Elorian 发布视觉推理模型 Glimpse 及 DecoyCount 基准
Elorian 发布视觉推理模型 Glimpse,在 DecoyCount 基准中以 50.48% 准确率超越 GPT-6 Astra (43.17%),成为唯一突破 50% 的模型。 Glimpse 是单轮独立运行结果,而前沿模型为三轮平均;Glimpse 的训练数据中未发现与测试集重叠。 该基准揭示了模型区分视觉缺失与推理错误的机制,Elorian 称其在机器人等场景具备成本优势。
Elorian 发布视觉推理模型 Glimpse,在 DecoyCount 基准中以 50.48% 准确率超越 GPT-6 Astra (43.17%),成为唯一突破 50% 的模型。 Glimpse 是单轮独立运行结果,而前沿模型为三轮平均;Glimpse 的训练数据中未发现与测试集重叠。 该基准揭示了模型区分视觉缺失与推理错误的机制,Elorian 称其在机器人等场景具备成本优势。
作者构建了一个互动式 AI 城市模拟工具,展示 AI 如何改变 1956 年至 2050 年的日常生活。 该模拟涵盖单个房间和城市层面的演变,其中 2030 年代包含三种可能的未来路径;所有预测均引用来源,且新闻内容每日更新。
Google 发布前沿 AI 模型 Gemini 4 Carbon,目前用户无法使用。 该模型本质上是 Argon 的略微升级版,具体参数细节未披露。
苹果发布首款触控 MacBook Pro,配备 PROLED XDR 显示屏,最高支持 128GB 统一内存。M5 Max 芯片版可本地运行数千亿参数大语言模型,每个 GPU 核心内置神经网络加速器,可加速本地 AI 推理,支持运行编程智能体、图形密集型 AI 任务,以及通过 LM Studio、TouchDesigner 等应用进行创意工作流。
亚马逊 Prime Video 上线首部全流程 AI 生成剧集《Castle Walls》,由土耳其工作室 Ay Yapım 制作,共 2 集、每集 17 分钟,背景设定于 11 世纪 Alamut 城堡。
用户要求 Qwen 撰写登陆外星行星的科幻故事,模型生成了包含火箭方程计算的详细物理方案。 计算显示加速段消耗 40.5 吨燃料,捕获段消耗 6.1 吨,通过弹射 600 公斤驱动舱实现制动。 该机制确保了轨道捕获的成功,体现了模型在叙事中整合复杂科学逻辑的能力。
南洋理工大学等机构提出 NV-CoT,通过预测连续数值坐标重构视觉思维链,获 NeurIPS 2026 Oral。 该方法在 Vis-CoT-363K 上将定位 IoU 从 47.3 提升至 59.5。其结合 Laplace 策略支持强化学习,无需中间框标注即可优化区域定位。
代表未见之物 重新思考空间推理中的视觉想象力 论文:https://huggingface.co/papers/2610.37437
发布了一张展示 AI 领域关键人物与资金流向的动态地图。 该地图旨在可视化 AI 生态系统中的资本与人才网络。
Meta 发布 Muse Realtime Avatar,将任意参考图像转化为能实时说话的 AI 角色。该技术与 Muse Realtime Voice 共享语音 token 流,使表情、手势与语音同步,并支持无限实时视频生成。
推荐理由:该发布把 Muse Realtime Voice 接入 Diffusion Transformer,实现 25 FPS 的 448x768 实时视频生成,并将推理优化降至 870 毫秒延迟。
苹果发布 iOS 27.2,更新 iPhone 照片应用。 新增共享相簿功能,支持编辑说明评论、避免重复添加及到期提醒,并引入 SynthID 水印识别 AI 生成图像。 SynthID 为谷歌开发的隐形数字水印技术,可检测图像是否由生成式工具创建或修改。
极米今日开售记得 AI 记忆眼镜 G1 与手环 L1,首发价分别为 1299 元及 599 元起。 两款产品均支持全天候 AI 录音与个人记忆对话,G1 为重 17.9g 的钛金属 3D 打印眼镜,L1 支持手环与吊坠双形态。 音频原始数据用完即删,综合续航 2-5 天,短途差旅无需充电。
NVIDIA 在 Hugging Face 与 ModelScope 开源 Nemotron 3.5 Transcribe 模型及 Granary v2 数据处理管线,将多语言语音转录、说话人归属与音频问答功能整合在同一权重中。
推荐理由:模型集成转录、说话人归属与音频问答,配套开源数据管线,读者可据此判断如何将其适配到特定领域场景。
Simon Willison 认为 2026 年 10 月是 AI 游戏开发的拐点,并展示了使用 Claude Opus 5.5 和 GPT-6 制作的四个游戏项目。
制作AI桌面音乐会需分离演员与动作输入。 每角色使用一张清晰照片,避免群像或滤镜,并明确映射角色。支持最多5名成员,15秒视频生成起价8.90美元。
亚马逊发布五款搭载 Alexa+ 的智能家居新品,包括 Echo Show 16、新一代 Echo Dot、带摄像头的 Echo Studio、Echo Time 智能闹钟和 Alexa Photo Frame 数码相框。
讯飞输入法 16.0 正式发布,推出第三代“意图成稿”AI 键盘功能。 该版本支持结合用户提供的信息自动整理汇报或计划,并具备“恋爱军师”等场景技能。 官方定位为专属表达伙伴,旨在帮助用户更高效地完成复杂信息输入。
Google研究团队提出StreamVibe框架及StreamVibe-Bench,实现主动式视频智能体在动态环境下的意图捕捉。该基准涵盖4100个评测样本,将用户意图划分为显式、隐式和动态演变三类,并配合自适应流式监督微调与局部轨迹强化学习提升交互可靠性。实验结果显示,模型在完整轨迹评测的Content F1上超越开源基线,在外部基准EgoProactive和IPIBench的得分也显著提升。
Liquid AI 发布基于三混合层架构的 LFM3 模型家族,该系列在 22T 词元上预训练,旨在平衡高效能与表现力。 首批产品包括 LFM-1.7B、LFM3-VL-2B、d1-2B、LFM3-Audio、LFM3-Omni-2B 及 d1-Omni-2B,均基于 LFM3-1.7B-Base。
大众汽车集团(中国)发布首款自研全场景 L2++ 级辅助驾驶方案 Hyper Sense 8,支持城市及高速 NOA 和全场景泊车辅助。 该方案今年将搭载于集团旗下三家合资企业的七款电动化产品。自研 AI 世界模型 GAIA 2.0 将有效数据利用率提升 10 倍,长尾场景数据收集率提高 50 倍,为 L3 自动驾驶做准备。
NVIDIA Nemotron 3.5 Bolt E4B 模型在 8 核 CPU 无 GPU 环境下完成工具调用和语音助手闭环测试,生成速度约为 11 tokens/s。工具选择准确率达 100%,参数完全正确率 95%,单次语音交互全程耗时约 4.5 秒,内存占用约 4.7 GB。测试证实该模型适合在普通计算设备上实现离线语音交互,但在处理相对日期时需通过代码预解析以提高准确率。
博纳影业主导的《三星堆:未来过去》是中国首部全AI生成的院线电影,以150万美元预算仅获约18万美元票房。 该片虽被视为重要实验,但此次失利表明,相较于观众普遍接受的AI微短剧,全AI长片在商业上仍面临巨大挑战。
Anthropic S-1 披露其将 Amazon Trainium、Google TPU、Nvidia GPU 和 AMD GPU 作为单一可互换算力池管理,软件按生产力自动路由任务。 分析师称这种耗时数年构建的灵活性赋予大型 AI 实验室对 Nvidia 的议价能力,但因转换成本高,小型玩家仍无法跟进。
Elon Musk使用Grok Imagine与Wonder Studios合作发布了基于《奥德赛》的7分钟AI生成影片首集,在X平台上线。该片由3人核心团队耗时不足两周制作,成本仅为数万美元,而与之对比的Christopher Nolan版《奥德赛》耗资2.5亿美元。
谷歌发布新一代世界模型Genie 4,具备原生音频生成、实时交互和多步骤推理能力。该模型融合Gemini系列,可模拟空气动力学与碰撞等物理过程,支持自然语言操控场景,目前以研究预览形式向受信任测试者开放,后续将接入Gemini API和Google AI Studio。
同一新闻,精选展示《Google DeepMind 发布世界模型 Genie 4》
Meta 等机构提出 World-T³ 相机可控视频世界模型,利用测试时训练将历史观测按相机位姿写入快速权重,实现长时记忆持久化。在重访基准测试中,该方法将重访 PSNR 从最强基线的 13.52 dB 提升至 18.31 dB,绝对旋转误差降至 1.075°。
推荐理由:论文提出了将相机位姿记忆写入快速权重的测试时训练方案,单卡实现 20.6 FPS 实时长时生成。
谷歌发布新一代世界模型Genie 4,支持用户通过键盘和自然语言实时改变视觉环境与物理现象。该模型原生生成实时音频,并融合 Gemini 3.8 Flash 模型以支持复杂事件推理与任务规划。目前处于早期研究阶段,将在 SynthID 水印保障下向受限用户开放研究预览。
同一新闻,精选展示《Google DeepMind 发布世界模型 Genie 4》
Google DeepMind 发布新一代世界模型 Genie 4,模拟时长从约一分钟延长至两分钟,并首次支持原生音频生成。Genie 4 融合了 Gemini 系列模型,其中 Gemini 3.8 Flash 充当实时引导智能体,负责规划行动并判断执行结果,使虚拟世界具备动态反应能力。
同一新闻,精选展示《Google DeepMind 发布世界模型 Genie 4》
研究利用包含 39,941 张图像的深度学习目标检测框架,识别大象、穿山虎和老虎制品。 最佳模型采用 Faster R-CNN 架构,综合准确率达 84.2%,其中穿山虎制品检测准确率最高为 93.6%。 部署的智能手机原型应用在独立测试集上达到 91.3% 准确率,支持实时监测与快速分诊。
研究采用薄膜铌酸锂马赫-曾德尔调制器作为模拟计算单元,在Vision Transformers和GPT-2上接近数字基线性能。 实验在10 GBaud符号率下表征电光响应,并在4-bit输入输出量化条件下验证模型鲁棒性。分析显示整体延迟比现有电子及光子Softmax实现降低一个数量级以上。
零样本多模态框架在130个足球事件测试集上实现72.0%的F1@5s,超越CALF和NetVLAD++。 通过紧凑的视觉故事板和语音转录将推理成本降低72%,支持高光生成与视频索引。 研究已被ISM 2026主会议接收。
该研究实证比较了 Attention、卷积及 Mamba 架构的视觉基础模型在 Visual Prompting (VP)、Linear Probing (LP)、Full Fine-tuning (FFT) 及 LoRA 下的性能。
PDRVLA 提出轻量级物理动力学模块,直接从视觉-语言特征提取物理 token 条件化动作生成,避免在线视频生成带来的高延迟。 该模块通过直接预测未来 RGB、深度和光流特征学习,并采用冻结预训练视频世界模型辅助监督;训练使用公开数据及人形到机器人合成等技术。 在 LIBERO 等四个仿真基准上成功率最高达 99.3%,消融实验验证了世界模型监督对未来预测及动作成功的提升作用。
研究者提出 ShredBench 基准,通过 Markdown 自动管线生成碎片化文档,以测试多模态大语言模型在视觉丰富文档理解中的语义推理能力。 该基准覆盖英语、中文、代码、表格四种场景,包含 8、12、16 碎片三种细粒度。对最先进模型的评测显示,文档碎片化后 NED 指标急剧下降。 研究发现当前模型缺乏跨模态细粒度推理能力,无法有效桥接视觉不连续性。
研究利用 CONUS 和印度北部田块数据,构建了涵盖几何可分性、时间动态及跨域泛化的评估框架,基准测试了 64 维 AlphaEarth 嵌入。 AlphaEarth 嵌入在光谱相似作物(如玉米/大豆)上的 Bhattacharyya 距离达 3.9,多轮作物轮作可分性比率为 1.784,均显著优于传统特征。
新框架利用共享的生物画像将神经元路由至潜在组,支持无需重训练即可向未见动物迁移。 该框架在斑马鱼幼鱼全脑钙成像及小鼠视觉皮层大规模电生理学数据上取得最先进水平,显著提升了行为解码和流形分析性能。 结果表明,按多模态生物特征组织神经群体是推广跨主体动态的有效途径。
研究人员提出 SMEBench,一个包含 3600 个样本的神经音乐编辑基准,涵盖 12 种 MIDI 操作并配备配对目标音频。 该基准支持独立评估源保持、目标一致性及文本兼容性,并展示了 6 个代表性编辑系统的表现。
TOFU 提出了一种基于 token 的知识图谱基础模型,通过离散化结构、视觉和文本信息为模态特异性 token,实现了在 17 个多模态知识图谱上的强泛化性能。 该模型采用层级融合架构和混合消息机制处理多模态 token,在 transductive、inductive 和 fully-inductive 设置下均优于现有的知识图谱基础模型和多模态知识图谱推理基线。
提出 AZeroS 模型,基于 Qwen2.5-7B-Instruct,通过自生成无指令调优(SIFT)范式扩展 LLM 至语音领域,无需收集任务特定问答对。 利用约 25,000 小时带 ASR 转录的语音和 3,000 小时带副语言标签的语音进行训练,仅更新两个 23.80M 参数的轻量投影模块,保持 LLM 和音频编码器冻结。
研究揭示了多模态大语言模型在视觉证据不足时的拒绝行为由指令、后训练和内部激活共同塑造。 指令的含义和位置对拒绝率影响显著,且存在模型特定的样本级变化;后训练会增加拒绝率,但可能诱发“拒绝语言+尝试回答”的混合响应。 发现激活干预能产生跨提示条件可迁移的小幅变化,提示需将证据识别与模型固有的拒绝倾向解耦。