WM^MLLM 將多模態大型語言模型轉化為世界模型
論文提出 WM^MLLM,利用多模態大型語言模型(MLLMs)維護外部全景狀態及修訂歷史,從單張圖像生成可持續編輯、可精確重訪的世界。模型把每項請求轉為全景狀態操作,選擇局部編輯區域並檢查候選結果;同一修訂版本的重訪可重現原視角,通過檢查的局部編輯不改動區域外像素。
論文提出 WM^MLLM,利用多模態大型語言模型(MLLMs)維護外部全景狀態及修訂歷史,從單張圖像生成可持續編輯、可精確重訪的世界。模型把每項請求轉為全景狀態操作,選擇局部編輯區域並檢查候選結果;同一修訂版本的重訪可重現原視角,通過檢查的局部編輯不改動區域外像素。
SWE-CoWork 評估顯示,領先編碼智能體通過約 63% 的 fail-to-pass 測試節點,但完整完成組織級軟件工程任務的比例低於 8%。研究亦推出自動化論文撰寫框架、320-billion-parameter 科學語言模型,以及整合蛋白質摺疊能力的通用 LLM。
研究團隊提出 CrossRPO,以對比集訓練 ViRA 視覺智能體,令模型須讀取超高解像度圖像中的證據才能答對。在最高解像度的 ViRA-Bench 上,CrossRPO 的整組準確率為 63.3%,高於 GRPO 的 59.3%。
寒武紀完成商湯 SenseNova Loop-9B 的 Day 0 適配,打通模型在 MLU 平台上的推理鏈路。適配以靜態展開方式將循環計算轉為 56 個順序執行的層,並沿用 vLLM 標準調度和 KV cache 機制。模型約有 9B 參數,32 個物理解碼層可擴展為 56 次層計算;官方 4bit 量化後權重約 4.9GB,部署顯存需求低至 10 GB 內。
騰訊混元於 11 月 16 日發佈 Hy4 flash,總參數量為 224B(其中 64B Engram 參數)、激活參數為 12B,並支援多模態及 1M 上下文。
Suno 於 2026 年 11 月 17 日推出網頁工具 Visuals,為音樂創作平台加入 AI 生成圖像及影片功能。Visuals 支援歌詞影片、專輯封面及最長 15 秒短片,並可使用 Suno 曲庫歌曲作為創作基礎。
AI Aware detection API 以一個 API 檢測文字、圖片、影片及音訊是否由 AI 生成。最新測試中,圖片及影片檢測準確率為 99.4%,文字為 98.6%,音訊為 97.6%。檢測以非同步方式執行,提交內容後會即時取得工作 ID,並可輪詢結果。
紀錄片《Musk》以 Elon Musk 的 AI 虛擬形象和電子遊戲式片段呈現其生平,但這些設計令人出戲,削弱影片訊息。評論指出,片中引用的言論若放回原本訪問情境,更能呈現內容;片長達四小時,片末另提及製作方對虛擬形象所用技術的説法。
CNET 評測 Google 與 Xreal 合作的 Xreal Aura,給予 7.0 分;這款 Android XR 眼鏡可運行多個 Android 應用程式和部分 VR 應用程式。
商湯科技正式發布 SenseNova Loop-9B,總參數量約 9B,部署所需顯示記憶體低至 10 GB 內。模型透過 Loop 結構重用參數,將 32 個物理解碼層擴展為 56 次層計算,支援文字及圖像輸入、文字輸出,上下文長度最高 512K tokens。
華為 Mate XT 2 三摺疊手機獲推送 HarmonyOS 7.0.0.115,更新包超過 10GB,並新增基於星閃技術的「好心人救援」功能。更新亦加入相機大模型增強、HEIF 圖片批量轉 JPG 等功能,並將多模態基礎大模型更新至 1.0.0.405 版本。
商湯科技發佈 SenseNova Loop-9B,模型總參數量約為 9B,並通過兩次執行共享的中間層,將 32 個物理解碼層擴展為 56 次層計算。模型支持輸入文本和圖像、輸出文本,上下文長度最高可達 512K tokens。
LynnReal-Hand 是一款手部控制影片世界模型,結合精細互動建模與串流生成,讓用戶以手部動作探索及操控物件。模型在 HandBench 上取得 FVD 181.67 及 MANO Dice 93.02,三步因果模型的 MANO Dice 為 92.49;單張 H200 以 540p 串流可達 18.03 FPS,延遲為 741ms。研究團隊計劃公開數據集、模型權重及完整訓練與推理程式碼。
作者分享以 Claude Code 為 3 個 YouTube 頻道每日製作影片的實際工作流程,並説明一人如何管理整個流程。每天製作的 12 條影片會發布至 8 個平台,合共 96 次上載;作者會審批腳本、檢查成片,並指出增加產量沒有帶來觀眾增長。文中引用 Google Search 的政策,指出以操縱排名為目的的大量內容屬垃圾內容,而適當使用 AI 不違反其指引;作者認為選題判斷仍由人負責。
ShVaSa Lab 整理 Reflection Anchors 在長鏈多模態推理中的架構與基準測試,報告其首 token 延遲為 165 ms,較標準稠密基線快 11.2 倍。測試亦報告 KV cache 記憶體用量減少 87.5%、吞吐量提高 4.8 倍,Exact Match 達 100.0%。
阿里雲在年度香港峯會宣佈 Qwen4-Max 上線,並推出多項面向企業的 AI 智能體開發、監控及安全防護能力。Qwen4-Max 總參數為 2.4 萬億,每個 token 激活 710 億參數;阿里雲稱 token 消耗減少 35%,平均每項任務成本降低約 60%。阿里雲在香港服務超過 65,000 名客戶,並宣佈與香港浸會大學及美亞娛樂合作,涵蓋 AI 培訓及影視內容創作。
Liquid AI 發佈 d1.2 和 d1.2-ultra 兩款決策模型,支援文字、圖像及音訊輸入,並以固定答案選項的機率作答。d1.2-ultra 在 AA Decision Index v2.1 得分 75,d1.2 得分 69;前者在該指數的決策模型中排名最高。兩款模型新增 5 種答案類型,並且不產生輸出 token;目前只透過 Liquid API 提供,尚未公開權重。
米哈遊旗下《崩壞》系列 AI 研發團隊公佈通用視覺語言動作基礎模型 Gamer,稱其可模擬真人鍵鼠操作,自主遊玩 2D 和 3D 遊戲。模型以每秒 5 幀(5 Hz)遊戲畫面為輸入,生成相當於 30 Hz 的鍵盤按鍵狀態及滑鼠移動指令;Gamer-RL 在 40 項此前未接觸過的小遊戲任務中,平均成功率為 49.7%。
米哈遊旗下《崩壞》系列 AI 研發團隊公佈通用視覺語言動作基礎模型 Gamer,可透過畫面輸入自主遊玩 2D 和 3D 遊戲。模型不讀取遊戲內部資料或使用遊戲專用 API,而以每秒 5 幀(5 Hz)畫面輸入生成相當於 30 Hz 的鍵盤按鍵狀態及滑鼠移動指令;Streaming-vLLM 在 NVIDIA H200 上將端到端請求延遲由 1306 毫秒降至 65.12 毫秒。
米哈遊旗下《崩壞》系列 AI 研發團隊公佈通用視覺語言動作基礎模型 Gamer,可自主遊玩 2D/3D 遊戲。模型以每秒 5 幀畫面輸入,實時生成 30Hz 鍵鼠操作指令;Gamer-RL 在 40 款未見過的小遊戲任務中平均成功率為 49.7%。項目定位學術研究,遊戲數據及微調權重未公開,且明確禁止用於外掛或破壞公平性的行為。
FitCheck 整合 Craigslist、Facebook Marketplace 和 eBay 的二手傢俱搜尋,讓用戶以 AR 按實際尺寸在房間預覽物品,並查看運送或自駕成本及車廂是否放得下。項目展示時收集了 1,070 個獨特刊登,搜尋中有 21 個 3D 模型,典型搜尋約需 0.7 秒。
報告提出 Sage S1.5 Flash,這是一款 320-billion-parameter 通用混合專家模型,旨在根據科學證據進行推理,並在互動環境中執行任務。
郭德綱委託律師發布聲明,回應與馬志明的民間認親爭議,並表示將依法追究以 AI 偽造音影片、惡意剪輯及斷章取義製作虛假資訊者的責任。聲明指出,曲藝師承與民間認親屬於不同範疇,不應混為一談。代理團隊已完成相關侵權內容的取證,後續將透過多種法律途徑追責。
Apple 在 iPadOS 27.3 與 macOS 27.3 第二個測試版中,將 Apple Intelligence 擴展至中國內地版 iPad 與 Mac,符合條件的用戶更新後可測試相關功能。
Samsung Electronics 將 Galaxy XR 體驗加入 Galaxy AI Classes 的旅遊選修課,課程自 11 月 16 日起開放予報名並另行選擇 XR 體驗的中二及中三班級。
AMD 完成收購 AI 模型開發商 World Labs,並任命 World Labs 前行政總裁、史丹福大學教授 Fei-Fei Li 為執行副總裁兼首席科學家,由她直接向 CEO Lisa Su 匯報。
推薦理由:收購把 World Labs 的基礎模型研究納入 AMD,Fei-Fei Li 出任執行副總裁兼首席科學家,相關技術將用於 AMD 下一代開放式 AI 計算基建。
阿里雲 2026 年雙 11 AI 採購指南整理 Token Plan、千問辦公、Qoder、萬小智及秒悟五款產品的價格、優惠和適用場景。價格例子包括 Token Plan Lite 新客價 19.5 元/月、千問辦公個人版 29.9 元/月、Qoder Pro 首月 19.9 元、萬小智輕量版首月 9.9 元及秒悟 25 元起。
UMM-JEPA 將多模態生成目標改為預測理解路徑使用的連續視覺表徵,讓生成與理解共享同一表徵空間。它以遮罩式由粗至細的方式預測特徵,不再預測 VQ 索引或 VAE 潛在表示;生成的特徵圖可供理解路徑使用,但轉換成圖像仍需另外的解碼器。
阿里雲開發者社區文章介紹 Qwen4-Max 的定位、架構、能力與適用場景,並稱該模型已在阿里雲百煉提供 API 服務。文章稱模型採用 Qwen4 稀疏架構,總參數量為 2.4T,單次推理僅啟用 71B 參數,並支援 1M Token 上下文及 Live Delivery 漸進式交付。
這份指南梳理阿里雲 2026 年雙 11 的雲伺服器、Token Plan、千問辦公及建站與編程工具優惠和採購規則。Token Plan 個人版分 Lite、Essential、Standard、Pro 四檔,月費39元至312元,新客首購低至五折;千問辦公個人版29.9元/月,企業版198元/月/席。
網上消息指,Apple 可能於明年上半年推出 iPhone 18 標準版,取消獨立操作按鈕,並將靜音功能整合至相機控制按鍵。相機控制按鍵可用按壓、輕按和滑動操作拍攝及調整參數,Apple 亦嘗試將它用於視覺 AI 功能。功能整合能否兼顧操作簡便與避免誤觸,仍有待驗證。
DominoBench 是一項以靜態圖像評估多模態模型多步驟物理推理能力的基準;研究測試 10 個系列的 30 個模型,發現沒有模型能在未獲提示時可靠預測結果。
影目推出 INMO Future 智能眼鏡,重約 125g,首發價 5999 元,部分地區國補後低至 5499 元。眼鏡採用 120Hz Micro OLED 面板,配備 16MP 相機,支援 3DoF 與 6DoF 空間計算。產品結合 AI 大模型,提供自然語言語音互動及視覺物件識別功能。
影目推出 INMO Future 智能眼鏡,採用光波導技術,重約 125g,首發價 5999 元,部分地區國補後低至 5499 元。眼鏡配備單眼 1080P、120Hz Micro OLED 面板及 16MP 攝像頭,支援 3DoF 與 6DoF 空間計算。它結合 AI 大模型提供自然語言語音互動和視覺物體識別,並可搭配 INMO Controller 實現「3DoF 射線交互」。
無人健身房 AB 門禁方案以物理互鎖和 AI 視覺雙重防尾隨,並由邊緣網關在斷網時執行權限核驗、雙門互鎖及通行記錄本地儲存。方案支援 RBAC 細粒度權限、通行日誌審計和消防應急聯動,亦可擴展至多種核驗方式及其他無人場地。
蘋果預計2027年推出至少18款新品,涵蓋iPhone、iPad、Apple Watch、Mac、AirPods及智能家居產品。傳聞中的新品包括iPhone 20 Pro系列、配備攝像頭的AirPods Pro、Apple智能眼鏡及HomeView Max。蘋果似乎計劃在WWDC 2027發布智能眼鏡,並於2027年底上市。
AMD於2026年11月16日宣佈完成對 World Labs 的收購,交易總對價約82億美元,交割於11月13日完成。交易以 AMD 普通股支付,交割時向 World Labs 原股東定向發行14978322股;聯合創始人李飛飛將加入 AMD,出任執行副總裁兼首席科學家。
推薦理由:報道列出約82億美元的全股票對價、14978322股發行數及李飛飛的職務安排,呈現收購的交易規模與人才整合方式。
螞蟻團隊與西湖心辰提出雙向世界模型(RWM)範式,並推出首個實現版本 Duo v1,以即時全雙工互動連接虛擬世界與現實;相關連結包括論文 https://arxiv.org/abs/2611.15131。
OpenAI 解散獨立機器人研究團隊,並把數十名成員分別併入主模型研究組及 Applied 部門。文章將這次調整與通用模型能力提升連繫,並比較 Claude Fable 5.2 在 RoboDojo Sim 取得的 64.9% 任務成功率與 GPT-6 Astra 的 29.8%。
AMD於當地時間11月16日宣佈完成對World Labs的收購,李飛飛出任執行副總裁兼首席科學家,直接向蘇姿豐匯報。這宗全股票交易對價約82億美元,World Labs另外兩位聯合創辦人Justin Johnson和Ben Mildenhall將留任,團隊會以獨立前沿研究組織形式繼續研發基礎模型,並與AMD工程師協作。
推薦理由:World Labs團隊在AMD內將以獨立前沿研究組織延續基礎模型研發,並與硬件、軟件及系統工程師協作,呈現收購後的整合安排。