跳到正文
11月14日周六
  1. 36氪67

    MiniMax H3-Image实测:狂卷字节、OpenAI,生图速度最快但复杂任务仍翻车

    MiniMax于11月10日开放H3-Image模型权重,主打10秒出图且价格仅为同档主流工具的50%-70%,与同期发布的OpenAI GPT Image 2.6和字节Seedream 5.5展开竞争。

    推荐理由:文章通过实测对比三家生图模型的速度与画质,指出MiniMax在低价开源策略上寻找突破,但能否解决复杂任务一次改对仍是关键。

  2. R/ArtificialInteligence43

    52分钟纪录片:聊天机器人是否具备元认知?从苏格拉底到海豚再到AI

    创作者通过测试开源AI模型在600道常识题上的表现,探讨其是否具备元认知。 模型在75%的情况下自信回答“100%确定”,但其中四分之一是错误答案;通过分析内部信号可更准确预测错误。 核心观点是AI实际认知超越其表面表达,建议在新对话中重复提问以验证答案一致性。

11月13日周五
  1. IT之家91

    DeepSeek 开放全家桶应用 API,支持 1:1 复刻 App 并开源 Demo

    DeepSeek 宣布开放全家桶应用 API,开发者在原有 API 中开启参数即可使用深度思考搜索、文件输入及联网抓取功能,实现与完整 DeepSeek App 一致的能力。官方同时提供了独立的搜索、OCR、ASR 及 TTS 接口,并开源了支持导入历史对话的轻量前端 Demo。使用相关扩展功能需额外支付调用费用,其中文字与图片搜索、网页抓取均定价为 5 元/千次。

    推荐理由:DeepSeek 开放了包含深度思考搜索、多模态输入及底层语音接口的全家桶 API,并提供前端 Demo 与详细计费标准。

  2. 量子位85

    无界前沿开源生物信息大模型 Fx-Bio-1031

    无界前沿正式开源生物信息大模型 Fx-Bio-1031,该模型在 Anthropic BioMysteryBench 困难子集上取得 70.59% 的 Pass@5,领先 GPT-6-Astra 和 Claude Opus-5。模型采用 125B 总参数量的 MoE 架构,支持 512K 上下文窗口,允许本地私有化部署以满足数据安全需求。

    推荐理由:原文详细展示了开源模型在高难基准上的具体性能对比及五个实际落地场景,为评估私有化部署可行性提供了量化依据。

  3. IT之家33

    我国科学家提出肺结节 AI 辅助诊断新方法:模拟医生看片子流程,判断更准确

    科研团队提出基于胸部 CT 的 M³Net 肺结节 AI 诊断新方法,模拟医生读片逻辑,提升判断准确性。 模型采用宏观-介观-微观三层 3D 网络结构,通过跨尺度特征对齐与层级交叉注意力机制,在 LIDC-IDRI 和 USTC-FHLN 数据集上优于 12 种流行算法。 该方法参数量与运算成本更低,对边界模糊的疑难结节鉴别优势明显,增强了模型的可解释性。

  4. IT之家35

    语飞国际中文教育垂直大模型亮相

    2026 世界中文大会在北京开幕,会上发布语飞国际中文教育垂直大模型,为全球中文学习者、教师和教育机构提供智能化服务。 该模型面向学习者提供即时反馈评测与个性化辅导,面向教师生成涵盖课前、课中、课后环节的教学素材,并面向教育机构提供标准化接口。 这一发布将人工智能技术与国际中文教育实际需求结合,助力该领域数智化发展。

  5. arXiv · AI31

    AerialVP:通过增强任务提示指导视觉语言模型的无人机图像感知

    研究提出 AerialVP,一种无需训练的代理框架,通过动态增强任务提示而非微调参数来改进 VLM 的无人机图像目标识别与定位。 该框架利用 LLM 协调提示分析、视觉信息提取和融合模块,引入图像语义、空间位置和物体关系线索,并构建了统一基准 AerialSense 用于系统评估。 实验表明 AerialVP 在多个无人机视觉任务上取得一致提升,性能媲美基于 LoRA 的指令微调方法。

  6. arXiv · AI21

    FACE:用于跨被试 EEG 情绪识别的少样本跨视图融合适配器

    FACE 提出跨视图融合模块与少样本适配器,实现跨被试 EEG 情绪识别,通过动态融合全局脑连接与局部模式提供互补情感信息。 在三个公开基准上验证,通过元学习增强适配器结构以快速适配未见被试并减少灾难性过拟合。 该方法有效应对被试间差异及少样本下的过拟合挑战。

  7. arXiv · AI23

    AgriSense:虚拟温室中的视觉-语言决策支持与机器人干预框架

    该框架结合 Isaac Sim 虚拟温室与四足移动机械臂,支持环境调控与植物干预。 使用冻结的 DINOv2 和 BERT 编码器,全模型在温度、湿度和土壤水分预测上分别达到 0.249℃、2.030 个百分点和 0.997 个百分点的 MAE。 导航轨迹误差为 5.22-17.32 mm,32/40 个机械臂目标通过几何验收,但未在真实温室验证。

  8. arXiv · AI34

    三元组增量训练框架:将通用 VLM 转化为多功能驾驶 VLM

    三元组增量训练框架通过非侵入式方法,在保留通用 VLM 开放世界能力的同时注入 3D 几何感知,无需修改架构。 框架利用 (图像, 深度, QA 对) 三元组进行三流训练:主 VLM 流适配驾驶任务,辅助深度流隐式想象 3D 几何,冻结孪生 VLM 流通过 logit 级 KL 蒸馏防止语义漂移;部署时丢弃深度流,实现零推理开销。

  9. arXiv · AI23

    MusicRWKV:基于 RWKV 的多模态音乐表示学习框架

    提出 MusicRWKV 框架,基于 RWKV 架构联合建模波形、频谱图和元数据,解决长时音乐建模中 Transformer 架构的高计算内存开销。 引入可逆压缩模块降低序列长度并保留重构能力,采用基于 FiLM 的条件策略实现模态感知表示学习,避免昂贵的交叉注意力操作。 实验评估显示该架构在多种音乐信息检索(MIR)基准上有效,Soft ROSA 作为可微检索机制提升了验证性能。

  10. arXiv · AI24

    PhysCapBench: 首个跨领域物理基础视频字幕基准测试

    PhysCapBench 是一个统一评估视频物理字幕的基准,涵盖第三人称、第一人称及手持机械臂三大场景。它包含 1,500 条人工验证的视频序列,并从七个物理维度进行准确率与覆盖率评估。在下游任务中,物理字幕使视频重建的 LPIPS 降低 8.6-30.9%,并显著提升了操作策略的成功率。该基准为训练数据优化提供了跨领域的评估基础。

  11. arXiv · AI20

    研究探索脑内皮层锥体柱作为 Transformer 注意力头生物构型的可行性

    该 arXiv 论文提出假设,后颞语言区(PTLRs)中合适组织的皮层锥体柱群可构成 neuromorphic 机械实现的 Transformer 注意力头的生物构型。 分析表明,皮层锥体柱间的信号传递与调制机制可支持注意力头的功能架构,无需复现标准数学实例化。 是否真实存在该功能架构仍为未解的经验性问题。

  12. arXiv · AI33

    Iris-Z:单一生成模型在几何任务上超越专用模型

    Iris-Z 是一个通用图像生成器,结合外观与几何生成,单一骨干网络同时处理深度估计、生成和渲染任务。在足够规模下,它超越了现有深度基准的专用模型 SOTA,同时保留原始生成能力。 该模型无需专用层,统一处理单目几何任务,打破了专用架构长期主导该领域的局面。 作者发布两个模型供社区使用,验证了“苦涩教训”在视觉智能领域的适用性。

  13. arXiv · AI24

    RUMI:匹配 Robotiq 2F-85 的 AR 力反馈通用操作接口

    研究团队提出 RUMI 手持接口,专为匹配 Robotiq 2F-85 机器人夹爪设计,支持接触前输入与接触后力测量。 通过 VR 头显提供实时 AR 运动学可行性反馈,并引入触觉反馈机制支持力感知遥操作。 用户研究显示,结合实时可视化与姿态初始化后,关节限位违规集数从 16/50 降至 3/50。

  14. arXiv · AI33

    PriorSplit: 基于 on-policy self-distillation 的自我进化 VLM 智能体外部记忆方法

    研究提出 PriorSplit 方法,用于解决视觉语言模型在缺失关键帧时依赖存储顺序的问题,在 Qwen3-VL-4B 等五个模型上验证有效。 PriorSplit 利用模型外部的顺序计数,当关键帧缺失或顺序异常时辅助作答,性能优于其他内部化方法。 该方法在保持 OPSD 训练成本的同时,显著提升了模型在合成技能及烹饪、第一视角等真实任务中的鲁棒性。

  15. arXiv · AI24

    MemInStream:重新审视流式视频记忆评估

    针对现有基准无法区分理解失败与记忆缺失的问题,MemInStream 提出用于评估流式视频记忆能力的基准。 该基准通过证据控制协议关联时间定位证据区间,确保问题需依赖历史记忆而非近期观察或语言先验才能解决。 其涵盖事件检索、状态跟踪、多证据整合及上下文记忆四大类别,提供系统化的记忆评估方案。