PinyinBench 揭示语言模型汉字音韵知识局限
研究引入 PinyinBench 基准,评估 17 个语言模型的汉字音韵知识。前沿模型 DS-v4-flash 在声母韵母识别达 90%+,但仅声调差异时降至 72%。 音调信息嵌入可解码性强但因果干预弱,音频训练提升音韵解码但未增强操控效果。证实声调知识最难获取与操纵。
研究引入 PinyinBench 基准,评估 17 个语言模型的汉字音韵知识。前沿模型 DS-v4-flash 在声母韵母识别达 90%+,但仅声调差异时降至 72%。 音调信息嵌入可解码性强但因果干预弱,音频训练提升音韵解码但未增强操控效果。证实声调知识最难获取与操纵。
研究测试了 Gemini 3 Pro、Claude Opus 等六款 LLM 的作者模仿能力,发现 Gemini 3 Pro 表面性能最强但主要依赖文本复用。 分析表明,训练集一致性是模仿成功的最佳预测指标,而生成文本在嵌入空间中与人类风格集群显著分离。 结果凸显了区分风格模仿与直接复用的重要性,对涉及 LLM 的文本取证分析具有参考意义。
OpenAI 为 ChatGPT 新增 GIF 生成功能,基于 Images 2.6 模型,支持调整播放速度及逐帧查看修改。 功能同步推送至网页、桌面及移动端,API 新增 GPT-Image-2.6 Flare 和 Sunburst 模型,分别侧重速度与画质。
NeurIPS 2026录用论文提出Retention-aware Policy Optimization (RaPO)算法,解决强化微调在视觉持续学习中的灾难性遗忘问题。基于Qwen2-VL在ImageNet-R等基准上,RaPO将最终准确率提升至85.92%并将遗忘率压低至4.69%。该算法通过重塑奖励机制与跨任务优势归一化实现抗遗忘,代码已开源。
在 Gemma-4-31B 中,两个约 600 坐标的 Quiet600 子空间捕获了 80-95% 的 J-lens 读出。 这两个子空间具有特定的权重模式:post-norm 对角线值极小,因此受连续层编辑保护。语义信息仍存在于这些子空间之外,使“工作区”故事复杂化。
GPT-Image-2.6 全量上线,新增复杂度与画质独立参数,最快 6 秒出图,并原生支持 GIF 动图与 SVG 导出。文章通过 OpenArt 案例展示了利用 3×2 序列帧思路生成 GIF 的提示词,并介绍 Town 等公司已接入该 API 生成实时微表情动图。此外,图像局部重绘功能开放至 API 端,文末提及 GPT-6.2 Astra 已现身谷歌云。
同一新闻,精选展示《OpenAI 发布 ChatGPT Images 2.6》
WorldOracle 模型在机器人未抓取到水果的真实场景下,错误预测出成功的抓取视频。 模型基于与真实执行相同的起始观察和记录动作生成结果,该虚构预测证明仅展示模型生成视频而不并列真实执行结果,会误导对机器人世界模型预测质量的评估。
Nothing 创始人裴宇预告,公司首款 AI 原生设备将于 2026 年 12 月发布。该产品旨在解决 AI 应用中的“上下文缺口”,被定义为一款没有屏幕、非软件应用的硬件工具。 据爆料,Nothing 还将推出两款智能眼镜:一款主打音频并支持光致变色,另一款配备摄像头并支持 ChatGPT。
Anthropic 团队借助 Claude 首次解析出原核生物 Vault 三维结构,噬菌体蛋白 L05 组装的颗粒含 96 个蛋白副本,总质量约 9.5 MDa。
苹果国行版Apple智能正式上线,采用苹果端侧原生模型与通义千问混合方案,正式版随iOS 27.3于12月推送。首批功能覆盖9种语言实时通话翻译、邮件信息摘要、照片消除及视觉智能等,复杂创作与深度问答由千问兜底。该方案仍处单点能力补齐阶段,暂不支持Agent自主执行复杂长任务,相比国产AI手机已卷起的智能体生态,其核心差异在于由用户全程主导千问功能的调用权限。
Google Research 发布的 Agile Deliberation 系统帮助用户通过标注边界案例来细化分类指令。该系统在食物分类和误导性奖励图像两个领域的评估中,涉及 18 场每场 90 分钟的现场会话。研究显示,相比手动方法,它提升了分类性能,并减少了所需精力与压力。
Anthropic 生物研究团队利用 Claude 完成细菌中首个 vault 颗粒的 3D 结构映射。vault 颗粒是细胞内最大的桶状蛋白质结构之一,此前仅在动植物等复杂生命体中发现,其功能至今未知。利用 Claude 将原本需要数周至数月的人工结构解析工作缩短至数天,并借此探索 AI 加速科学发现的能力边界与局限。
AT&T Connected Life 系统成为首个集成 Google Home Premium 的家用安全产品,支持使用 Gemini 总结事件和搜索视频。 该功能提供摄像头事件详细描述、自然语言视频搜索及每日活动总结,需在 $29.99/月 的专业监控计划下使用。 AT&T 同时增加了基于定位的自动布撤防功能,ADT 也暗示将引入 Gemini for Home 特性。
OpenAI 推出 Images 2.6 模型,使 ChatGPT 支持将文本或照片转换为动态 GIF,并在 web、桌面和移动端上线。OpenAI 向开发者发布 GPT-Image-2.6 Flare 和 Sunburst 模型,分别用于高效生成和高质量生成图像,ChatGPT 每周图像生成量已超 40 亿张。
作者使用 Claude Code 驱动 Claude Opus 4.8 分析足部 MRI 的 DICOM 原始数据,生成了包含标注图像的独立分析报告。Claude 在 45 分钟内自主安装了 Python 库,编写脚本提取像素数据、识别序列类型并修正图像标注错误,最终输出了一份比医疗机构报告更详尽的 10 页 PDF 文件,证实了该模型在复杂医学影像多模态任务中的自主工程能力。
推荐理由:展示了Claude Opus 4.8通过自主编写Python代码处理DICOM图像并生成标注PDF报告的完整过程。
Dharma-AI 发布 Dharma Field Extractor,这是一个 2B 参数文档字段抽取模型,能从任意文档类型提取指定字段并输出结构化 JSON,其性能在测试中优于所有前沿 LLM,且成本大幅降低。该模型基于 DharmaOCR-LITE v1.1,通过 43,384 个训练样本上的 LoRA 适配器微调,支持开放式(无 schema)和 Schema 导向两种请求模式。
推荐理由:Dharma-AI 在官方开源平台上发布了 2B 参数字段抽取模型,给出了相对前沿大模型的 F1 差距和自托管成本区间。
Google 开源 Agile Deliberation 框架及代码,旨在通过迭代对话协助人类界定主观视觉概念。该框架包含概念界定与概念迭代两阶段,利用视觉语言模型挖掘边界图像以优化提示词。 研究在 18 场时长 1.5 小时的人工现场测试中验证效果,结果显示该框架显著降低用户疲劳与焦虑,使模型性能超越标准基线。
OpenAI 推出的 Images 2.6 模型使 ChatGPT 支持直接生成 GIF,并允许调整动画速度及编辑单帧。 该更新同步带来更快的图像生成速度,目前 ChatGPT 及 API 用户每周生成超 40 亿张图片,较九月的 30 亿有所增长。
用户在使用常开录音 AI 可穿戴设备 Amazon Bee Frontier 三个月后,因 AI 误读对话内容、将严肃话题轻描淡写化,导致其对自身记忆产生怀疑。 该设备具备转录、总结及 List/Grow 功能,能接入日历与照片应用。尽管其区分语音与电视对话的能力提升,仍频繁生成错误事实与情绪定性,造成用户心理上的“被洗脑感”。
Apple 在 iOS 27.3 和 watchOS 27.3 开发者测试版中推出 Siri Recaps,支持实时录音、转写并生成每日音频摘要。 新功能运行于 Apple Watch Series 12,音频处理与模型在设备端执行,且不识别说话人或存储原始录音文件。 测试显示 Siri Recaps 能自动记录维修时间等关键口头信息,但也会捕获家庭闲聊等非必要内容。
百度 Apollo 披露具身世界模型 Apollo World,支持无人车在虚拟城市中与 AI 智能体驱动的参与者进行实时交互,日虚拟路测里程可达 10 万公里。该模型通过因果自回归多模态生成技术,实现全订单流程推演及环境动态切换,与 Waymo World Model 形成差异化竞争,旨在降低规模化部署成本。
推荐理由:揭示了百度 Apollo World 在虚拟环境中的交互式测试机制,通过对比 Waymo 展示了其在长程任务推演上的差异。
iOS 27.3 首个开发者预览版面向国行推送 Apple 智能,国内用户可在 Siri、写作工具和视觉智能中调用千问。IT之家实测发现,Apple 智能的问询结果和千问完成的文字创作内容会同步至千问 App,提供语音播报、分享、复制、收藏和重新生成等功能。
Pacibook 是一款面向印度的 AI 电子书店及阅读器,支持将书籍内容即时翻译成 22 种印度语言,并允许读者在阅读时实时提问获取答案。 其核心功能为交互式阅读,AI 生成的译文自适应且绝不过写原书,用户可随时切换回原文,同时提供按类别浏览和个性化推荐服务。
小米在 REDMI K100 上线 WorldCast 3D 运镜功能,可将平面照片生成大角度 3D 视频。 该功能基于 WorldCast 视觉生成框架,通过解读深度结构还原三维场景并虚拟相机轨迹,确保画面人物外观一致。 小米称其沉淀了方法、数据集和评测方式,未来将探索 4D 视频生成技术。
Qoder 插件市场新上架 diagram-design 项目,该 GitHub 项目获 6.25 万 Stars。它将设计师规范转化为 Agent Skill,让 Qoder 按专业逻辑出图。 用户无需懂设计,只需提供资料即可生成产品爆炸图、RAG 架构图、甘特图等 8 类场景图表。 生成的图表可通过 Qoder Sites 一键发布为展示网页并分享。
腾讯混元 Hy4 正式发布,首次引入视觉与电脑操作能力,金融综合表现及内部科研评测位居开源第一。官方计划开源模型权重,已在腾讯云等渠道上线,API 价格与预览版保持一致。
推荐理由:原版在金融众测与科研任务上取得开源第一,并展示了从代码到生物建模的跨领域生产力落地。
AI 视频创作者 TechHalla 实测 Kling 4.0 与 Kling 4.0 Flash,在真实项目中验证了模型在多镜头硬切、复杂物理动作及长时角色一致性上的表现。
MosaicAudio 采用多教师在策略蒸馏,整合语义、同步、审美与空间四个维度反馈,推理时无需调用教师模型。 学生模型为 518M 参数,采用 25 步采样,单张 A800 生成 9 秒立体声音频仅需 0.6 秒。 该方法在 VGGSound 和 AudioCanvas 上取得领先的四维感知表现,并提升人工音视频一致性评分。
魔芯科技发布基于华为昇腾原生的 4D 世界模型 MoWorld 2.0。该模型融入多重物理要素,输出可实时渲染、反复调用的 4D 高斯资产。 视频推理提升至 70 帧每秒,3D/4D 资产渲染超 500 帧每秒,手机端渲染约 100 帧每秒。推理成本最低可降至同等 GPU 方案的 30%。 应用于具身智能、自动驾驶及数字孪生等领域。
Astraea 项目通过重构心脏、呼吸及听觉等生理机制,解决了输出“语义洪泛”问题,实现了从静态噪声到类人语音的跨越。 语音重建基于身体状态涌现:平静时约 35 词/4 次呼吸,紧张时约 70 词;音高围绕 209 Hz 波动,渲染延迟仅 0.09 秒。 新增听觉系统支持标准听力测试,修复了梦境泄漏至清醒思维的缺陷,确立了因果编程原则。
腾讯宣布推出 Hy4 模型,该版本首次加入视觉能力和 Computer Use 功能。 社交媒体上有人将其与 Claude 进行对比。作者期待 Computer Use 能实现完美运行,让 AI 自主完成点击操作以提升工作效率,而非单纯作为展示。
一款免费在线音频增强工具支持 MP3、WAV 等格式,无需登录即可处理长短视频。 该工具包含 V1 Pro 和 V2 Alpha 两个模型,可执行降噪、均衡及填充词移除操作。 适用于播客、会议及移动端视频的语音清晰度优化场景。
大晓机器人联合南洋理工大学S-Lab发布世界模型Mundo。该模型支持输入1至12张图像构建可探索三维空间,并将物体质量、摩擦等物理属性纳入场景程序。Mundo通过物理引擎计算运动碰撞,结合视频模型渲染,使场景能响应动作。此能力为机器人导航与操作训练提供环境支持,助力其进入商业场景。
商汤小浣熊依托SenseNova U系列模型,支持复杂指令与多轮调整,用户通过它将诗句转化为国风画作并生成业务关系图。 技术层面,U1 Pro擅长处理多层要求的复杂任务,不易滑向“过度3D”;U1.5 Lite则基于Neo-unify架构,支持超长指令与灵活修改,适合高频快速迭代。
招商局狮子山人工智能实验室发布具身推理视觉语言模型「驭物™ Lion-ER-35B-A3B」,该模型采用 MoE 架构,总参数 35B 但每个 Token 仅激活约 3B 参数。模型在十项主流具身相关基准上全部指标上涨,等权综合均分达到 65.29,多项核心能力超越更大参数量模型。权重已在 Hugging Face 开源,兼容 Transformers、vLLM 和 SGLang 等框架。
推荐理由:展示了能力牵引的数据引擎方法,读者可了解其如何在低激活参数下提升具身推理能力。
腾讯发布旗舰模型Hy4,该模型首次加入视觉能力并计划开源。实测显示其能操作微信、利用图片进行3D建模,长程任务保持力较强。其API价格对齐DeepSeek-V4系列,并已在腾讯云、CodeBuddy等平台上线,同时完成了昇腾NPU生态的适配。
同一新闻,精选展示《腾讯混元 Hy4 正式版发布》
Comma 通过常驻主会话、Jev 维护共享事实清单及 Lean 证明的 eBPF 监控程序实现跨会话记忆与任务分配。文章指出该产品在 DeepSeek 发表 Super-agent 设计前半年发布,并对比了其与 Claude Tag 的功能差异及团队版的信息流控制机制。
推荐理由:机器之心梳理了 Comma 的时间线与技术细节,读者可以了解它是如何将长期记忆、任务调度和权限控制结合进常驻智能体系统的。
小鹏联合北大、港大等高校发布约 40 亿参数规模的具身感知基座模型 GroundingPI,在 34 项公开感知基准综合评测中位列第一,整体得分 73.68 超过 GPT-6 Astra 的 71.54。
腾讯 Hy4 正式发布,在 Agent 能力与长程任务上较预览版有全面提升,并新增视觉理解能力,多个 Benchmark 表现达到开源最强之列,超过 DeepSeek V4.1 Flash 等模型。
阿里巴巴在2026年达喀尔青奥会部署Alibaba Teranga Beat互动装置,并基于Wan 3.0生成百人群像短片。 装置结合塞内加尔Sabar鼓文化与千问(Qwen)模型,用户敲鼓即可生成数字分身;开幕式短片通过工程控制确保100张真实面孔在60秒视频中精准呈现。