跳到正文
11月11日週三
  1. HuggingFace Daily Papers(社區熱門論文)34

    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。

  2. HuggingFace Daily Papers(社區熱門論文)41

    MemInStream:重新思考串流影片記憶評測——是記住,還是僅僅辨認?

    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。

  3. The Decoder67

    Google DeepMind 的 Gemini Robotics 2.5 在 Mercedes-Benz 生產線試點分揀金屬零件,成功率達 96%

    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%。

  4. OpenRouter:Announcements72

    OpenRouter 實測掃描文件 OCR:Claude Opus 5.5 準確度最高

    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。

  5. 新浪科技68

    實測 MiniMax H3 Image:GPT 的效果加上 MJ 的審美,並已開放權重

    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。

11月10日週二
  1. 新浪科技38

    Claude Fable 5.2 徒手玩魔方?有了大模型,矽谷大廠還缺甚麼數據

    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。

  2. 新浪科技51

    智元機器人發布 WITA-Omni 全模態端到端互動大模型

    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。

  3. HuggingFace Daily Papers(社區熱門論文)46

    SWAM:透過跨模態對齊擴展世界動作模型

    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。

  4. Stanford HAI News49

    AI100 新報告:世界已變,人工智能的影響超出預期,治理未能跟上

    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。

  5. IT之家56

    智元發布 WITA-Omni,官方稱其為業界首個具身全模態端到端互動大模型

    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。

  6. 虎嗅80

    Anthropic 發佈 Claude Fable 5.2 和 Claude Mythos 5.2,主打艱巨技術任務

    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。

  7. HuggingFace Daily Papers(社區熱門論文)36

    Reframe:以觀察狀態對齊的多教師在線策略蒸餾,用於智能體視覺推理

    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。

  8. HuggingFace Daily Papers(社區熱門論文)41

    LingBot-Touch 如何學習異質觸覺表徵以支援通用靈巧操作

    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。

  9. 中華網科技70

    美團 LongCat-2.5 開源,總參數 1.6 萬億並支援 100 萬上下文

    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。

  10. The HKU Lead 港大新聞 · AI 研究及應用44

    港大研究人員結合 AI、電腦圖像學與波動光學,推進更逼真的全像 VR/AR 顯示技術

    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。

  11. DEV Community45

    TailSteer 減少多輪圖片編輯漂移;History Forcing 穩定長時程影片生成

    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%。

  12. 第一財經70

    美團 LongCat-2.5 開源,採用 MIT 協議

    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。

  13. DEV Community79

    Meta Muse Ember 以約三分之一任務成本追平 Claude Haiku 5.5 的 Intelligence Index,對 Agent 開發者有何啟示

    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。

  14. DEV Community33

    Amblyotube 如何在 Meta Quest 上結合影片與雙眼視覺協調訓練

    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。

  15. 新浪科技66

    NVIDIA Lyra 2.0 開源,單張圖片可生成跨度約 90 米的 3D 環境,速度提升約 13 倍

    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。

  16. DoNews66

    Meta 發佈輕量級 AI 模型 Muse Ember

    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。