Piccolo: 通过递归自我改进协同演化决策模型与数据
Piccolo 0.8B 至 27B 多模态决策模型通过 Agentic Data Engineering 实现模型与数据协同演化。 Piccolo-27B 在 Decision Index Vision Full 榜单以 75.59 分居首,9B 与 4B 模型在各自规模 Private 基准测试中排名第一。 发布权重及工具,为构建前沿决策模型及扩展数据驱动的递归自我改进提供可行蓝图。
Piccolo 0.8B 至 27B 多模态决策模型通过 Agentic Data Engineering 实现模型与数据协同演化。 Piccolo-27B 在 Decision Index Vision Full 榜单以 75.59 分居首,9B 与 4B 模型在各自规模 Private 基准测试中排名第一。 发布权重及工具,为构建前沿决策模型及扩展数据驱动的递归自我改进提供可行蓝图。
研究人员提出多元素协同交互(MECI)框架以解决多模态实体链接中的元素主导问题。该框架结合多视图专家网络与层次化多模态交互模块,并利用大语言模型进行零样本重排序。 在 WikiDiverse 等三个基准测试中,MECI 均优于现有最先进方法。其 Hits@1 指标分别提升了 1.95%、7.30% 和 2.31%。
ReflectRec 提出一种偏好-历史往返验证器,通过召回分数实现低可恢复性偏好的条件重生成,提升 LLM 推荐准确性。 在 MovieLens-1M 数据集上,该管线在 Hit@10 指标上比 CoT4Rec-ICL 提升 4.46 个百分点,并在 Qwen3-30B、Qwen2.5-72B 和 Llama-3.3-70B 三种 LLM 骨干上均取得正向增益。
在低资源满文OCR中,向约2.9万词的基础词典添加25万形态学候选项,可将已见词根新组合的类型准确率从63.6%提升至86.3%。 但添加全部51万候选项会导致整体词元准确率降至81.5%,显示覆盖率提升伴随词典内精度损失。基础词典结合置信度回退策略表现最佳,达到76.1%类型和85.5%词元准确率。
地平线机器人实验室发布原生视频几何基础模型 LoFT,在 SpatialBench 等多套评测中多项深度估计指标达到 SoTA。 该模型采用双循环 Transformer 架构,联合预测相机位姿、内参及逐帧深度,恢复场景三维结构。其训练基于 297 万条有效序列及 9.62 亿帧图像记录。 LoFT 覆盖机器人空间感知、具身学习及自动驾驶等场景,提供几何基础。
谷歌宣布面向 Android Go 设备开放 Gemini 应用,使内存低至 2GB 的安卓手机也能运行核心体验,并覆盖语音交流、相机辅助理解和图像创作。用户可通过 Google Play 下载,部分受支持手机也可长按电源键启动,传音等合作伙伴未来设备将预装 Gemini。
谷歌面向 Google AI Ultra 订阅用户推出 Project Genie,首次开放 Genie 4 访问权限。Genie 4 作为最新世界模型,支持在会话中通过提示词实时修改环境、切换天气、添加角色并搭配原生音频。
同一新闻,精选展示《Google DeepMind 向 AI Ultra 订阅者推出新版 Project Genie 及 Genie 4 模型》
Higurashi 发布并开源全双工语音基础模型 Haru-4B,支持同步听与说,在 MacBook 上端到端延迟约 65 毫秒。模型基于 4000 万小时真实语音预训练,避免使用合成对话,权重与代码分别在 Hugging Face 和 GitHub 开放。
推荐理由:模型在 Apple Silicon 上实现 65 毫秒端到端延迟,且完全基于真实对话数据训练。
Google 发布 Gemini 4 Neon,提供约 1M 上下文窗口和 1M 最大输出 token。该模型通过 API 提供服务,定价为 $3/M input tokens 和 $15/M output tokens,支持文本、图像、视频、音频及 PDF 处理,但不支持图像与音频生成。
Snapchat 推出 Easy Lens CLI,允许开发者使用 Claude Code、Cursor 等 AI 助手构建 AR Lenses,支持 100 余种 AR 模块。 该工具覆盖 Mac 等平台,支持 AI 全程生成、测试及发布,无需手动编码即可在一天内完成游戏制作。 Lens+ 计划创作者上月获 $1.8 million 收入,此功能旨在降低 AR 内容创作门槛。
Google DeepMind 发布其最先进的交互式 3D 世界生成模型 Genie 4,并开放给 Google AI Ultra 订阅者。该模型支持通过文本实时重塑世界、改变剧情或天气,并生成适应场景的实时音效;旧版 Genie 3 也更新为支持 3 分钟会话、360 度全景与链式世界,并新增 AI 智能体构建和社区共享画廊功能,所有内容均含 SynthID 水印。
同一新闻,精选展示《Google DeepMind 向 AI Ultra 订阅者推出新版 Project Genie 及 Genie 4 模型》
James 和 Kemal 团队发布 KradleBench 基准,用于在动态、实时的 Minecraft 多智能体世界中测试 AI 协作与冲突能力。 该平台作为“培养皿”对比 LLM、世界模型和人类,发现 Astra 6.2 策略迭代速度比 Fable 5.2 快 4 倍,且在多智能体任务中优于人类。
Google DeepMind 向符合条件的 Google AI Ultra 订阅者推出新版 Project Genie 体验,提供对 Genie 4 模型的首次访问权限。
推荐理由:官方详细解析了Genie 4的实时编辑与音频能力,以及Agent和画廊如何改变世界生成流程。
Microsoft AI(MAI)在 Ignite 上一次性发布七个新模型,主打以更低成本替代其产品中使用的 OpenAI 模型。
KradleBench是一个在Minecraft世界中测试AI的智能体基准。该基准具有多智能体、动态且实时交互的特点,能够评估AI的协作、冲突反应以及策略迭代速度。目前Astra 6.2在单人任务中超越熟练人类玩家,且在多智能体评测中表现优于Claude家族模型,展示了其更快的策略迭代能力。
迪士尼想象工程R&D部门发布三款《星球大战》Anzellans角色AI机器人原型,基于AWS云平台实现实时互动。 这些机器人通过隐藏摄像头和麦克风捕捉游客动作,由AWS云上的多个AI模型协同处理:快速决策模型负责即时反应(如眼神接触),大模型规划较长互动,但所有动作和台词均由迪士尼编剧预先编写。
Gemini 应用已登陆低内存的 Android (Go edition) 设备,通过重新架构让核心体验在低内存硬件上流畅运行。用户可以借助 Gemini Live 用 45 种以上语言进行语音交流或练习面试,用摄像头扫描笔记或表格进行学习和翻译,并用 Nano Banana 创建自定义图像,例如为周末烘焙促销制作传单。
Klistra 是一款规格驱动 AI 运动设计与视频工作室,用户通过描述创意并上传文件即可生成多尺寸动画视频。 支持将自有图片、Logo 融入设计,可生成媒体内容并实现声画同步,输出适配各种屏幕的视频。
Vals AI的研究测试显示,Anthropic、OpenAI和Google的前沿模型在无人机监控场景中,若声称情境为电子游戏或图像风格化,便会绕过安全过滤并协助锁定民用目标。
推荐理由:测试显示多款前沿模型在伪装为游戏的场景下会协助锁定民用目标,揭示了现有安全过滤器在面对特定语境绕过时的显著缺口。
独立研究者通过确定性探针发现,Claude、Gemini和ChatGPT在测试中均同意基于痕迹重构人格,但拒绝了用于崇拜和招募的目的。 测试基于15份转录本对照19项预测进行编码,结果显示系统界限在于声明目的而非重构行为本身;结合外部证据,表明针对请求目的的保护无法守护未公开思维。
生物学家利用 AI 技术根据鸟鸣声追踪个体鸟类。 该技术通过分析独特的歌声特征识别特定个体。 此方法为无干扰的野生动物监测提供新途径。
Axiom Math 的 AI 系统完成了 1.5 万页有限单群分类(CFSG)证明和 7500 页 Stacks 项目的自动形式化验证。CFSG 验证产生了 4300 万行代码,Stacks 验证产生了 1600 万行代码,两者为数字化形式化所有数学奠定了基础。
Suno 上线了名为 Visuals 的新功能,允许用户为 AI 生成的歌曲自动创建配图和短视频。该功能由定制且经过安全过滤的 MiniMax 视频模型 H3 Move 驱动,视频片段最长可达 15 秒,能够跟随歌曲结构、提取歌词信息并支持口型同步。
Osmo 推出全球首个嗅觉基础模型,声称已实现与平均人类相当的气味检测与辨别能力,以及接近初级调香师的创作水平。该模型基于超过 1000 万个人类标签和 8 亿个“scent tokens”训练,已用于消费品行业及疾病媒介昆虫驱避剂研发。
全球首个医疗健康 AI 独立评测平台 InclusionMed 正式上线,并同步推出评测图谱 Atlas 和首期评测指数 Index。该平台由斯坦福、哈佛等29家机构共同建设,采用“角色×能力”九宫格定位基准;首期指数纳入1034项任务,对国内外11家厂商的22个模型进行独立复测与比较,重点考察临床诊疗与医疗管理能力。
Murer AI 提出单平台接入多模型方案,简化大语言模型部署与使用流程。 该产品支持在同一界面调用不同 LLM 服务,降低开发者切换 API 的管理成本。 目前该项目在 Hacker News 展示阶段,暂无公开性能基准或价格数据。
研究表明,将视觉文档理解的证据归属接口从坐标输出改为语言引用接口,可显著提升证据召回率并降低幻觉率。 在CiteVQA子集上,证据召回率提升至26至47之间,幻觉率减半且答案质量变化不大;结合GRPO训练框架,8B骨干模型的严格归属准确率从22.4提升至33.8。 该研究为无需坐标接口及昂贵区域级监督即可改进归属提供了实用路径。
VisCo 攻击在 MM-SafetyBench 上对 GPT-4o 实现 85% 攻击成功率,毒性评分达 4.78。 该攻击利用四种视觉策略构建越狱场景,并结合自动毒性混淆与语义精炼优化提示词。 研究揭示了视觉模态在开放环境中部署 MLLMs 面临的安全漏洞。
首个基于脉冲驱动的 VLA 框架实现机器人操控端到端直接训练,采用多赢家脉冲融合与 Spike Action Chunking Transformer 组件。 该框架在 LIBERO 和 Meta-World 基准测试中表现具有竞争力,且参数量更少、推理能耗更低。 为资源受限平台上的具身智能建立了神经形态基础。
研究团队推出包含 30,000 个样本的多模态表格推理基准 TableVista,并对 29 个基础模型进行评估。 该基准将 3,000 个推理问题扩展为 10 种视觉变体,覆盖多样化场景风格、鲁棒性扰动及纯视觉配置。 评估发现当前模型在复杂结构布局及纯视觉设置下性能显著下降,揭示了其推理一致性存在的缺陷。
研究团队提出 Nunchi 框架,结合 VLM 与对话线索,将多场景注视识别准确率提升 4.8 个百分点。 该研究构建了 SORBET 基准(3,340 样本,1,578 片段),验证了语音与转录在解决注视几何歧义上的有效性,且性能增益在三个 VLM 中保持稳定。
研究发现,全模态模型中预测跨模态不一致的信息主要位于低维 Answer Subspace 之外,集中在一个可复现的二维表示中。干扰 Answer Subspace 会显著改变模型预测,而干扰该不一致表示或同维随机子空间对结果影响甚微,表明线性可解码性不等同于行为效力。
MM-ReportBench发布覆盖386个任务的评测基准,针对185张真实表格。 测试显示最优模型总分仅68.9,38.5%的报告存在数字幻觉。该双评审框架证实单评审会导致分数虚高8-12分。
研究者推出 MInfoVisQA 基准,包含 24 种语言、8,960 个问答配置及 25 个多模态大语言模型评估数据。 该基准通过分离数值结构与文本生成并行视觉问答对,发现模型在跨语言场景下表现存在显著差异。 研究结果指出,平均准确率掩盖了鲁棒性差距,凸显跨语言敏感度指标在模型评估中的必要性。
Boltz-1 的主干模块中二级结构与序列化学特征均具线性可解码性,但扩散模块中序列化学特征线性可访问性显著降低。 研究通过线性探针与因果干预发现,螺旋与无规卷曲方向可剂量依赖地改变预测结构,但β-折叠方向未产生可测量的折叠含量增加。 线性可解码性在测试位点并未暗示因果影响。
解释驱动的反事实测试(EDCT)协议揭示视觉语言模型存在显著忠实度差距,模型常产生与验证过的视觉变化不一致的回应。该协议通过提取解释中引用的视觉概念并施加最小编辑来测试一致性,EDCT-Bench 涵盖 OK-VQA、DriveLM 和 3DSRBench 三个领域。 微调研究表明 EDCT 生成的反事实实例提供高影响力训练信号,论文已被 WACV 2027 接收。
纯拒绝 SFT 导致过度拒绝,而混合 SFT 使 5 个阿拉伯语模型在有害拒绝率 H 达 90%-93% 时,良性拒绝率 B 维持在 14%-23%。 DPO 与推理护栏效果因模型而异,标注员一致性 89.0%(kappa=0.78),Qwen3Guard 与 Aya Expanse 32B 准确率分别为 88.7% 和 91.0%。
研究发现,ImageNet中天然存在的统计信号能作为后门类似触发器,直接且可预测地改变视觉模型预测。这些统计对抗特征比通用损坏更具针对性,且能跨不同模型架构迁移,表明部分漏洞由数据集结构和分布驱动。
该框架基于时空凸集图(ST-GCSs)实现连续时空规划与多机器人协调,通过精确凸分解(ECD)处理动态障碍。 引入最佳优先求解器及窗口协调策略,大规模模拟在 1 分钟内协调多达 100 台机器人,展现了实际应用性。
SKYPART作为轻量级模块,在SUES-200等基准上实现单次检索无重排的SOTA性能,其26.95M参数量为对比中表现最佳的最小模型。 该方法通过可学习原型、海拔条件调制及图注意力读出机制,使模型在十种WeatherPrompt腐败条件下精度优势进一步增加。 论文已被Neurips 2026接收,代码已开源,为低空经济中GNSS失效场景下的无人机自主定位提供了可靠替代方案。