Amazon 推出 AI 安全无人机与机器人,Ring 摄像头迈向移动化
Amazon 发布了支持 AI 的安全无人机和机器人,并推动 Ring 摄像头从固定监测转向移动化。 Ring Robotics 系列漫游设备计划于 2026 年底至 2027 年初正式面世。
Amazon 发布了支持 AI 的安全无人机和机器人,并推动 Ring 摄像头从固定监测转向移动化。 Ring Robotics 系列漫游设备计划于 2026 年底至 2027 年初正式面世。
谷歌 11 月 10 日正式开放 Gemini 4 Carbon,通过 Gemini API、Google AI Studio 向付费开发者、企业和消费者提供,并逐步进入 Google AI Ultra 订阅、Google Antigravity 和搜索 AI 模式。
Anthropic 开始推出 Claude Whiteboards(白板)、Claude Sheets(表格)和 Claude Data(原 Claude Dashboards),三项产品面向所有付费计划,支持网页、桌面和移动端,其中 Whiteboards 与 Sheets 处于测试阶段,Claude Data 已正式上线。
谷歌联合 Artificial Analysis 推出多模态知识智能体基准测试 MKA,用于评估 AI 智能体处理视觉复杂文件并处理现实知识任务的能力。该测试包含 200 项任务,覆盖 10 个行业和 83 种职业,由领域专家协助建立。在评测中,谷歌最新发布的 Gemini 4 Carbon 模型在质量上获得第二,其完成这些任务的平均成本仅为排名第一的模型约六分之一。
Simon Willison 评测了最新开放的 Google Gemini 4 Carbon,指出其发布价格为 $2/M input 和 $10/M output,并计划于 12 月 1 日翻倍。
作者利用 48 个 AI Agent 分析约 1,200 平方公里的 NASA LiDAR 数据,在 72 小时内发现一处位于墨西哥悬崖边缘、具备广场与金字塔特征的疑似玛雅城市中心。该地点未登记在墨西哥国家人类学与历史研究所(INAH)的档案中,INAH 已正式回复确认无相关记录,作者表示若 INAH 授权实地勘测将跟进更新。
开源模型 Strands Decider 2B 发布,通过固定答案选项和概率输出实现无需训练的图像理解。在安防摄像头测试中,模型无需微调即达 85.2% 准确率,性能接近 Bedrock 视觉 LLM。该模型单次推理支持多问题解答,自部署成本在 3 帧/秒吞吐量下低于云端 LLM 调用,适合作为固定格式视觉任务的成本优化方案。
Anthropic 9 月报告 5 起用户利用 Claude 支持生物武器开发的案例。 案例涉及蚊媒病毒 gain-of-function 研究提案及帮助禽流感感染哺乳动物的实验规划。 由于工具既可设计疫苗也可优化病原体,仅凭表面合法科研意图难以识别恶意目的。
Nvidia 发布研究报告,推出机器人模型 GR00T 2。该模型利用扩散模型预测未来画面,让机器人能直接学习人类视频中的动作。测试中,机器人学会了切香蕉、钉钉子等任务,在装配任务中成功率达到 97%。
Google 的 Gemini Intelligence 扩展至 motorola signature 27 和 Pixel 10 系列,并推出 Rambler、任务自动化、Create My Widget、Device Assistance 及 Android Auto 主动建议等功能。
亚马逊旗下Ring宣布成立Ring Robotics部门,推出两款自主安防设备:家用无人机和商用巡逻机器人。Ring Drone Cam能自主巡检全屋,触发警报时飞行至异常位置,支持2K视频和夜间LED照明,通过Alexa控制并支持定时巡逻,2026年1月27日发售售价$270。
Claude Fable 5.2 在低层神经网络操作表现上几乎复现 GPT-6 Astra 的所有定性结果,两者能力相当。 具体而言,Fable 5.2 更擅长从头编写网络,但读取权重能力稍弱且过度自信,例如在确定 Transformer 语料库上得分为 3/6,低于 GPT-6 Astra 的 6/6。
作者通过厨房置物架设计与机器人构建实验,揭示 AI 在物理世界任务中的局限。 AI 无法推理物理空间约束,常基于训练权重猜测成本而非实时查询,且推荐材料时忽视地域差异。 在机器人项目中,AI 擅长快速起步但难以编写生产级系统,常因盲目追求简单修复而忽略架构基础。
Google DeepMind 正式向开发者、企业、科学家及消费者开放 Gemini 4 Carbon 模型。该模型在网络安全能力、长程代理工作流及复杂知识工作领域表现前沿,输入价格 2 美元/百万 token,输出 10 美元/百万 token。模型在 CursorBench 4.0 等基准中排名第一,支持多模态知识代理及 3D 设计等任务,并强化了安全性与对齐机制。
推荐理由:官方给出了价格与性能对比,读者可判断它在长程代理任务与网络安全场景中的优势。
Google DeepMind 发布了 Gemini Robotics 2.5 模型及开源安全基准 ASIMOV-jailbreak,旨在支持机器人与人类协同工作。在超过 200 项任务的评估中,新版本在夹取食物和使用移液器等高灵巧性操作上表现显著,并实现了为 Apptronik Apollo 2 机器人打蝴蝶结的功能。部分机器人已在梅赛德斯-奔驰工厂完成实际工作。
Anthropic 发布 Claude Fable 5.2 和 Mythos 5.2,具备更快的生成速度和更低的价格,并在编码、推理和视觉能力上有所提升。Meta 推出小型推理模型 Muse Ember,主要用于工具调用和文档解析,宣称性能对标 Claude Haiku 5.5。Google 发布 TPU 8i Max 以支持长上下文窗口,以及用于安全推理的 TPU 8tx。
作者收集 2016 至 2026 年 Hacker News 上约 800 条“AI 能行我就信”的言论并发起投票,结果超 10 万人参与。编码、文本生成等任务被多数人认可已达成,物理世界任务(如机器人)及科学原创突破仍未达到预期。
Google 在 Adobe MAX 上宣布扩展与 Adobe 的合作,将 Adobe 创意与生产力工具直接嵌入 Google Drive、Gmail 等日常应用中,同时把 Google 前沿 AI 模型引入 Adobe 应用。
Kora Systems 发布基于 Linux 的桌面操作系统 Kora,预计 2027 年上线,支持 Intel、AMD 及 Snapdragon 芯片。 该系统将 AI 模型和自主智能体直接集成到计算体验中,支持跨应用操作、文件访问及任务间上下文保留,开发团队利用 AI 编码工具将效率提升至少五倍。 目标用户为重度 AI 使用者,Kora 旨在提供本地与云结合的 AI 任务处理能力。
Spotify 宣布 AI DJ 功能更新,新增 7 种英语和 2 种西班牙语音色,提供个性化性格选择,并允许用户减少歌曲间的解说干扰。 更新覆盖 95 个市场,现有 94M Premium 听众使用 AI DJ;新音色取代原有的“Livi”角色。 该功能旨在满足用户在聚会等场景下仅需背景音乐、无需语音交互的需求。
Adobe 在 Max 大会上推出多项 AI 更新,旨在简化设计编辑流程。Premiere 新增 Generative Remove 工具,利用生成式 AI 在时间轴中移除杂物并填充细节。
Google Cloud 推出面向医疗保健行业的 Gemini 解决方案,旨在统一碎片化的临床、运营和行政系统。该平台通过集成专项技能和数据连接器,汇总电子健康记录、计费平台、临床指南和 Medicare 数据,执行记录综合与事前授权审查等多步骤工作流。目前该产品已与 HCA Healthcare 等合作伙伴开启预览,以减少医务人员每周近 28 小时的文书工作负担。
summary_zh: 独立项目“AI Vision Index”通过29项未公开测试评估36个AI模型的视觉能力,累计评分超7万次。GPT-6 Astra以83.7分位居榜首,在读取细小文字等8项测试中优势明显,得分领先第二名6分。
Music For Robots 项目展示非量化音频嵌入可缓解自回归 LLM 的输出刻板化。 基准测试显示,无音乐对照组生成同质化叙事,而 3 组音频实验组输出显著多样且去情感化。 该方案通过引入跨模态物理视角,避免上下文压缩导致的状态丢失。
蚂蚁灵波开源触觉预训练基础模型LingBot-Touch,该模型将磁触觉、视触觉和压阻式触觉信号统一编码为触觉Token,解决了不同传感器数据无法直接用于动作模型的问题。
智元AGIBOT正式发布WITA-Omni(硅光动语全模态大模型),这是行业首个具身全模态端到端交互大模型。该模型基于机器人本体感知数据训练,支持触觉、本体状态输入以及机器人动作、表情输出,实现全双工交互。
Google 推出 TPU 8tx 与 TPU 8i Max 两款第八代 TPU 系统,实现年内第四次发布。 TPU 8tx 支持处理中数据加密,TPU 8i Max 通过双芯片封装使单机架内存与算力翻倍。 两者均复用现有硅片,结合 TorchTPU 等软件,推动 Google 芯片成为外部客户日常推理的平台。
豆包官方宣布图片设计能力升级,正式接入 Seed 团队发布的新一代图像创作模型 Seedream 5.5。新模型在豆包中支持非编辑区域像素级保持和最多 100 轮的多轮编辑,可直出带 Alpha 通道的 RGBA 透明素材,并优化了光照材质纹理表现及复杂小字的渲染清晰度。
3DPS提出首个雷达微分点溅射渲染器,实现复杂值且物理保真,单场景训练仅3分钟。 该方法在6个户外场景测试中,RA图像Pearson相关系数达0.587,比光学NVS基准快1.7至5.2倍。 3DPS被NeurIPS 2026接收,无需重训练即可输出ADC、CRP等多种格式。
研究发现,普通 EfficientNet-B0 在 FaceForensics++ 测试集上以 3.66 AUC 优势击败复杂频率架构 CAFRL。 自我审计显示缺陷源于配方而非架构;真实 H.264 变体比合成 JPEG 增强高出 7.3 分。 证据限于 GAN 时代模型,建议通过编码多样性而非架构提升压缩鲁棒性。
研究人员提出多模态概念瓶颈模型 MM-CBM,将概念瓶颈层扩展至 CLIP 结构,在四个标准基准上平均准确率提升 23.28%。 该模型利用双概念瓶颈层对齐图像与文本嵌入,支持可解释的零样本分类和图像检索,已获 TMLR 2026 录用。
介绍拓扑推理基准 CurveBench,Gemini 3.1 Pro 在 Easy 集准确率为 71.1%。 基准含 756 张手绘图,Qwen3-VL-8B 经 RL 训练后 Easy 集达 31.7%。 该论文已被 NeurIPS 2026 评估与数据集赛道接收。
HaloProbe 提出了一种贝叶斯框架,用于检测和缓解视觉语言模型(VLM)中的对象幻觉。该框架通过因子化外部描述统计和内部解码信号,估计 token 级别的幻觉概率。 实验表明,由 HaloProbe 引导的解码在减少幻觉方面比最先进的基于干预的方法更有效,同时保留了字幕效用和语言流畅性。
针对冻结的离散 Token VLM,DCDD 框架利用采样前的 Logit 分布条件化扩散解码器以提升图像保真度。在 ImageNet-1K 上训练 50K 步后,重建 FID 降低 74%,Janus-Pro 7B 生成 FID 降低 34%。 该方法证明性能提升源于对 Logit 分布的条件化而非扩散模型本身,且保持了 GenEval 等基准的语义对齐。
MamaDino通过融合DINOv3 ViT-S特征与可训练CNN编码器,在512x512分辨率下实现乳腺癌3年风险预测。 使用BilateralMixer聚合双侧信息,患者级AUC达0.736(分布内)和0.677(分布外),优于或持平Mirai,输入像素减少约13倍。 该模型证明了互补归纳偏置与显式对侧建模可在更低分辨率下达到Mirai级判别性能。
X-SiT 是首个提供基于可解释皮层特征、人类可理解预测的固有可解释神经网络。 它引入基于皮层原型进行病例推理的表面补丁解码器,用于分类表面补丁嵌入,在阿尔茨海默病和额颞叶痴呆检测中达到最先进性能,并揭示与已知疾病模式一致的原型。 该模型支持临床决策制定,并通过皮层表面渲染实现 3D 脑部解剖结构可视化与交互探索。 ```
提出PINR-ESI框架,利用物理信息自监督隐式神经表示实现脑电图扩展源成像,无需配对源标签。 该框架通过导场矩阵约束模型,将皮层电流密度建模为连续坐标条件场,并用经典逆估计提供空间约束。 在模拟及癫痫患者真实脑电图数据上评估,验证了框架在源定位上的可行性。
研究提出双部分 MLBNet 架构,通过多侧向编码器块和多头解码器分支实现心血管造影场景中导管、导丝、血管及背景像素的高概率多类分割。 模型在体模、合成模拟主动脉及动物模型数据上验证有效,能够高精度区分主要背景类与前向结构。
免训练系统 VOIM 通过累积软标签证据,实现了从 RGB-D 或单目 RGB 视频构建开放词汇 3D 实例地图。 该系统在 ScanNet++ 上达到最高 present-class mIoU,比最强基线高 10 分,单目视频性能也超越带深度传感器的 HOV-SG 和 ConceptGraphs。
研究提出 PURGE 框架,通过构建结构化数据集和分区感知遗忘,消除大型视觉语言模型(LVLMs)中由对象-背景虚假相关性导致的幻觉错误。 框架在 LLaVA-1.6-7B、Qwen3-VL-8B-Instruct 等模型上验证,在 CHAIR、POPE 等基准测试中显示能一致降低虚假相关性错误,同时保持或提升整体性能。