跳到正文
10月29日周四
  1. Latent Space41

    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。

  2. IT之家75

    苹果首款触控 MacBook Pro 发布:最高配 128GB 统一内存,本地运行数千亿参数大模型

    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。

  3. R/ArtificialInteligence25

    Qwen 模型生成科幻故事时的物理参数推演过程

    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。

10月28日周三
  1. Hacker News AI83

    Meta 发布 Muse Realtime Avatar:图像变实时互动角色

    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。

  2. Hugging Face Blog87

    NVIDIA 开源 Nemotron 3.5 Transcribe 与 Granary v2,支持提示词驱动的多语言语音转录与微调

    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。

  3. 机器之心60

    Google等提出StreamVibe:动态意图下的主动式视频智能体研究与评测体系

    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。

  4. IT之家33

    大众发布 Hyper Sense 8 全场景 L2++ 级辅助驾驶方案

    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。

  5. HackerNoon · AI75

    NVIDIA Nemotron 3.5 Bolt E4B 无 GPU 运行基准测试

    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。

  6. 智东西86

    谷歌发布世界模型Genie 4,支持物理模拟与实时交互

    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》

  7. 机器之心72

    Meta 提出 World-T³ 视频世界模型:测试时训练解决长时记忆遗忘并实现单卡实时生成

    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。

  8. 机器之心80

    谷歌发布Genie 4世界模型,支持实时交互与原生音频生成

    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》

  9. APPSO88

    Google DeepMind 发布 Genie 4 世界模型

    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》

  10. arXiv · ML33

    PDRVLA:融合物理动力学表征的视觉-语言-动作模型

    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。

  11. arXiv · NLP30

    ShredBench:评估多模态大语言模型在文档重构中的语义推理能力

    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。

  12. arXiv · ML30

    评估 AlphaEarth 嵌入在作物分类中的表现:可分性、时间动态与跨区域迁移能力

    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。

  13. arXiv · ML26

    基于神经元身份的组织框架提升跨主体神经群体动态分析

    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。

  14. arXiv · NLP27

    TOFU:构建基于细粒度可迁移多模态 Token 的知识图谱基础模型

    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。

  15. arXiv · NLP43

    AZeroS 模型:基于自生成无指令调优扩展 LLM 至语音领域

    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。

  16. arXiv · ML40

    多模态大语言模型拒绝机制研究:指令、后训练与内部激活的影响

    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。