Duo:支援全雙工互動的互惠世界模型
Duo v1 提出互惠世界模型(RWM),共同建模意圖與實現,以支援即時全雙工視聽互動。其技術設計包括自回歸推理、同步注意力及雙重 rollout 蒸餾;模型會持續感知音訊、影片和文字,並即時回應用戶。作者表示,Duo v1 的發布只是第一步,下一個版本即將推出。
Duo v1 提出互惠世界模型(RWM),共同建模意圖與實現,以支援即時全雙工視聽互動。其技術設計包括自回歸推理、同步注意力及雙重 rollout 蒸餾;模型會持續感知音訊、影片和文字,並即時回應用戶。作者表示,Duo v1 的發布只是第一步,下一個版本即將推出。
MemInStream 是一項評測串流影片理解記憶能力的基準,透過證據控制驗證區分記憶限制與視覺理解失誤。驗證流程為問題配對時間定位證據,並排除僅憑近期觀察、證據之後的觀察或文字輸入便能作答的問題。基準涵蓋情節檢索、狀態追蹤與更新、多重證據整合及情境記憶四大類別。
Open Vision Banana(OVB)提出一套全開放、可重現的方案,把預訓練生成模型轉化為統一的多任務感知系統。OVB 使用 4B 和 9B 參數的開放權重基礎模型及 2.1M-3.8M 個訓練配對,在 Cityscapes 零樣本表現以 73.9 mIoU 超越 Vision Banana 報告的 69.9 mIoU。
Google DeepMind 的 Gemini Robotics 2.5 在 Mercedes-Benz 生產線試點中控制 Apollo 2 分揀金屬零件,成功率達 96%。這款視覺-語言-動作模型在逾 200 項任務中接受測試;Google DeepMind 稱,按任務類型計,成功率較自家先前基準高 30% 至 100%,完成速度快 20% 至 30%。
OpenRouter 以 8 頁自製掃描文件比較 15 款視覺模型、Mistral OCR 和 Tesseract;Claude Opus 5.5 在 264 次關鍵值檢查中答對 262 次,準確度最高。Mistral OCR 答對 258 次,每 1,000 頁收費 $2.02,是測試中性價比最高的選項。測試亦發現視覺模型可能編造頁面沒有的數字或內容,作者建議用自己的掃描文件測試候選模型。
MiniMax 發佈並開放 H3 Image 權重,這款模型聚焦圖像生成與編輯,並可透過 API 接入。作者實測中,模型生成 4096×4096 圖片需 10~20 秒,最多支援 16 張參考圖片,並展示複雜指令、文字排版及多種視覺風格生成。文章亦稱其可透過 API 接入 MiniMax Code、Claude Code、Codex 等 Agent Harness,參與更複雜的任務流程。
Anthropic 發佈新模型 Claude Fable 5.2,展示玩魔方、扭瓶蓋及操控機械人畫畫等能力。文章指出,通用大模型的機械人操作能力未必只靠常規數據湧現,專門的機械人數據可能是重要支撐。簡智推出 Dex 2.0 和 DAS Ego 2.0,採集視覺、手部運動及觸覺等多模態 Human Data。
SQUINT 研究提出以知識蒸餾訓練視覺語言模型,提升模型從人類可讀、但模型難以辨識的圖像中讀取隱藏文字的能力。在 SquintBench 上,Qwen3.5-9B 的分數由 26.50 升至 88.61;AdvOCR 和 HC-Bench 分數分別由 3.7 升至 66.7、由 1.8 升至 44.6,Illusory VQA 詞錯率則由 178.10 降至 67.00。
智元機器人發布 WITA-Omni(硅光動語全模態大模型),主打以機器人本體感知數據訓練的全模態端到端互動。模型採用流式全雙工架構,支援觸覺、本體狀態輸入,以及機器人動作、表情輸出;官方稱最快響應約 400 毫秒,平均約 600 毫秒,較業內平均水平快近 3 倍。它亦支援上百種語言和方言免切換交流,以及流式同聲傳譯和雙向互譯。
SWAM 研究如何在動作學習中維持語言與影片的對齊,並擴展世界動作模型。研究整理約 47,000 小時影片及示範數據;模型在 Easy 和 Hard 條件下的成功率分別為 88.10% 和 61.56%,三項真實世界任務的成功率為 40.00%,高於最強基線的 23.33%。團隊公開整理後的數據、訓練程式碼及模型權重。
Hedra 推出 Model Factory,將 GPU 基礎設施、模型後訓練、推理優化及生產回饋整合至同一工作流程,供需要按自有數據和運作條件調整模型的團隊使用。
Adobe 在 Adobe MAX 宣佈擴大與 Microsoft 的合作,將 Photoshop、Premiere、After Effects 和 Substance 3D Painter beta 的最佳化版本帶到 Arm 架構 Windows 電腦,包括新款 RTX Spark 電腦。
AI100 第三份報告指出,人工智能改變社會的速度超出預期,技術發展已超越治理步伐。報告指出,訓練前沿模型的成本高昂且高質素數據日益稀缺,未來進展或轉向更高效的模型和更深入的推理;人工智能亦正影響科學研究、經濟、網絡安全、戰場及公共信任。
智元正式發布 WITA-Omni,模型除音訊、影片輸入輸出外,新增觸覺與本體狀態輸入,以及機械人動作、表情輸出,並採用流式全雙工架構。官方稱其交互響應最快約 400 毫秒、平均約 600 毫秒,較業界平均水平快近 3 倍。模型支援上百種語言和方言免切換交流,並可進行流式同聲傳譯及雙向互譯。
Anthropic 發佈 Claude Fable 5.2 和 Claude Mythos 5.2,定位為應對艱巨技術挑戰的長程智能體模型。文章稱,Fable 5.2 在 30 小時內完成費馬大定理的形式化;Mythos 5.2 在內部 CVE 再發現評估中,發現的漏洞數量比 Claude Opus 5.5 多 10.2%,比 Claude Mythos 5.1 多 14.4%。
推薦理由:文章以數學形式化、硬件設計及安全測試等案例,呈現兩款模型面向長程複雜技術工作的定位。
LFM3-Omni-2B 採用 Q4_K_M 量化時,兩個 GGUF 檔案合計約 1.39 GB,文章從張量標頭拆解權重、元數據、KV cache 與多模態輸入緩衝區的記憶體開銷。模型有效精度為每個權重 5.05 bits,文章並比較靜態權重儲存與動態上下文記憶體。
西北工業大學與香港科技大學研究團隊提出 DGP,讓每個 LLM 層根據圖像—問題上下文及自身語義狀態,動態融合全部 ViT 層的視覺特徵。在 LLaVA-1.5-7B 上,DGP 在論文報告的 11 項指標均高於基線,SQA-I 提升 4.2 分、MM-Vet 提升 3.3 分;在 Qwen3-VL-2B 與 LLaVA-NeXT 上亦取得增益。
Reframe 提出兩階段後訓練框架,透過以證據為依據的強化學習及觀察狀態門控的在線策略蒸餾,提升視覺智能體的工具使用能力。框架包含 GD-GRPO 和 OG-MOPD,在 14 個圖像及影片基準測試中均優於 Mix-RL 和 vanilla MOPD。兩個階段均不需要針對任務的 SFT 冷啟動。
Claude Fable 5.2 發佈同日,螞蟻靈波科技開源觸覺基礎模型 LingBot-Touch;朱興稱通用大模型與具身基礎模型協同可加速具身產業成熟。
Simon Willison以Claude Fable 5.2 Medium製作《Yonkers Rises》,呈現由Yonkers邊界剪出的巨型機甲站起,並穿越曼哈頓、布魯克林、皇后區及布朗克斯的3D動畫。動畫以踩踏計數器和機甲高度讀數追蹤進度;模型亦把提示詞中的「átomos」判斷為手機鍵盤誤輸的「stomps」。
LingBot-Touch 是觸覺基礎模型,能在壓阻式、磁力及視觸覺感測器之間學習統一且可擴展的表徵,並產生可即插即用的觸覺 tokens。這些 tokens 可整合至 diffusion policy、π_{0.5} 及 LingBot-VLA 等 VLA 模型,提升操作靈巧度;模擬和實體機械人實驗亦顯示,該表徵有助複雜操作任務,並維持良好計算效率。
Meta於2026年11月9日發佈小型模型 Muse Ember,供 Muse Code 及 Meta Model API 使用,面向以較低成本執行 AI 智能體的重複工作。
美團正式開源 LongCat-2.5,採用 MIT 授權,總參數為 1.6 萬億,支援 100 萬上下文。MIT 授權允許商業推理部署及二次訓練,無需額外授權;每個 token 約激活 480 億參數。這款原生多模態模型面向長程智能體任務,並針對顯存與頻寬受限的國產算力晶片,協同優化模型架構、晶片適配及部署策略。
香港大學研究人員結合電腦圖像學、波動光學及 AI 校準,開發兩種全像顯示技術,以呈現更自然的焦點、視角和材質變化。一種以多邊形網格保留場景幾何結構和深度,另一種 HoloPathTracer 模擬光線與場景幾何及材質的互動。兩項研究仍處於研究原型階段,實際消費應用仍需提升運算速度及改進空間光調制器和光學系統。
NexoPeek 在 Meta Quest 上提供頭戴式科研工作空間,讓用戶以立體方式探索蛋白質結構。平台設有12個導覽行程,支援即時查詢多個蛋白質資料庫、載入本機結構檔案,並提供口袋預測、結構比對及配體檢視等分析工具。
Meta Superintelligence Labs 發佈 Muse Ember,一款面向智能體內大量重複步驟的多模態推理模型,支援 1M-token 上下文及最多 512K 輸出 token。
TailSteer 透過從 on-policy rollout 學習針對尾段的修正,減少連續 15-20 次圖片編輯累積的漂移,並大致保留原模型能力。History Forcing 將 15 秒影片生成的 VBench 質素提升至 85.07,MemoBench 物件一致性達 62.18,Evolution Quality 由 2.35 升至 2.70;每步訓練時間和記憶體開銷只增加約 2%。
美團正式開源 LongCat-2.5,採用 MIT 協議,支援商用推理部署及二次訓練,無需額外授權。美團表示,該模型面向長程智能體任務,是原生多模態模型,在複雜程式碼庫開發、完整專案構建、Visual Coding 及專業辦公場景的端到端交付能力均有明顯提升。模型總參數為 1.6 萬億,每個 token 激活約 480 億參數,並支援 100 萬上下文窗口。
HUAWEI 暢享100系列以鴻蒙星盾安全架構提供防詐功能,其中暢享100 Pro Max的四項AI防詐能力在手機端側運行、信息不上雲,並支持視頻親情守護。暢享100 Pro主打全鏈路防詐,暢享100則以較低價格提供同源防護;國補後分別約1529元起和1189元起,Pro Max為1699元起。
清華團隊提出 Asking the World(ATW)框架,讓 AI 從影片建構可執行的物理模擬世界,並透過查詢、模擬和條件幹預回答物理屬性、運動預測及反事實問題。
英偉達一批貨值 1140 萬美元的 AI 芯片及硬件在運輸途中失蹤;蘋果研究團隊的 HALO 系統在陌生房間任務中取得 91% 平均成功率。HALO 部署於宇樹 G1,調用千問模型,在 6 個未經掃描的真實房間完成 36 次試驗。
Meta 於 2026 年 11 月 9 日推出 Muse Ember,定位為 Muse 家族中最小、效率最高的模型,面向大量重複的智能體工作。它在 Artificial Analysis Intelligence Index 得 36 分,與 Claude Haiku 5.5 持平;每項任務成本約 $0.14,低於 Muse Spark 1.3 的 $2.39。
推薦理由:文章對照任務成本、基準表現與弱項,呈現 Muse Ember 適合承接大量重複智能體步驟、而非最難工程任務的定位。
Creality 推出 mBox,一款售價 $329、為 6–16 歲兒童設計的 AI 3D 打印機,可將照片或繪畫轉成可打印模型,並透過鏡頭監察打印故障。機身設有五層防護,並可設定開門時只提示或暫停打印,再透過應用程式通知家長。mBox 將於 November 9 至 December 10, 2026 期間只在 TikTok Shop 美國發售。
Seven Sports 開發的 Amblyotube 在 Meta Quest 上播放影片時,為雙眼提供不同視覺效果,協助進行視覺協調與深度感知訓練。使用者可調整模糊、AI Sharpener、楔形遮擋及融合提示,並選擇嚴重程度預設或進行 LogMAR 視力檢查。建議每日訓練 30-40 分鐘、最多 1 小時;它是輔助訓練工具,並非診斷、治療或治癒方法。
NVIDIA 空間智能實驗室開發的 Lyra 2.0 框架已開源,可從單張靜態圖片生成跨度約 90 米、支援主動視角探索的持久化 3D 環境。知識蒸餾後的輕量模型把影片生成去噪步數由 35 步減至 4 步;在單張 GB200 GPU 上生成 80 幀片段約需 15 秒,完整模型約需 194 秒,速度提升約 13 倍。
Meta 推出 Muse Ember,稱其在 Artificial Analysis 排行榜的表現媲美 Claude Haiku 5.5,單任務成本僅為其 1/3。
Meta 於 2026年11月10日正式推出輕量級 AI 模型 Muse Ember,面向智能體複雜推理與高頻任務。它在 Artificial Analysis 榜單的表現媲美 Claude Haiku 5.5,單任務成本為其 1/3,並在多項智能體與編碼評測中超越 GPT-6 Luna。
Meta 推出 Muse Ember,稱其在 Artificial Analysis 排行榜的表現媲美 Claude Haiku 5.5,單任務成本僅為其 1/3。
阿里雲雙十一活動提供 AI 模型優惠,文章並以 DeepSeek V4.1?Flash 限時內測版示範 API 調用。該模型支援原生多模態,最大上下文窗口為 100 萬 token,推理吞吐提升 2-3 倍;內測模型 ID 到期後失效,且不適用於生產環境。
Meta 發佈輕量級 AI 模型 Muse Ember,Artificial Analysis 的綜合智能指數為 36 分,與 Claude Haiku5.5 最高推理檔位持平,單次同類評測任務成本約為其三分之一。