工程实践

具身智能领域有个长期隐痛：机器人需要理解"动作"，但高质量的动作数据极度稀缺。于是大家把目光投向 YouTube 上海量的人类操作视频——做饭、组装、打扫，这些视频里藏着丰富的动作语义。问题是，从这些"旁观视角"的视频里学到的表征，到底能不能迁移到机器人的控制上？LARYBench 第一次给出了系统化的答案，而且结论出乎意料：通用视觉模型的动作表征，在...

当仓库里超过九成代码由 AI 生成，决定系统走向的不再是"谁写得更快"，而是"谁能约束 AI 的输出"。没有统一规范，AI 只会成倍放大混乱——命名不一致、架构漂移、重复抽象层层叠加，技术债不是线性增长，而是指数膨胀。 我们用 31 万行代码的重构实践验证了一个思路：把 Agent 评测的方法论搬到 AI Coding 管理上，通过技术债盘点、Rule...

数字人视频生成这两年进展很快，但真正拿去做商业项目的人都知道——demo 里那个口型精准、动作流畅的虚拟主播，一旦放到真实业务场景里，唇形漂移、肢体穿模、长视频崩帧这些问题会集中爆发。LongCat-Video-Avatar 1.5 这次开源，核心信号不是"我们又刷了榜单"，而是把从 SOTA 到可用之间的那几道硬坎，逐个填上了。 唇形同步是数字人视频...

大模型推理能力的评测一直是个棘手问题——现有基准要么题目太老被"刷穿"，要么覆盖面窄、难以反映真实推理水平。美团 LongCat 团队刚开源的 General 365 试图填补这个空白：365 道题、覆盖多领域、强调推理链而非知识记忆。实测结果相当扎眼——26 款主流模型里，目前得分最高的 Gemini 3 Pro 也只有 62.8%，大多数模型连 6...