跳到正文
11月5日周四
  1. arXiv · NLP23

    大语言模型能否模仿特定作者:六款模型对比评估

    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。

  2. 机器之心52

    港大提出RaPO:强化微调破解MLLM视觉持续学习灾难性遗忘

    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。

  3. 量子位80

    GPT-Image-2.6 上线:原生支持 GIF 与 SVG,6.2 Astra 现身

    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》

  4. 36氪75

    实测苹果国行AI:苹果+千问混合方案落地

    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。

    同一新闻,精选展示《国行 Apple 智能与 Siri 在 iOS 27.3 开发者预览版上线》

  5. R/ArtificialInteligence36

    Google Research 推出 Agile Deliberation,让用户标注模糊指令下的边界案例

    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。

  6. Anthropic (X)53

    Anthropic 利用 Claude 映射细菌中首个 vault 颗粒 3D 结构

    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。

  7. The Verge · AI43

    AT&T 智能安全系统接入 Gemini for Home

    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。

  8. Hacker News AI76

    Claude Opus 4.8 使用 Python 自动化分析个人 MRI 影像数据

    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。

  9. Hugging Face Blog70

    Dharma-AI 发布 Dharma Field Extractor:2B 参数文档字段抽取模型

    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。

  10. Google Research44

    Agile Deliberation:Google 开放源码协助人类定义主观 AI 分类界限

    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。

  11. The Verge · AI42

    Amazon Bee Frontier 常开录音引发用户现实感困惑与隐私争议

    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”。

  12. TechCrunch · AI44

    Apple iOS 27.3 与 watchOS 27.3 测试版引入 Siri Recaps 等音频智能功能

    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。

  13. 机器之心79

    百度发布具身世界模型 Apollo World,实现无人车虚拟闭环交互测试

    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。

11月4日周三
  1. IT之家77

    国行 Apple 智能内容同步至千问 App

    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。

    同一新闻,精选展示《国行 Apple 智能与 Siri 在 iOS 27.3 开发者预览版上线》

  2. Hacker News AI26

    Show HN: Pacibook – 用 AI 阅读器将书籍翻译成 22 种印度语言

    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。

  3. IT之家36

    小米 WorldCast 3D 运镜在 REDMI K100 上线:平面照片还原成三维场景,并虚拟出真实相机轨迹

    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。

  4. Qoder42

    Qoder 上线 diagram-design 插件,支持 12 种专业图表生成

    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。

  5. 腾讯混元92

    腾讯混元 Hy4 正式版发布

    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。

  6. 阿里语音AI23

    MosaicAudio 通过多教师蒸馏优化视频配音的语义、同步、审美与空间表现

    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。

  7. IT之家50

    魔芯科技发布华为昇腾原生4D世界模型 MoWorld 2.0

    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。

  8. R/ArtificialInteligence29

    Astraea Project 12 天更新:从语义洪泛修复到身心机制构建

    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。

  9. 商汤科技SenseTime44

    大晓机器人联合南洋理工大学发布可交互世界模型 Mundo

    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。

  10. 商汤科技SenseTime20

    商汤小浣熊:从国风创作到业务图生成,真实用户如何用SenseNova U系列模型

    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。

  11. 量子位71

    招商局狮子山实验室发布「驭物™ Lion-ER-35B-A3B」具身推理模型

    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。

  12. 智东西85

    腾讯发布开源旗舰模型Hy4,首具视觉能力并接入微信生态

    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》

  13. 机器之心68

    Comma 常驻智能体实现长期记忆与任务调度机制

    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。