7B借搜索补容量，BVB只还原53.7%事实

重点关注

01 训练优化 7B不背下整个网络，反而更像一套系统

7B模型容量有限，ZGCM-1索性不把「记住开放网络」当目标，而是用内部推理和外部工具调用补足参数记忆。为支撑256K上下文，它交替使用滑动窗口与全局注意力，并将上下文从16K逐步扩展到64K、256K，把架构选择、训练系统和课程设计放在一起优化。论文报告称，其16K预训练达到相同损失所需时间缩短约4.2倍；但这是训练效率，不等于推理更快，也不能直接推出最终能力提升4.2倍。在数学推理和智能体搜索任务上，作者称7B模型可与部分规模大得多的前沿模型竞争，更合理的理解是：工具增强任务可能缩小参数差距，而不是小模型已普遍追平大模型。对小模型团队更有价值的，或许是完整开放的阶段权重、中间检查点、数据配方、训练代码和实验日志，它们能帮助判断效率来自哪里。具体优势能否跨任务复现、256K上下文是否真正有效，以及工具调用带来的额外推理成本，仍需结合全文和独立测试确认。

原文：ZGCM-1: A Fully Open and Extremely Efficient Foundation Model for Math and Agentic Search

02 安全对齐 当风险发生在点击之后，文本护栏还能守住什么？

计算机操作Agent进入浏览器、终端和文件系统后，风险会在运行时交互中出现，单看提示词与回复很容易漏掉真正的问题。HazardAuditor在受控环境中运行Claude Code、Codex、Hermes和OpenClaw，再把各自不同的交互记录归一化为统一事件表示，让同一套安全监督能够跨框架训练。这一步填补了评测与守卫之间的缺口：平台给出一次安全判定，只能说明某次执行是否越界，无法自然变成可部署模型能复用的训练信号。训练上，它用GuardPO将确定性的安全结果转成序列级优势，并分别归一化推理说明与最终判定，避免长解释在梯度更新中压过安全决策本身。摘要报告相对最强既有守卫最高提升16.5个百分点，结果值得关注，但跨框架泛化范围、实时拦截成本和误报代价仍需看全文及实际部署验证。

原文：HazardAuditor: From Executable Threats to Safer Computer-Use Agents

03 机器人 人类交互视频，怎样变成理解、行动和预测的共同训练料？

PhysBrain 1.5先从人类交互视频中构造以任务为中心的片段，将语义和空间上下文与恢复的运动、后续观察配对，再用人类演示、机器人轨迹和模拟经验的混合数据进行监督微调。它把语言回答、末端执行器运动和密集视觉目标编码成三类离散序列，并统一用自回归下一token预测联合优化，让理解、行动和未来状态预测进入同一学习框架。其8B模型在28个具身理解基准上平均得分72.5，并在14项测试中取得开源最佳成绩；不过摘要对动作生成和未来场景预测只给出了定性案例。这种统一表示是否能减少模型拼接与训练目标割裂，是其值得验证的工程假设，而不是已经得到测量支持的结果。真正进入机器人部署前，仍需看控制精度、推理延迟，以及长序列执行中的误差是否会持续累积。

原文：PhysBrain 1.5: From Vision-Language Models to Physical Foundation Models

04 评测 视频理解的评价单位，正从答案变成可执行场景

BVB不再让模型回答几道视频问题，而是要求它编程生成一段可运行、可渲染、可检查的Blender动画，把物体几何、运动轨迹和时间关系一起交付出来。重建结果暴露了感知相似度与时空事实保留率之间的缺口：表现最好的模型拿到88.6的感知相似度，却只保留了原视频中53.7%的时空事实，画面「看起来像」不等于内部关系还原正确。增加推理能改善视觉相似度，却没有补上事实准确性的差距，说明模型更容易复刻观感，而不是生成一致的可执行世界模型。不过，这项评测也混入了Blender编程与成本限制等因素，不能被当作纯粹的视频理解测量；更合理的用法，是把它作为现有问答评测的高压补充。

原文：BVB: Benchmarking Agentic Video Understanding via Programmatic Reconstruction in Blender