漫步者推出花再 Halo PixelBar AI 桌面音箱,支持歌词显示与智能体,售价 699 元
漫步者上架花再 Halo PixelBar AI 桌面音箱,售价 699 元,国补后低至 568 元。 该音箱搭载 52mm 双全频单元,峰值功率 30W,深度绑定豆包大模型与火山引擎,提供 12 种音色。
漫步者上架花再 Halo PixelBar AI 桌面音箱,售价 699 元,国补后低至 568 元。 该音箱搭载 52mm 双全频单元,峰值功率 30W,深度绑定豆包大模型与火山引擎,提供 12 种音色。
EmetInteractive 发布 Hy4 Flash,该模型总参数 224B(含 64B Engram 参数),每 token 仅激活 12B 参数,原生支持多模态与 1M token 上下文,API 定价显著低于 Hy4。
音乐项目 Meomureur 的 AI 生成歌曲《Did You Become the Adult You Dreamed Of?》首次登顶韩国 Melon 平台 Top 100 排行榜。该歌曲于 6 月发布,在发布约五个月后超越 RESCENE 的新单曲《With》获得冠军。这是 AI 辅助歌曲首次在该平台登顶,标志着生成式 AI 在主流流行音乐市场具备竞争力。
MMFlash 用于视觉语言模型的更快投机解码 论文:https://huggingface.co/papers/2611.18482
谷歌新模型 Gemini 4 Carbon (High) 以 1526 分首次登顶 Arena 平台综合榜,与 Gemini 4 Argon (High) 分差仅 4 分。
推荐理由:文章汇总了多平台最新模型表现,读者可据此快速掌握不同赛道头部模型的竞争态势。
苹果于 11 月 15 日宣布启动 Apple Health AI Usage Study,与临床 AI 平台 OpenEvidence 合作,在美国招募最多 20 万名 21 岁及以上用户。
腾讯混元团队正式发布 Hy4 flash 模型,官方称其为迄今性价比最高的 Hy 模型。该模型总参 224B、单 token 激活 12B,支持多模态输入与 100 万 token 上下文,API 价格大幅低于 Hy4。
阿里发布Qwen4-Max,基于新MoE架构并原生支持视觉,拥有1M上下文窗口。该模型在内部评测中比Qwen3.8-Max性能更强且token消耗少约50%,单任务成本降低60%以上。输入价格$1.5/M,输出$4.5/M,隐式缓存$0.075/M,API已在QwenCloud上线,可用于3D建模、软件开发及金融等实际任务。
研究发现,在纵向患者电子健康记录上,RAG混合排序优于全上下文提示,但RAG在纵向推理方面落后。 医学微调模型未带来可测量的性能提升,较小模型表现出更强记忆能力,长程补充笔记有助于生成式问答。 推理模型在LLM正确性指标下提升,但在更严格的参考对齐指标下表现不佳,揭示了对推理适配指标的需求。
视觉语言模型在证据不足时常给出过度自信的确定性回答,难以区分需澄清的歧义问题与可直接回答的明确问题。 研究提出轻量框架AmbiSteer,结合提示词与激活引导,并利用线性分类器预测输入歧义性。该方法将模型正确处理歧义输入的比例从平均59.0%提升至77.0%。
LitArc-Bench 推出 39 段中文文学节选,包含 81 名成人填写的 430 份问卷及 9,020 个 VAD 评分,用于分离模型预测中叙事位置、词汇情感与文本特异性动态的影响。 基准测试显示,仅靠位置预测唤醒度相关系数 r=.470,但模型在文本不变量阴性对照中表现达到随机水平。 该工具明确了文学读者反应中哪些成分可在浅层解释之外被恢复,指出形状、校准与人类变异性需分开评估。
研究团队发布 VariNLI-VE 数据集,包含 2,250 个针对 SNLI 文本及其视觉对应项的重标注结果,涵盖标签、置信度及解释。 数据显示,视觉蕴含任务中人类标注分歧并未如预期般减少,且标注者常保留相同标签但改变解释理由。 评估发现,视觉语言模型在视觉蕴含任务中准确性较低,与人类标签分布一致性较弱,且不确定性高于文本任务。
研究通过视觉流干预揭示多模态大语言模型中的“对齐幻觉”,表明层间视觉-文本相似度无法一致区分受损与原始流。 在13个涵盖0.5B至72B参数、来自五个系列的模型中,以高斯噪声替换投影器输出的视觉token虽显著降低任务准确率,但CKA、SVCCA、MIR及主夹角余弦四项标准标量指标均未有效捕捉该差异。
研究人员发布 UltraBench 2,用于统一评估超声图像分析中的视觉基础模型,涵盖多解剖部位与任务。 该基准强调标准化与可复现性。分析显示,超声专用预训练在分类任务上仍占优势,而通用模型在分割任务上已达到同等水平。 该成果已被 ML4H 2026 会议接收,有助于解决现有评测碎片化问题。
CPGRec+ 通过引入 PER 和 PRG 模块,在两个 Steam 数据集上展现出优于现有技术的准确性和多样性。 该框架利用 LLM 生成游戏与玩家的上下文描述,并调整边权以缓解 GNN 模型中的过平滑问题。 研究发表于 ACM Transactions on Information Systems (TOIS),代码已开源。
该研究提出用2D投影近似3D椎骨掩膜,以识别颈椎骨折。在包含2019名患者的RSNA 2022数据集上,患者级F1分数达82.28%,AUPRC为92.00%。 该方案将2D掩膜反投影并融合为近似3D掩膜,提取CT感兴趣区域。使用2.5D CNN-Transformer模型进行分析,掩膜替换未导致AUPRC显著下降。 研究证实投影掩膜可作为颈椎骨折识别中3D椎骨分割的有效代理。
summary_zh: 研究人员提出 Teleo-Spatial Intelligence 并提出 EscherVerse 数据集,包含 11,328 个真实世界视频。
研究在储层历史匹配中应用 StyleGAN2,证明使用中维 w-space 优于 z-space。 w-space 比纠缠的 z-space 更具线性且解耦,适配 ESMDA 线性更新,生成的样本兼具地质真实性与数据匹配度。 该方法在两个二维案例(分类与连续)中验证有效,优于 VAE-GAN 与 Latent Diffusion。
在冻结少样本提示学习中,自适应门控常因输出趋近常数且梯度信号微弱而失效。研究通过受控实验定位出梯度幅度失衡与门控退化两种主要失败模式。
该综述系统回顾了 59 种生成式方法,覆盖序列生成、骨架生成等六大蛋白质设计任务。 文章阐述了蛋白质表征方式,并讨论了结构约束与功能信息在生成过程中的利用,以及计算和实验评估方法。 作者认为生成式建模的快速进步将使未来能够更可靠地设计更多种类的蛋白质结构与功能。
该研究提出 Alignment Curse 原则,揭示端到端全模态模型中较强的文本-音频模态对齐会促进文本越狱攻击向音频模态的有效迁移。 通过对 Qwen2.5-Omni 和 Qwen3-Omni 等模型的黑色评估发现,经文本迁移的音频攻击效果与直接音频攻击相当或更优,且在纯音频访问场景下优势明显。
针对异构随机变量集合,提出用各组变量在其余变量条件下的联合概率分布来表示模型。这种参数化马尔可夫链核方法通过学习极大化数据似然,适用于广泛的下半任务。 该模型支持半监督学习场景,突破了传统面向特定任务设计模型组件的局限性。 此方法增强了模型在各类下游任务中的通用性和适用性。
提出回归无关框架解决多模态大模型 GUI 定位幻觉,ScreenSpot-Pro 精度提升超 20%。 该方法通过冻结 MLLM 解析指令生成布局描述,再经专用定位模型匹配候选项,仅用 Text/Icon 标签训练避免坐标回归。 Mind2Web 成功率与元素选择率提升超 15%,有效解耦指令理解与定位以优化 GUI 交互。
UMPIRE 是一种无训练的多模态大语言模型(MLLMs)不确定性量化框架,能高效检测错误输出并支持将低可靠性查询升级至人工或更大模型。 该框架受行列式点过程(DPPs)启发,通过计算采样响应的非一致性调整语义体积,结合语义嵌入分散度与响应二次熵,无需外部工具。 实验显示,UMPIRE 在图像、音频和文本视频基准上的错误检测和不确定性校准上优于基线指标,并可推广至非文本输出任务。
新基准 AgenticPay 评估多模态 LLM 在四类商业场景及多种市场拓扑下的自主谈判能力。包含 160 项任务,考察从双边到多边市场的协议达成质量。 最强模型 Gemini 3.1 Pro Preview 的 GlobalScore 仅 42.3/100;市场转向多侧时该分数平均下降 5.7 分。该基准为评估现实商业中的多模态智能体提供了测试平台。
summary_zh: Gamer 是一个面向复杂交互式环境长时程任务的通用智能体框架,结合感知、记忆管理与多步推理。 其架构支持 2D 图形界面与 3D 模拟环境,基于数万小时设备级键鼠交互数据预训练。
StreamEmbed 是一种利用像素冗余实现增量视觉嵌入的系统,在 M2 Pro GPU 上编码速度快至全图编码的 3.7 倍,且不牺牲准确性。 该系统通过空间 token 剪枝和时序 KV 复用减少计算,并辅以小型适配器保持精度;在 ScreenMemEval 基准上,其 Recall@10 比 OCR 索引高 6.3 分。
该综述回顾了 2022 年 12 月至 2026 年 10 月间的 88 项视觉语言动作模型研究,涵盖 22 个模型的设计、训练与部署。 研究发现三个趋势:训练数据规模从 10,000 小时扩展至 20,000 小时,模型参数向 3-7B 及 1B 以下分化,且通用模型开始涌现。 指出部分在基准测试中近乎满分的模型,在环境轻微变化时仍会失效。
该审计发现 TRIBE v2 在保留运动选择性的同时,缺乏对视觉场位置和听觉频率拓扑组织的预测能力。 TRIBE v2 的运动选择性顶点中 22% 位于 MT+,但其频率拓扑梯度缺失,核心皮层最佳频率跨度仅 0.14 个八度。 这一结果表明,依赖特征身份的实验在 TRIBE v2 中可行,但依赖视觉或频率位置编码的实验不适用。
无训练推理框架 EcoVGGT 使用 31 个均匀分布的固定键帧进行 3D 重建,实现了长视频的高效处理。 该框架将固定键帧存储于场景缓存中,其他帧独立读取该缓存,以恒定成本精确复现联合推理结果。 EcoVGGT (π³) 在 1,000 帧 ScanNet 视频上的成功匹配率与 π³ 相同,但速度提升 13.8 倍;VGGT 成功率从 70% 提升至 82%,速度提升 8.5 倍。
AG-JEPA 通过引入解剖学 token 与 patch token 交互,学习阿尔茨海默病相关脑区的特定表征,提升诊断效果。 该模型在 MR-RATE 数据集上,CN/MCI 分类的 AUROC 比最强基线高 8.4 个百分点。衍生模型 Prog-AG-JEPA 在疾病进展预测任务中表现优于所有基线模型。
TelePhysica是一个闭环框架,能从单张照片重建可执行的物理世界并驱动3D交互。在100个场景基准中,其平衡验证的世界恢复率从0%提升至81%。 该框架结合视觉语言编码智能体与统一求解器,通过模拟轨迹条件化视频扩散模型。条件化使动态运动掩码重叠增加2倍至5倍,并在反事实力反转下保持运动方向。
研究提出基于基础模型高维潜表示的统计决策规则,在 Neyman-Pearson 范式下推导线性与二次统计量的大偏差特征。 误差概率和衰减率对形状参数呈现非单调依赖,包括双下降和多下降现象。 在视觉、文本和音频数据集上,理论预测与实证表现高度一致,可实现预设虚警率下的漏检概率精确预测。
研究提出图像定位编辑任务 G-CGEC 及基准 G-CGEC-Eval,基于 K-12 手写作文图像与细粒度标注。 评测采用 IoU 与中心距离匹配指标,对比开源与闭源视觉语言模型。 单轮推理表现较差,基于错误类型的多智能体工作流表现最佳,指出语言错误发现与字符定位是主要瓶颈。
提出基于显式 Constraint Space 的安全感知机器人行为规划框架,存储可复用的文本安全规则,提升桌面环境操作安全性。 采用轻量级 query-conditioned dual-tower 模型识别上下文相关约束,结合多模态行为规划器生成计划,通过 Safety Inspector 校验并纠正。
研究者提出 V-JEPA-LM,将 V-JEPA 世界模型视频编码器与语言模型结合,通过反事实监督使模型读取视频动态而非仅检索文本属性。
论文提出一种无监督领域适应管线,用于解决字符分类与手写文本识别中目标域标注数据匮乏的问题。 管线通过源域预训练、无监督目标域适应及源域风格化微调三步,弥合领域分布差距,且不增加推理开销。 在Safran-MNIST-DLS数据集上取得76.17% Macro F1分数的新SOTA,并在READ 2018数据集上获得具有竞争力的结果。
视听装置 Typhoon 基于康拉德小说,利用 LLM 自反馈生成叙事,并引入新颖的自适应激活引导方法控制长篇生成的节奏与离题现象。该研究探索了文本随时间变得陌生且不可控的过程,展示了 AI 感知可解释性与实际系统失控之间的张力。
summary_zh: 研究人员定义了分层角分离(HAS)几何属性,解释 CLIP 嵌入中分层概念结构形成的原因。实验表明图像嵌入在随机初始化即近似满足 HAS,而文本嵌入需经对比学习后才满足。
RAWATTA 提出免训练的注意力近似方法,通过 8-bit 精度运行及保留关键层 16-bit 精度加速多视角 3D Transformer。 在 12 GB GPU 处理 50 张图片时,RAWATTA 运行 VGGT 的速度快于官方代码,且姿态精度损失不超过 AUC@3 约 1 分。 该方法使模型在显存不足 100 张图时能处理 200 张图片。