大家推薦的 5 篇熱門 AI 論文，一起來速覽本週 AI 前沿成果吧 ⬇️******

本週論文推薦

1. Lumine: An Open Recipe for Building Generalist Agents in 3D Open World

本文提出 Lumine，這是首個開源的通用 Agent 開發方案，能夠實現在複雜三維開放世界環境中實時執行長達數小時的複雜任務。Lumine 採用類人類交互範式，通過視覺-語言模型，以端到端的方式統一感知、推理與行動。它以每秒 5 幀的頻率處理原始像素輸入，生成每秒 30 幀的精確鍵盤鼠標操作，並僅在必要時動態調用推理模塊。

論文鏈接 ： https://go.hyper.ai/wfGhN

在這裏插入圖片描述

::: hljs-center

Lumine 模型概述

:::

2. YOLOv13: Real-Time Object Detection with Hypergraph-Enhanced Adaptive Visual Perception

本文提出 YOLOv13，一種高精度且輕量級的目標檢測器。研究人員提出一種基於超圖的自適應相關性增強機制（Hypergraph-based Adaptive Correlation Enhancement, HyperACE），該機制能夠自適應地挖掘潛在的高階相關性，突破了以往方法僅限於基於超圖計算的成對相關性建模的侷限，實現了高效的全局跨位置、跨尺度特徵融合與增強。

論文鏈接 ： https://go.hyper.ai/cKMGI

在這裏插入圖片描述

::: hljs-center

模型架構圖

:::

3. Generating an Image From 1,000 Words Enhancing Text-to-Image With Structured Captions

本文首次訓練了一款基於長結構化描述的開源文本到圖像模型 FIBO，其中每個訓練樣本均標註了相同的一組細粒度屬性。該設計極大擴展了表達能力，並實現了對視覺因素的解耦控制。為高效處理長描述，研究人員提出 DimFusion 機制——一種無需增加 token 長度即可融合輕量級大語言模型（LLM）中間 token 的融合方法。

論文鏈接： https://go.hyper.ai/zyUcE

在這裏插入圖片描述

::: hljs-center

FIBO 工作流程

:::

4. Depth Anything 3: Recovering the Visual Space from Any Views

本文提出Depth Anything 3（DA3），一種能夠從任意數量的視覺輸入中預測空間一致幾何結構的模型，無論輸入是否包含已知的相機位姿。研究人員構建了一個全新的視覺幾何基準，涵蓋相機位姿估計、任意視角幾何重建以及視覺渲染任務。在該基準上，DA3 在所有任務中均取得了新的最先進性能，相較於先前的最先進方法 VGGT，相機位姿估計準確率平均提升 44.3%，幾何重建準確率平均提升 25.1%。

論文鏈接 ： https://go.hyper.ai/WvSU4

在這裏插入圖片描述

::: hljs-center

工作流程圖

:::

5. P1: Mastering Physics Olympiads with Reinforcement Learning

本文通過開發具備卓越物理推理能力的大規模語言模型，成功推動了物理學研究的進展，尤其在解決國際奧林匹克物理競賽（Olympiad-level）級別問題方面表現突出。我們提出了 P1 系列開源物理推理模型，該系列模型完全通過強化學習（Reinforcement Learning, RL）進行訓練。

論文鏈接 ： https://go.hyper.ai/NxT8f

在這裏插入圖片描述

::: hljs-center

訓練數據中的一個樣本

:::

以上就是本週論文推薦的全部內容，更多 AI 前沿研究論文，詳見 hyper.ai 官網「最新論文」板塊。

同時也歡迎研究團隊向我們投稿高質量成果及論文，有意向者可添加神經星星微信（微信號：Hyperai01）。

下週再見！