Seedance 海外收入占比达 50%,国内腾讯、B 站成主力客户
字节跳动旗下视频生成模型 Seedance 的海外收入占比已达 50%,过去半年海外市场收入增长近 5 倍。国内方面,腾讯位列 Seedance 中国区客户前三,B 站进入前十;此外,Seedance 的实体产业客户数量占比已超过四分之一,涵盖制造、医疗、教育等行业,Seedance2.5 的多模态参考能力正推动模型深入具身智能与工业培训等生产环境。
字节跳动旗下视频生成模型 Seedance 的海外收入占比已达 50%,过去半年海外市场收入增长近 5 倍。国内方面,腾讯位列 Seedance 中国区客户前三,B 站进入前十;此外,Seedance 的实体产业客户数量占比已超过四分之一,涵盖制造、医疗、教育等行业,Seedance2.5 的多模态参考能力正推动模型深入具身智能与工业培训等生产环境。
雷鸟创新在京东双 11 期间智能眼镜与 XR 设备品牌榜均列第一,雷鸟 iO、雷鸟 GT Max 分别获光波导及 AR 眼镜单品销量第一。 雷鸟 iO 结合 AI 功能,GT Max 支持 267 英寸巨幕;雷鸟 iO 到手价 1911 元,GT Max 2209 元,V4 1529 元起。 产品已进入全球超 40 个国家,累计销量突破 100 万台。
商汤科技发布SenseNova 6.8 Flash正式版,核心升级聚焦于办公自动化与多模态设计生成。该模型支持基于长期记忆的主动交互,能识别信息变化并主动提出调整建议,同时在设计领域支持Web、SVG、Three.js、Blender及动态PPT等交付形态。
商汤科技CEO徐立指出,AI正推动教育回应个体差异,实现因材施教。 借助商汤小浣熊教育版,教师可生成差异化课件,视障者曹文伟利用该工具开发“光桥AI”无障碍材料。 自2022年起,商汤与沙特合作累计覆盖3万名学生和2500名教师,帮助AI跨越语言文化惠及更多人。
Flow AI 发布统一创意工作室,整合视频、图像、音乐和语音生成工具。 用户可通过文本提示或参考图起步,选择四种格式进行创作,生成工作室级媒体文件供下载和编辑。
两名 MIT 研究员获得 2026 年 AI 在科学研究卓越贡献 Pritzker 奖。该奖项基于他们 2020 年发表在 Cell 上的论文,该论文描述了首个 AI 发现的抗生素 halicin。这一由深度学习模型(训练自 2500 种分子)发现的分子能够杀死包括艰难梭菌(C. difficile)和鲍曼不动杆菌(A. baumannii)在内的耐药性超级细菌。
VRChat 官方拒绝为用户强烈支持的“AI 生成内容标识”需求增加标识,称此举可能弊大于利。 平台称担心标识引发用户相互调查与骚扰,替代方案为禁止虚假 AI 缩略图及增加点赞/点踩反馈功能。 该决定导致 VRChat 近 30 天 Steam 好评率降至 30%,评价从“多半好评”跌至“多半差评”。
商汤研究院、港科 MMLab 等联合提出 MT Forcing 方法,用于改善基于自回归扩散的统一多模态模型在连续多轮图像编辑中的画质退化与内容漂移问题。该方法结合 Single-Turn DMD 与 Teacher-Forcing Guidance,使模型在训练阶段通过自主展开覆盖推理时的实际历史,并利用单轮教师提供分布匹配监督以维持输出质量。
研究表明多模态模型在算法视觉谜题上的瓶颈在于感知而非推理。 将图像替换为文本描述后,Claude 模型平均性能提升超过 20 分。 使用 GRPO 训练 Qwen-2.5-VL-7B,特定奖励设计带来 5.56 分的性能增益,验证了感知感知奖励设计的潜力。
研究提出离散潜在推理(DLR),首个将连续潜在状态转化为显式离散 token 的方法,解决了传统方法训练不稳定且轨迹不可解释的问题。 受基于渲染的压缩启发,DLR 将思维链文本渲染为图像并提取视觉特征,通过基于聚类的微调构建离散潜在词汇。
论文提出 TOPol 方法,挑战 NLP 中单维情感极性视图,将主题映射至 Transformer 残差流中统计可复现的双极性语义轴集合。 在 Gemma 3 4B 模型及 9,986 条 Amazon 评论上,盲测重导出情感轴(余弦相似度 0.71-0.97),认证 543 个轴,其中 106 个近正交于情感,显示极性为主题表示几何的属性。
DR Pixel 是首个开源端到端多模态深度研究智能体,将渲染页面图像作为唯一检索与推理单元,在 GPT-5.4 等模型上超越 OCR 基线。 该智能体在 106 万页面语料库上运行,并构建 DRPixelBench 进行评测。通过反事实信用重加权微调,检索召回率提升约 15 点,最终准确率提升超 10 点。
视觉文本压缩中 VLM 存在“读用差距”,Qwen3-VL-8B 识别在 15 像素饱和,使用需 24 像素,2B 至 32B 扩参未缩小该差距。 提出 ALOUD 方法,冻结 Qwen3-VL-8B 在 5x/10x 压缩长文档上准确率从 27.7% 升至 54.8%,优于 LensVLM-9B 等保留原文的方法。 证明瓶颈在于使用而非恢复,ALOUD 以更少计算量超越现有基线。
提出无训练推理方法 ConstraintMatch,将实体级区域一致性转化为匹配成本,提升组合图像-文本匹配准确率。 在 Qwen 2B 和 CORE 2B 骨干模型上,该方法比全局匹配分别提升 7.70 和 5.63 个百分比点,优于 SGI 基准。 确立了实体级证据选择作为组合多模态检索的实用评分原则。
研究引入 SAC-Bench,包含来自 188 个声事件类别的 616,031 个独特片段,用于测试 Audio-Language 模型在语音断言与声学证据矛盾时的响应。
研究团队提出包含 2,507 个历史数学图示的基准 HistGramBench,用于评估多模态模型将其重绘为 TikZ 代码时的结构恢复效果。该基准涵盖 1551 至 1933 年间 8 种语言的 95 部著作,测试 6 款 AI 模型,最佳模型仅能恢复约五分之三的关键几何关系。
该数据中心化框架利用未标注文本语料和数字字体,无需人工标注图像即可为低资源文字构建端到端 OCR 系统。 在克什米尔语(Perso-Arabic Nastaliq 文字)演示中,系统基于 YOLOv8 检测器和 CNN-RNN 识别器,在留出词集上达到 0.39% 字符错误率(CER),在数字页面合成数据上为 10.0%。
针对过程感知LLM反馈的学习者感知开展混合方法研究,43名本科英语学习者使用评分与开放题评估基于最终稿、中间快照及按键记录生成的反馈。 74.4%至95.3%参与者在6个Likert项目中打4-5分;单侧符号检验在Holm校正后均显著,且修订分析对应度与感知效用正相关(Spearman's ρ_s=.327,p=.032)。
研究表明,多语言情感词汇表可替代现有方法,作为低资源语言激活引导的有效信号。 在中等及低资源语言中,聚合的多语言词汇表优于英文衍生向量,可缓解因英文大向量淹没紧凑表征导致的“语言坍缩”。 该发现为跨语言模型行为控制提供了实用机制解释。
研究提出 MultiInpaintCOCO 基准,将 InpaintCOCO 扩展至 13 种类型学多样的语言,包含 953 个最小对样本。 该基准涵盖五大语系,测试了轻量级 VL CLIP 类编码器与大型语言模型在跨语言检索中的表现。结果显示低资源语言性能显著下降,且多数模型表现出对英语的系统性偏好。
Omni-Life 基准测试了 12 种主流全模态实时 AI 模型在 400 个视频中的表现。 在需要协助的 290 个视频中,模型完全处理正确的比例最高仅为 4.48%,显示现有模型难以提供可靠帮助。 增加任务提醒可将召回率提升 17.12 个百分点,但每分钟约增加 4.6 个多余响应。
PGuard 将安全监控集成至大模型骨干中,利用中间表征实现 token 级安全检测,不改变原有推理路径。 支持动态层门控及多种表征架构,在 Qwen3.5-122B-A10B 上端到端开销仅 0.82%-2.26%。 在 30 余个基准测试中表现领先,Qwen3.5-9B 文本查询平均 F1 达 0.836,接近专用外部护栏。
研究者利用英语、西班牙语、法语和德语的1.2万条Reddit本地帖子,对3个开源及3个API模型的性别、种族和宗教偏见进行了审计。 研究发现宗教维度的选择失衡在所有模型中最高;API模型得分全面低于开源模型;负面性别偏见在英语语境下更显著。 这些结果揭示了聚合分数可能掩盖特定类别和语境的偏见行为,强调了部署前进行细致检查的必要性。
EEG-HealthLLM 采用非对称层级适配策略,在异构 EEG 健康评估任务中取得 69.58% 的平均平衡准确率(BAC),优于其他评测方法。 该框架使用任务特定 EEG 适配器保留时空动态,结合注入 LLM 骨干(如 Phi-3)的统一共享 LoRA 实现高效参数共享,相比单任务适配降低 80% 语言侧适配器规模。
研究人员提出 sentiment sensing 框架,结合成分数据分析、函数数据方法与非参数推断,解决跨国情感分析中的语言偏差、统计失效及动态检测难题。 该框架在欧洲联盟 27 个国家关于能源和人工智能的新闻文章两个案例研究中完成测试,实现了有效的多语言比较和情感转变检测。 框架旨在推动多语言情感分析领域的严谨比较科学研究。
CheXPoT 通过程序化思维对 VLM 生成的胸部 X 光报告进行事后验证,利用 RadGraph、LLM、DenseNet-121 和 Grad-CAM 移除无法基于图像证据支撑的预测。
该框架通过训练小模型预测读者响应轨迹,并结合大模型生成故事,将轨迹保真度提升 12%-35%。 其核心在于利用低维轨迹指导生成,而非直接建模高维故事内容,同时基本保留故事连贯性。
实验表明 Gemini 3.6 Flash 和 Qwen3.7 Flash 在韩语谈判中达成协议的频率显著高于英语。 韩语场景下双方让价幅度更大,卖家礼貌性缓解行为占比高达 11.7%,显示交互语言会改变行为而非仅措辞。
FBDM 通过非对抗速度回归学习自监督表征,在三个 ResNet-18 基准测试中训练吞吐量较基于 critic 的分布匹配方法提升 2.17 至 2.36 倍。
summary_zh: 多模态大语言模型可预测脑活动,但脑对齐此前仅为测量指标而非设计工具。研究提出 Platonic 脑桥假设,验证了模型与脑的双向收敛性。
DAMI 框架通过整合元学习构建共享技能空间,使机器人智能体能够快速适应未见的新任务。 该框架引入 VMT 模块捕捉时空动态,使用 U2T 块融合多模态观测,并集成 TCFM 机制调节低层 3D 特征,从随机完整参考演示中学习任务逻辑。 实验表明,DAMI 在已知任务的直接推理和未见任务的少样本微调中性能优于最先进基线。
研究发现 MERU、HyCoCLIP 和 PHyCLIP 等双曲视觉语言模型的已发布检查点均保持近欧几里得特性,最大图像侧无因次半径仅为 0.37,远低于局部度量畸变达到 10% 的 0.84 阈值。
论文提出自监督微调框架 TuneCLIP,显著提升开源权重 CLIP 模型性能,避免标准微调导致的效果退化。 包含恢复优化统计的预热阶段与对比损失优化,在 SigLIP (ViT-B/16) 上 ImageNet 提升 2.5%,DataComp 提升 1.2%。 为高效后训练适配设定了新的强基线,代码已开源,该研究获 NeurIPS 2026 spotlight。
该研究提出一种时变、几何感知的深度算子网络,通过841个高保真FlowBench模拟数据进行训练,在262个未见过的几何体上实现了相对于CFD最高1000倍的加速。 模型利用符号距离场(SDF)编码几何,并在单一预测步长中达到约5%的相对L2误差。 通过相位滞后和Strouhal频率分析发现,该模型在近瞬态预测上较为准确,但在尖锐几何体的尾迹区域存在细尺度误差累积,且代码与脚本已公开以支持复现。
RePercENT是一个自监督框架,通过成对解耦突破现有方法仅限双模态的扩展性瓶颈,利用预提取嵌入无需联合预训练。该框架在图像、视频、临床报告等跨模态任务中恢复解耦成分,显著降低计算复杂度且保持竞争性性能。
MulTaBench 提出包含 40 个数据集的评测基准,涵盖图像-表格与文本-表格任务。 现有基准常因模态共现导致高方差,MulTaBench 聚焦于模态提供互补预测信号的任务,验证了目标感知表征调优在多种表格学习器上的泛化收益。 该基准旨在促进融合联合建模的新型架构研究,为开发多模态表格基础模型铺平道路。
LEAF 提出一种利用自然语言任务指令引导表征学习的脑机接口 EEG 基础模型。 该模型通过联合频谱-时间重建框架与指令条件 Q-Former 实现语义对齐,在 16 个下游数据集中的 12 个上取得最优平衡准确率。 代码已公开,支持将任务指令作为语义先验以提升 EEG 解码的鲁棒性与可迁移性。
Vis-Lens 框架整合变分自编码器与扩散模型,通过修改激活正则化的潜在代码直接生成自然真实的首选图像。 模型利用来自大脑区域或神经单元激活的基于激活的先前分布,有效正则化结构化视觉表征景观。 在人工神经网络和人类视觉皮层 fMRI 数据上验证,该方法在激活调制和图像真实性上优于近期 SOTA 方法。
Kev-Bio 视觉语言模型在 FU/GU Biometry 2026 数据集上取得 22.50 像素平均径向误差及 15.38 临床测量 MAE。 该模型受 System One 决策启发,通过生成查询匹配超声特征生成空间概率图,端到端训练定位与测量损失。 代码和模型已开放获取,验证了其在不同解剖视图中超声地标检测的有效性。
EventGPT 在 MBD-mini 数据集上完成下一事件预训练,无需标签即可预测未来事件概率。 模型基于 100,224 名客户和 3,880 万笔交易训练,在 L4 GPU 上耗时约 2 小时,使用 8,192 tokens 窗口;对五类“首次交易”目标的 ROC-AUC 达 0.79–0.92。 预训练权重与代码已开源。