Active

§ 01综述

Active 在人工智能领域通常指主动学习或主动感知，即通过智能选择最有价值的数据或动作来优化模型性能或机器人行为，从而减少冗余、提升效率。近期多项研究围绕 Active 策略展开，涵盖大模型排名、机器人导航、资源分配等方向。

Active 近期进展

2026年7月（arXiv 2607.02104v1），一篇论文提出 Bias-Aware Bayesian Active Top-k Ranking，利用大语言模型作为评委，主动选择最有信息量的对比对，减少排名中的偏差。Bias-Aware Bayesian Active Top-k Ranking with LLM Judges

2026年7月（arXiv 2605.18197v1），RGB-only Active 3D Scene Graph Generation 研究针对室内移动机器人，仅凭RGB图像主动构建场景图，提升导航中的环境理解效率。RGB-only Active 3D Scene Graph Generation for Indoor Mobile Robots

2026年7月（arXiv 2607.02196v1），连续随机消耗在线资源分配论文探讨退化情况下的遗憾界，涉及主动分配策略以优化长期收益。连续随机消耗在线资源分配：退化情况下的遗憾

近日，腾讯混元 Hy3 模型在 SiliconFlow 平台上线，前两周免费开放，为开发者提供高性能文本生成能力，体现 AI 服务的主动开放动态。腾讯混元 Hy3 上线 SiliconFlow，前两周免费开放

当前焦点与观察点

当前 Active 研究焦点集中在如何平衡探索与利用、处理偏差以及降低计算成本。Bias-Aware Bayesian Active Top-k Ranking 针对大模型评委的固有偏见提出主动校准方法；RGB-only Active 3D Scene Graph 则解决机器人仅依赖视觉传感器的主动感知问题。此外，在线资源分配中的 Active 策略强调在信息不完全时做出高效决策。同时，腾讯等厂商通过免费开放模型，主动降低用户使用门槛，推动产业应用。未来挑战包括扩展 Active 方法到大模型训练、多模态场景以及真实机器人部署中的实时性要求。

§ 02相关报道10 条在档

§ 03邻近话题