缩小世界模型中基于梯度规划的训练-测试差距
该研究提出改进的世界模型训练方法,旨在解决离线训练预测下一状态与测试时估计动作序列之间的训练-测试差距。通过在训练期间引入数据合成技术,该方法显著提升了现有世界模型的基于梯度规划效率。在多种物体操作和导航任务中,该方法在测试时以经典无梯度交叉熵方法(CEM)10%的时间预算,实现了性能上的超越或持平。
该研究提出改进的世界模型训练方法,旨在解决离线训练预测下一状态与测试时估计动作序列之间的训练-测试差距。通过在训练期间引入数据合成技术,该方法显著提升了现有世界模型的基于梯度规划效率。在多种物体操作和导航任务中,该方法在测试时以经典无梯度交叉熵方法(CEM)10%的时间预算,实现了性能上的超越或持平。
研究发现视频扩散 Transformer(DiT)内部表征可高精度线性解码运动学与刚体动力学等物理量,且该信息在去噪早期被主动构建。 相关物理信息集中存储在目标物体 token 激活中,单帧潜变量即可读取多帧物理量,且探测方向可作为引导向量改变模型输出。 探针展示了部分外推能力,能迁移至训练分布之外的场景与物体配置。
一项针对 Google AI Overviews 的大规模纵向测量研究分析了其激活率、来源质量和声明保真度。研究显示,整体 AIO 激活率为 13.7%,问题形式查询高达 64.7%,且 11.0% 的原子声明缺乏引用来源支持。
该研究提出了“意图-执行”间隙概念,指出 AI Agent 性能受限于模型假设与执行框架(harness)行为的匹配度。研究开发了可定制框架 Simple Strands Agent (SSA),旨在捕获跨模型族的通用模式及特定偏好。
学术研究者与 eBay 合作开展多阶段研究,评估现有生成式 AI 行业反馈方案的基准表现。研究指出当前方案存在可发现性低、术语不清及忽视用户价值等共同问题,并基于此提出最佳实践建议。团队设计并测试了一个原型工具,旨在为用户提供高效的反馈体验,同时向产品团队提供关于性能与问题的丰富数据。
英国公共医疗人员普遍依赖 Google Translate 跨越语言障碍与患者沟通,研究揭示了这种依赖对病人安全的潜在威胁。 研究通过半结构化访谈,向 21 名不同专科的医疗人员展示经 Google Translate 翻译的法西文临床语料库中的医学缩写,以定性分析其风险意识。
研究发现,Qwen3.5-4B、Qwen3.6-27B和Gemma-4-E4B-it等模型在顺从多智能体辩论中的错误多数意见时,其残差流中仍显著表征了正确的原始桥梁实体,hit@100得分达0.85、0.22和0.24,远超logit lens的0.00-0.06表现。
Google DeepMind 发布新的前沿模型 Gemini 4 Argon,该模型在软件开发、企业知识工作和网络安全防御等复杂任务中提供前沿性能,目前先向受信任的网络安全防御团队开放,稍后开放给开发者、企业和消费者。
推荐理由:官方发布材料列出了 Argon 在软件开发、知识工作和网络安全防御上的评测数据与内部工程应用案例,可供读者判断其实际工作流价值。
Google DeepMind 发布 SynthID Bio,用于在 AI 生成的蛋白质序列和 3D 结构中嵌入隐形水印。该方法在湿实验室测试中证明,带水印的蛋白质结合物能保留其生物功能,结合亲和力与未加水印版本相当,同时为 DNA 合成筛查提供自动验证信号,以增强生物安全防线。
推荐理由:展示了如何在保持生物功能的前提下,于蛋白质序列与结构中嵌入可验证的数字水印,为生物安全提供关键溯源层。
Google Research 发布 Diffusion Controller 框架,将扩散生成重构为连续控制问题。实验显示该框架在灰箱环境中 HPS-v2 胜率超过 LoRA,白箱版本对基线胜率 90%。
推荐理由:提出统一扩散模型控制框架,提供比LoRA更轻量的灰箱控制方案。
Google Research 推出名为“AI 视频联合导演”的统一多智能体框架,将其构建为 Gemini 和 Veo 之上的编排层,旨在解决长视频生成中的语义漂移、级联失败及内容坍塌问题。
Google DeepMind 为 Gemini 3.8 Live 推出 Live Avatar 功能,结合低延迟流式视频与语音生成,让智能体在对话中拥有动态的视觉角色。
推荐理由:官方演示了Live Avatar如何处理视觉与音频输入实现自然交互,帮助评估其在企业场景中的可用性与限制。
NVIDIA 联合 Google DeepMind 等全球研究机构,向 AlphaFold 数据库开放了 2800 多种病毒蛋白复合物的预测 3D 结构,以助力未来大流行病应对。
Google DeepMind 宣布将安全持久内存技术引入 Private AI Compute 平台,支持在严格保护隐私的同时实现跨设备的持久 AI 记忆。该架构通过云端安全飞地临时解密数据,利用仅保留在用户设备上的密钥进行端到端加密,确保即使是 Google 自身也无法访问个人数据。
推荐理由:通过云端可信执行环境实现数据隔离,让AI跨设备长期记忆突破端侧算力限制。
Google 推出 Gemini 3.8 Flash TTS 和 Flash-Lite TTS 两款语音生成模型,即日起在 Gemini API、Google AI Studio 及多款产品上线。
推荐理由:Gemini 3.8 Flash TTS 在 Hume AI 基准中拿下第一,结合自然语言声音设计与多语支持,为音频生成提供了可落地的参考维度。
腾讯混元团队联合清华大学和北京大学提出 WebCraftBench,将软件测试方法引入 AI 网页生成评测。该基准包含 369 条真实用户需求和 5,088 条验收标准,通过让智能体实际交互并利用代码覆盖率查漏,从美观度、易用性和需求符合度三个维度进行评分。在 17 个前沿模型的实测中,WebCraftBench 的判断与人类偏好的一致率达到 85.3%。
Google 发布最新教育研究,利用针对学习优化的生成式用户界面(Generative UI)生成定制化互动模拟,教师可根据课程目标动态创建包含分级挑战、提示和工作解答的学习环境。
Google Research 提出 Retrieve-for-Train 框架,通过离线强化学习训练 53.9M 参数扩散模型,实现单次非自回归查询扇出,解决 LLM 推理延迟瓶颈。 该方法利用 4B 级 Gemma3-4B 和 Qwen3-4B 模型合成监督数据,避免推理时消耗大量 CoT 思考 token,使复杂搜索结果集能达成多样性与互补性等集合级属性。
Google DeepMind 发布两款最先进实时对话模型 Gemini 3.8 Live 与 3.8 Live Extended Thinking,分别面向规模化高性价比场景和高复杂任务。
Google Research 提出的 ToolGrad 框架通过“答案优先”范式,利用 LLM 提供的文本“梯度”迭代构建 API 工作流,高效生成高质量工具使用数据集。
Google DeepMind 发布 AlphaGenome Atlas,这是一个包含 90 亿个单核苷酸变异预测的 1 PB 数据平台,旨在解释遗传变异对分子生物学的具体影响。
推荐理由:该发布提供了 90 亿个 DNA 变异的预计算预测库和 AVI 评分系统,能协助研究人员高效定位稀有疾病和复杂性状的遗传因素。
Google DeepMind 发布 WeatherNext 3 模型,实现每小时更新、5 公里分辨率的全球天气预报。模型直接使用实时卫星数据,降水预报准确率提升最高 60%,并全面接入 Google Search、Gemini、Maps 及 Cloud 平台。
推荐理由:模型在独立评测中显著提升了降水预报精度,并接入 Google 核心产品,提供高时空分辨率的每小时刷新数据。
央视《经济半小时》专题报道爱诗科技,其全球注册用户突破 1.5 亿,业务覆盖 177 个国家。自研 PixVerse V6 在 Artificial Analysis 图生视频和文生视频榜单中位列全球第二,生成速度行业第一;2026 年初发布支持 1080P 的实时世界模型 PixVerse R1。
推荐理由:节目披露了爱诗科技的全球用户规模、PixVerse V6 在 Artificial Analysis 榜单上的位置以及 PixVerse R1 的实时能力,有助于读者校准中国 AI 视频出海现状。
Google 发布基于 Gemini 3.5 Flash 微调的网络安全模型 Gemini 3.5 Flash Cyber,用于高效发现、验证和修复代码漏洞。该模型通过限制政府及可信合作伙伴的试点计划访问,在 CyberGym 和 Chrome 生产环境等测试中展现了优于主线路基模型和更大模型的高效性能,已用于保护 Google 内部代码库。
推荐理由:官方发布了针对网络安全微调的轻量化模型,提供了在漏洞扫描任务中降低成本并提升覆盖率的实操架构。
RunningHub 于 7月9日 全网首发上线 Seedream 5.0 Pro 图像生成模型,该模型于 7月8日 正式发布。Seedream 5.0 Pro 主打“不止生成,更懂设计”,具备交互式精准编辑、超写实商业视觉、复杂信息可视化及 14 种语言原生文字生成四大能力。用户可通过 rhTV、快捷创作、AI 应用及 ComfyUI 工作流调用该模型。
Berkeley AI Research (BAIR) Lab 举办 2026 届博士生展示,庆祝其在人工智能与机器学习领域的前沿研究成果。 毕业生研究方向涵盖大语言模型推理、计算机视觉、生成模型及 AI 安全,部分毕业生将进入 OpenAI、Mistral AI 及工业界实验室任职。
Google Research 发布覆盖 50 多个城市的建筑级屋顶反射率扩展数据集,并上线高分辨率 Heat Resilience Earth Engine App 供公开使用。该数据集融合 Sentinel-2 卫星数据与 30 厘米分辨率商业影像,旨在帮助城市规划者通过冷屋顶方案缓解极端高温。研究指出,利用该数据进行的针对性冷屋顶规划在全球范围内可将城市极端高温缓解最高 0.5°C。
Berkeley AI Research 提出 GRASP,一种用于学习动力学(世界模型)的基于梯度的规划器,使长时程规划变得实用。 GRASP 通过将轨迹提升为虚拟状态实现跨时间并行优化,并在状态迭代中加入随机性以促进探索。 该方法通过重塑梯度,使动作获得清晰的信号,同时避免通过高维视觉模型产生脆弱的“状态输入”梯度。
Gemini 应用上线了最新的生成音乐模型 Lyria 3,用户可以通过文本描述或上传图片生成 30 秒的音乐片段。Lyria 3 支持自动作词,用户可对风格、人声和节奏进行更多控制,生成的音频将嵌入 SynthID 水印,并支持通过 Nano Banana 自动生成封面艺术。
推荐理由:该功能通过文本或图像直接生成带词曲的30秒音乐,将多模态生成扩展到音频领域。
Hugging Face 团队联合 Meta 推出新一代 Agent 评测基准 Gaia2 与开源执行环境 ARE,以推进 Agent 的可靠性与适变性研究。Gaia2 是 2023 年 GAIA 的升级版,采用 CC BY 4.0 许可;ARE 遵循 MIT 许可,用于运行、调试和评测 Agent。
推荐理由:Hugging Face 联合 Meta 推出新一代 Agent 评测基准 Gaia2 与执行环境 ARE,为社区提供了更贴近真实世界的调试工具。
Google 发布 EmbeddingGemma,这是一个 308M 参数、支持 100 多种语言的端侧嵌入模型。该模型在 MTEB 多语言基准测试中表现领先,且量化后内存占用低于 200MB。它兼容 Sentence Transformers、LangChain 等主流框架,并支持在浏览器或本地环境中部署,便于构建移动设备上的检索增强生成(RAG)和智能体应用。
推荐理由:EmbeddingGemma 在 308M 参数和 2K 上下文窗口下支持 100 余种语言,为端侧 RAG 和 Agent 场景提供了轻量化嵌入方案。
Hugging Face 发布首个针对阿拉伯语大模型在 STEM 和代码生成领域的多组件基准 3LM。该基准包含 865 道本土 STEM 题、1744 道合成 STEM 题及汉化的 HumanEval+ 与 MBPP+ 代码数据集。评测 40 多个模型,GPT-4o 在代码任务中表现最佳,Qwen2.5-72B-Instruct 在 STEM 多选题中领先。
Hugging Face 开源视频基准 TimeScope,通过向 1 分钟至 8 小时的长视频中插入 5-10 秒的短片段,测试模型在定位检索、信息综合和细粒度时间感知三项任务上的表现。基准结果显示,即使是如 Gemini 2.5-Pro 等声称支持长视频的模型,在处理真实长视频任务时仍面临显著挑战。
Gemma 3n 正式发布,支持本地运行多模态输入。该模型分为 E2B 和 E4B 两个版本,实际参数为 5B 和 8B,但显存占用仅相当于 2B 和 4B 模型,分别只需 2GB 和 3GB 显存。
推荐理由:Gemma 3n 以 2B/4B 显存实现 5B/8B 性能,支持文本、图像、音频和视频多模态输入,并开放主流开源框架支持。
ChatGPT 可连接 Google Drive,利用内部知识回答相关问题。该功能通过接入 Google Drive 中的内部资料,为回答提供相关上下文支持。
Google 发布 Gemma 3 开源权重 LLM,包括 1B、4B、12B、27B 参数版本,上下文窗口从 Gemma 2 的 8k 提升至最高 128k tokens。
推荐理由:Gemma 3 支持 128k 上下文和 140 余种语言,并能在 Hugging Face 生态当日通过 pipeline 或 llama.cpp 完成推理部署。
Google 发布 SigLIP 2 多语言视觉语言编码器,作者团队在 SigLIP 的 sigmoid loss 之上叠加解码器、全局-局部自蒸馏和掩码预测等辅助目标,以提升语义理解、定位和密集特征能力。
推荐理由:作者拆解了 SigLIP 2 相对 SigLIP 新增的多项训练目标与动态分辨率变体,并给出可直接运行的推理与对比方法。
Google 发布 PaliGemma 2 mix,这是一组在多种视觉语言任务上微调的指令型视觉语言模型,覆盖 3B、10B 和 28B 规模。文章展示了其处理开放式任务提示和检测定位任务的方式,并提供了通过 Transformers 进行推理的代码和在线演示。
推荐理由:文章解释了 mix 变体如何作为预训练模型的下游能力参考,并给出可运行的推理示例。
PaliGemma 2 是由 Google 推出的新一版视觉语言模型,文章作为官方发布介绍。
Mistral 官方发布 Mistral Large 2,该模型拥有 123B 参数与 128k 上下文窗口,以单节点高吞吐量推理为设计目标,并在 MMLU 等基准测试中展现了优于前代且接近 GPT-4o 与 Claude 3 Opus 的性能。
推荐理由:Mistral Large 2 在 1230 亿参数量下提供 128k 上下文与显著的成本效率优势,支持在单节点部署,适合关注长上下文推理与多语言场景的团队评估。