百度发布 ERNIE 5.5 Flash Base 开源模型,280B 参数
百度发布开源基座模型 ERNIE-5.5-Flash-Base,该模型采用 280B 参数的 MoE 架构,单次输入激活 14B 参数,预训练数据为 33.5T token,支持 128k 训练上下文。官方表示将推出经过后训练的增强版本,当前模型权重以 FP8 和 BF16 格式发布于 Hugging Face。
同一新闻,精选展示《百度开源文心 5.5 Flash Base 基模,主打效率与创新架构》
百度发布开源基座模型 ERNIE-5.5-Flash-Base,该模型采用 280B 参数的 MoE 架构,单次输入激活 14B 参数,预训练数据为 33.5T token,支持 128k 训练上下文。官方表示将推出经过后训练的增强版本,当前模型权重以 FP8 和 BF16 格式发布于 Hugging Face。
同一新闻,精选展示《百度开源文心 5.5 Flash Base 基模,主打效率与创新架构》
NVIDIA 在 Hugging Face 上发布四个 Cosmos 3 Nano 开放权重模型,包括 Transfer-Auto、Sim-Auto、Sim-Transfer 和 Sim-Bimanual,支持多传感器驾驶仿真与双臂机器人交互。模型采用 OpenMDW1.1 许可证,提供商业与非商业用途权利,并附带分阶段后训练配方。
推荐理由:NVIDIA 发布四个 Cosmos 3 开放权重模型,提供从驾驶到机器人交互仿真的完整工作流,读者可评估其开源生态价值。
Meta 宣布为 Muse AI 智能体增加语音模式,支持实时语音对话,该功能正在美国 iOS 应用上线。 对话时虚拟形象会随语音动态动画,用户可通过指令或设置调整语调;功能未来将扩展至 Meta AI 眼镜及 Muse Charm 设备。
亚马逊 A+ 内容使用高质量素材可提升 8–20% 销量,但现有单资产评估难以捕捉整体质量。该方案将完整电商页面渲染为快照,由 VLM 进行整体评估,并结合 OCR 信号与轻量级 CatBoost 分类器预测专家质量标签。 SHAP 解释用于生成改进建议,该端到端流水线基于 Amazon SageMaker AI 实现,涵盖数据摄取至生产监控。
Google DeepMind 推出 Gemini Omni 1.2 Flash 并宣布其正式可用,该模型原生支持生成 15 秒长视频,并新增多轮对话式编辑能力。官方定价降至每秒 0.07 美元(720p 视频),比上一代下降 30%。
同一新闻,精选展示《Google DeepMind 发布 Gemini Omni 1.2 Flash:支持 15 秒视频生成》
从像素到动作 迈向原生视觉-语言-动作策略 论文:https://huggingface.co/papers/2611.06918
俄亥俄州立大学团队开发 Scentronic 可穿戴设备,结合 AI 电子鼻分析并释放气味,在实验室测试中实现 73% 的准确率。 该设备基于机器学习实时分类数据,在受试者对 5 种不同食物气味(咖啡、啤酒、红酒、橙子、巧克力蛋糕)的识别测试中,单气味识别准确率为 73%,双气味为 71%。
腾讯发布大语言模型 Hy4,新增图片理解与自主操作计算机的能力,目前通过 Tencent Cloud、OpenRouter 及 Yuanbao 应用提供服务,模型权重将在未定期限内开放。
Mistral Large 4 (Le Chonk) 提升编码、网络安全及文档推理能力,Mistral Studio 支持在云端、VPC 或本地部署智能体、工作流和应用。 平台新增托管智能体、企业上下文、可观测性及评测功能,通过 MCP 服务器连接数据,ABANCA 和 BNP Paribas 等客户已在生产环境中使用该方案。
Abra 是一款在 Meta 全球 AI 开发者黑客马拉松期间构建的 AI 创作者工作室,利用 Meta Model API 和 Claude 提供功能。 系统由五个 Meta 模型驱动,包括 Muse Wonder、Muse Spark、Muse Image、Muse Voice 和 SAM 3.1,负责分析、创作、转录和贴纸生成。Claude Opus 处理评论回复和视频帧视觉理解。
49 名参与者使用 MedWrite 平台,测试 GPT、Claude、DeepSeek 等大模型处理包含社会背景变化的患者病例。 结果显示,当患者被描述为无家可归或来自监狱时,模型推荐的护理级别从高依赖单元降至普通病房,尽管临床状况未变。 团队还发现,模型会根据年龄和社会背景错误推断无家可归或药物滥用,而最小规模的模型在六类背景测试中出错最少。
豆包工作支持抓热点、做方案、出内容、管素材、看反馈五类营销场景,提供对应 Skill 与提示词,可结合品牌信息直接调用。 功能涵盖调用“营销热点策略师”与“全案营销”技能生成选题和 PPT 全案,支持“无限画布”统一视觉设计,并调用 Seedance 2.5 生成约 30s 真人宣传短片。
英国初创公司Potential Sciences于11月5日成立,通过物理模拟原子交互生成大规模化学数据集,训练AI预测药物靶点。 公司获得SovAI和Twin Path Ventures的数千万美元种子融资,并接入英国国家AI超级计算机资源。 该路径旨在绕过传统实验室试错,为罕见病提供定制化分子疗法,尽管安全性测试耗时仍存挑战。
代码显示,苹果 iOS 27.3 测试版已将 HomeView 接入 ChatGPT、Claude 等第三方 AI 应用。 PebblePlay 获得 Conversational Apps 类别,苹果通过标记决定设备允许运行的应用。
智象元一CEO梅涛在论坛上提出构建智能体化的全模态世界模型,以跨越数字智能与物理智能鸿沟。 该模型由LLM决策大脑、Omni-Model模拟器及Embodied Context执行层协同,实现同一Token空间内思维与物理世界的统一。 这一架构旨在解决物理AI数据匮乏问题,通过合成高精度动作视频为具身智能提供数据供给,代表AI演进的全新方向。
Wild Dolphin Project 创始人 Denise Herzing 联合 Georgia Tech 及 Google DeepMind,利用 AI 技术从海豚录音中提取语言模式。团队已研发水下可穿戴设备,尝试通过播放模拟声音与海豚进行双向交互。研究旨在通过理解海豚沟通结构,反思人类对海洋环境的影响。
SEE Conf 2026 以“创造力复兴”为主题,于 2026 年 11 月 28 日在杭州蚂蚁 A 空间举办。 大会探讨模型能力与开源协作,涵盖 QMuse、TaoDesign 及 Coding Agent 等实践,旨在让构想转化为可体验的产品。 活动强调以人为出发点,通过 AI 拓展创造边界,将技术增量转化为用户可感知的体验价值。
上汽集团公告拟与延电科技、Momenta 设立注册资本 3 亿元的高阶智驾合资公司。 Momenta 持股 51%,上汽与延电分别持股 25% 和 24%。 此举旨在加强技术研发,赋能整车产品提升全球市场竞争力。
华中科技大学王兴刚团队与地平线机器人等机构合作提出全连续架构Multimodal Flow,让语言与视觉保留原生嵌入并共享同一Flow Matching目标。1.6B的MF-1模型仅用150B Tokens预训练,GenEval综合得分0.821,VQAv2得分72.6,在受控对比中全面超越混合式和全离散架构。
Google 宣布从 2027 年初起,K-12 教育账户默认关闭 Gemini,但关闭 AI 功能将同时失去 Google 搜索。 Chromebook 占美国学校设备 50% 以上,Google Workspace 覆盖 1.7 亿人。捆绑策略被指利用垄断地位胁迫学校。
腾讯发布旗舰开源大语言模型 Hy4,增强了面向企业软件的智能体(Agent)能力,并首次引入视觉理解,可处理图像、分析复杂图表并进行视觉数学推理。腾讯称 Hy4 首次进入中国顶级开源系统梯队,与 DeepSeek、Z.ai 和阿里巴巴直接竞争。
OpenAI 正式发布 GPT Images 2.6,已面向 ChatGPT、Codex 和 API 开放,图像生成速度较此前提升 50%。该模型在 API 端提供 Flare 和 Sunburst 两款定位不同的模型,新增支持通过文字提示词生成 GIF 动图以及 SVG 导出功能,并引入 complexity 参数用于控制模型的场景规划投入。
同一新闻,精选展示《OpenAI 发布 ChatGPT Images 2.6》
多智能体系统 MAIA 通过苏格拉底式探究,将模糊情感转化为用户验证过的视觉文本简报。在 N=16 的组内被试研究中,MAIA 相比基线在认知支持上取得显著增益 (r = 0.97, p_FDR = 0.003)。 系统引入“验证优先于创造”规则,通过验证者门禁阻断未获批准的内容。三位职业概念艺术家的盲审表明,重写后的简报更完整且可执行。
PixCon 在 DINOv2-Base 与 UniMatch V2 基础上添加类别级记忆库,通过仅存储学生预测与标签一致的特征进行多正例对比学习,推理时丢弃该模块。 在 Pascal VOC 183 标签设置下,方法使平均 mIoU 从 87.01 提升至 87.90,训练耗时增加 15.3-19.7% 且不增加推理开销。
AvalancheBench 是一个多模态企业分析基准,通过 3 个验证任务、58 道文/图/文档题评估数据 Agent 从潜在世界规格中恢复数据的能力。基准引入 CATC 指标加权 Token 消耗,测试 5 种模型配置在 Snowflake Cortex AISQL 引擎下的表现,最佳分析保真度为 0.82。
EmoTrack 联合编码临床特征 token 与冻结的客户轮次嵌入,使用 PHQ-8 条目查询估算总严重程度。在 DAIC-WOZ 等数据集上,EmoTrack 将平均绝对误差降低 12.5%,归一化聚合误差降低约 8.6%。 该模型可选引入前一次咨询的证据,并在引入的多会话数据集 CounselArc 上实现受控评估。
论文提出 ReMoA 框架,通过递归潜在精化提升扩散模型的结构化推理能力。 在 ImageNet 生成任务中,DiT-XL 的召回率从 0.57 提升至 0.62;GenEval 基准下 SD3-medium 总分由 68.33% 升至 71.18%。 该框架在不增加递归额外参数的前提下,使各神经模块随扩散时间步特化,增强输出细节丰富度与对齐效果。
研究利用 FacesInThings 数据集测试了包括 CLIP、LLaVA-1.5、Qwen2-VL 在内的六种视觉模型,考察其人脸选择性。 模型对幻觉人脸的反应与人类不同,例如 CLIP ViT-L/14 在特定分类描述下将约半数非人脸区域标记为 Human。重新措辞分类描述会改变模型是否偏好识别出人脸区域。
EgoGen 是一款专为第一人称视角(egocentric)感知任务设计的合成数据生成器,已被 CVPR 2024 接收为 Oral 论文。 其核心是结合碰撞避免运动基元与两阶段强化学习的新颖人体运动合成模型,虚拟人可基于第一人称视觉输入感知 3D 环境,无需预定义全局路径即可适用于动态环境。 EgoGen 将完全开源,为构建真实的第一人称训练数据提供实用方案。
研究提出 AutoMMemo 框架,让智能体自动设计记忆机制以学习多模态经验。 框架将记忆表示为可执行程序,通过迭代评估、反思引导变异和树搜索发现有效策略。 实验在 GUI/Web 导航及多模态推理基准上验证其持续优于无记忆及固定基线,并支持零样本迁移。
一项无需训练和遮挡标注的新方法,通过对比可见高度与单目度量深度的排序差异来检测行人遮挡,在KITTI数据集上达到0.909的AUC。 该方法利用遮挡下检测框跨度不变但深度被拉近至遮挡物这一特性,无需焦距或身高参数,且在控制距离频段内AUC保持在0.894-0.925,证明其并非距离代理指标。
论文提出 Counterfactual Foreground Retrieval (CFR) 协议,用于评估动物个体识别模型是否依赖真实特征而非背景捷径。CFR 通过全图、仅前景和仅捷径三种视图进行检索评测,将分数转化为证据画像。该工作发布了 34 个数据集的约 50 万个掩码及评测代码。
研究团队提出了面向 AWS EC2 F2 云 FPGA 基础设施的机器学习模型开发工具链,实现了 Vitis HLS 到 HDK 再到 AFI 的完整流程。该工具链填补了学术文献在此领域八年的空白,并引入四级方法论协助定位 FPGA 特定电路错误。
ZETA架构通过分离路由策略与动作执行,显著提升了科学视觉智能体对邻近语义边界的科学意图路由准确性。 在包含51个科学意图查询的零样本基准测试中,引入显式路由策略使Qwen 3.8的分割路由准确率从6.2%提升至75.0%,检测路由准确率达到100%。 该架构使路由决策与下游工件可独立观测,为区分意图选择错误与视觉执行失败提供了关键基础设施。
EvoWorld 提出“视野外因果演化”问题及脑-渲染器协作框架,将视觉语言模型作为世界大脑维持状态并推理事件后果。 实验表明,EvoWorld 相比近期模型显著提升了事件条件因果演化能力,同时保持视觉质量与一致性。 该工作建立了推理引导下超越当前视野的自主世界演化基准,填补了扩散模型在状态维护与因果一致性上的机制空白。
该系统使用智能手机摄像头捕捉全身动作,通过 GPT-4o 和 MCP 后端实时生成个性化评估。 20 名 18-25 岁参与者的研究表明,VR 组在乐趣、沉浸感和推荐意愿上显著高于非 VR 组。 MCP 系统与专家评估的一致性达到 87.5%,验证了作为反馈工具的可靠性。
研究者提出持续先验补偿框架(CPC)及增强版 CPC++,以解决人类动作预测中短期预测受长期预测干扰的问题。 该框架将预测任务划分为多个子任务并分阶段训练,通过引入可学习的先验补偿因子(PCF)及细粒度先验补偿因子(FGPCF)来显式衡量和缓解先验知识遗忘。 在三个基准数据集及 PGBIG、siMLPe 等主流模型上的实验证实了该方法的有效性与灵活性,相关成果已被 IEEE TPAMI 接收。
summary_zh: 研究团队提出对抗性基准 Trick-or-Treat,通过配对的真实胸部 X 光与合成临床照片评估前沿模型。 该基准揭示模型在 45% 至 57.5% 的不匹配配对中产生临床显著幻觉,倾向于忽略照片与影像的差异。
Traffic-VL 是一款 80 亿参数的视觉语言模型,通过直接映射多视角图像和自然语言相位描述生成信号决策,实现了端到端交通控制。 基于 SynTra-V 数据集,模型采用离线强化学习适配视觉编码器,并在闭环模拟中进行在线策略优化,性能超越 Gemini 3 Pro 等通用模型。 该模型在十路口为期三周的部署中证明了其视觉泛化能力和有效约束控制。
Prism 提出一种双向自教学后训练方法,在无需外部验证器的情况下,通过自生成轨迹提升统一多模态模型的生成与理解能力。 在 SenseNova-U1 模型上,Prism 使 GenEval 从 85.8 提升至 89.2,MME 总分从 2282.6 提升至 2311.6;BAGEL 模型也观察到一致的性能提升。