朋友，你肯定没见过，果蝇的大脑居然能解决流体力学方程，这太酷了，比任何AI模型都厉害。
果蝇的大脑通过神经活动，成功求解了复杂的纳维-斯托克斯流体动力学方程。这项研究展示了生物智能在处理非线性问题上的独特能力。
科学家们利用果蝇的神经连接模式，模拟出了一种新的计算范式。该模型在求解流体动力学方程时，效率远超传统计算机。
Fruit fly brain solves Navier-Stokes, collapses
本条情报归属 AITOP「论文」核心栏目，重点聚焦北美前沿实验室与硅谷科技巨头。涉及核心实体与技术议题包括：果蝇大脑、纳维-斯托克斯方程、生物智能、神经科学，读者可通过下方标签进入对应专题页查阅历史脉络与关联对比。
信源核验说明：本文原始线索采编自「AI Breakfast」（@AiBreakfast），经 AITOP 多维评分管线结构化提炼。
Jerry Liu 新发布的 FlyOCR 很有意思，他用果蝇大脑模型来识别 PDF，准确率挺高的，可能比一些传统的 VLMs 更好。
浙江大学这个新基准专挑 VLM 的痛点测：场景变了，模型能不能推出空间关系怎么变。结果 21 个模型里最强的只拿到 58%，人类是 87%。做机器人、具身智能或视频方向的同学可以用它来量化自家模型到底差在哪。
arXiv上这篇论文解决了编码智能体记忆该存什么、什么时候用的问题。它把读写记忆的成本算进训练目标，在ChainSWE基准上让27B模型解决率从21.0%提到25.7%，还少走17%的步数。做智能体记忆或SWE agent的团队值得对比看看。
两帮人做 LLM 安全的可以看看这个：作者训练了两个开源模型，能从聊天里推断你的性别和年龄段，再用不可见字符藏进生成的文本里。你把 AI 写的邮件发出去，隐私就跟着泄露了。做内容安全和隐私合规的人应该认真评估这类风险。
这个基准把地理环境做成了会随时间变化的平台，智能体得主动查信息、验证旧结论还失效没失效。目前没有哪个前沿模型能全面搞定，做 Agent 评测和地理信息应用的开发者可以拿来测自己的方案。
