⌘ K
… 读取采集状态 同步中...
雷

#多模态

今日 7 条
9月7日周一
  4. 量子位86

    GPT-6 Sol曝内测速度达Astra 6倍，OpenAI称研究员人均带3个Agent

    GPT-6 Sol被曝内部测试中单次生成速度约为Astra的6倍，输出能力接近但更快，预计9月发布。OpenAI同日披露内部数据：中位数研究员每天消耗的Agent推理资源价值超600美元，人均每天并行运行约3.1个Agent工作日；8月人均实验数创2025年1月统计以来新高，已实现“自动化研究实习生”目标，目标是2028年3月前实现“自动化AI研究员”。

    推荐理由：GPT-6 Sol内测速度显著快于前代，同期OpenAI公布研究员人均携带3个Agent工作日的内部效率数据。

  6. AI信息Gap40

    商汤 Seko 推出剧本裂变与逐镜转绘工作流，助力短剧出海

    商汤 Seko 推出“出海剧转绘”与“剧本裂变”Skill，支持上传中文成片或剧本后一键生成适配欧美等市场的本地化版本，覆盖 10 种语言并保留核心剧情节奏。该工作流利用 GMLM 3.7 Flash 和 Doubao Seed 2.1 Pro 等模型实现逐镜 1:1 复刻或高裂变改写，并支持通过 Seed Audio 1.0 以低消耗完成多语种配音转换。

9月6日周日
  2. 量子位51

    GPT-6 与字节 Seedance 2.5 联动，实现从故事到视频的全流程制作

    GPT-6 作为“导演”与字节 Seedance 2.5 配合，实现了从故事创作、Blender 预演到视频生成及剪辑的全流程自动化。网友利用 GPT-6 调用 Seedance 2.5 制作动漫短片、短剧译制及水墨动画，展示了大模型在桌面端操作专业软件（如 Blender、DaVinci Resolve）与生成式视频工具间的跨平台协作能力。

  4. AI信息Gap91

    GPT-6 Astra 发布后十大进阶玩法与实操技巧整理

    文章整理了 GPT-6 Astra 发布后的十大实战技巧，包括利用 SVG 生成检测模型状态、通过 Codex 接入 Blender MCP 在 45 分钟内生成 3D 游戏、操作 Canva 绘画、配置 Codex 无限上下文笔记功能，以及优化推理强度以节省 Token 成本。

    推荐理由：提供GPT-6 Astra在编码、3D生成及多智能体协作场景下的实操技巧与提示词策略，帮助优化工作流效率。

  5. 深度学习与NLP30

    复旦王烁与港科大郭毅可提出“生命算子”，构建统一全尺度生命建模框架

    复旦大学上海医学院王烁与香港科技大学郭毅可发布预印本，提出“生命算子”框架以统一全尺度生命建模。该方案将生命视为多尺度动力系统，通过感知、演化、生成三类算子及尺度桥实现从细胞到器官的跨尺度耦合。目前团队已搭建Cardio-World心脏计算系统，旨在通过虚拟临床筛除无效方案，提升药物与器械研发的临床试验成功率。

9月5日周六
  1. 硅星人Pro72

    你画我猜 Benchmark：GPT-6 险胜 Gemini 与 Claude，8 款模型互测 SVG 理解能力

    该团队设计了一个让模型画 SVG 再互相猜词的多模态评测基准，首期测试 8 款模型共 1350 张画作。GPT-6 Astra 以 75.5 分险胜 Gemini 3.8 Flash 和 Claude Fable 5.1，但前三名置信区间重叠。测试结果发现，模型思考 token 数量和调用费用并未与得分稳定正相关，且模型在反常识与抽象词汇理解上表现普遍较弱。

  5. 大模型智能18

    李靖阳@燕山大学 - 异构图增强的大模型可信推理方法及其应用研究

    燕山大学李靖阳在MLNLP学术Talk分享异构图增强的大模型可信推理方法，指出工业场景知识增强面临“证据断裂”和“局部语义隧道”困境。报告介绍基于图结构的通用证据链接与仲裁机制，以提升大模型推理的忠实性与可解释性；并分享超图驱动推理在长庆油田智能井控等极端工业场景的应用实践，实现毫秒级机理约束决策。

9月4日周五
  2. AI产品阿颖48

    AI 短剧出海机会分析：商汤 Seko 助力内容全球化

    AI 技术大幅降低短剧出海门槛，利用中美内容生产时间差，中国团队可输出成熟的工业化内容能力。商汤 Seko 提供包含 GMLM 3.7 Flash 转绘、Doubao Seed 2.1 Pro 剧本裂变的工具链，实现从翻译配音到原创生成的一站式流程。目前音频翻译单次限 30 秒，团队需借助工具提升多市场测试效率，但核心竞争仍在于对当地用户需求的精准判断。

  5. 优设AIGC48

    豆包PC版更新实测：落地Agent能力与多端同步，限时领30天订阅权益

    豆包PC客户端更新将Agent工作任务与项目管理能力落地桌面端，支持手机、PC、Web三端云端任务接力，电脑关机不中断。用户可用自然语言远程操控本地文件，并通过内载浏览器查看原文。该版本打通飞书与内置Seedance/Seedream模型，可生成PPT及视觉方案，支持链接分享完整上下文，现可免费领30天订阅权益。

  9. APPSO85

    OpenAI 发布 GPT-6 Astra，面向复杂推理与电脑操作

    OpenAI 发布 GPT-6 Astra，面向复杂推理、编程、电脑操作、研究与文档创作等端到端工作，支持 105 万 token 上下文窗口和 12.8 万 token 最大输出，并新增异步工具调用等能力。

    推荐理由：原文给出了上下文长度、输出规模与计费结构，读者可据此判断该模型在复杂工作流中的实际成本与能力边界。

  10. 大模型智能92

    谷歌发布 Gemini 3.8 Flash 和 Gemini 3.8 Flash Cyber

    谷歌发布 Gemini 3.8 Flash 和网络安全版 Gemini 3.8 Flash Cyber，输入成本 0.75 美元/百万 Tokens，输出成本 3.75 美元/百万 Tokens，单任务成本 0.58 美元，生成速度 305 tokens/s。

    推荐理由：原文将3.8 Flash的基准成绩与旗舰模型对比，并补充了网络安全版本漏洞发现能力，读者可据此判断低成本模型在代码与安全场景的可用性。

9月3日周四
  4. APPSO67

    谷歌发布 Gemini 主动视频理解功能

    谷歌于 9 月 1 日为其 Flash 系列模型接入「主动视频理解」功能，让模型自主决定视频关注点与分析速度。官方基准显示，该功能最多可降低 88% 的 token 消耗和 66% 的分析成本，同时准确率提升最多 7%，该能力将通过 Gemini API 开放，并计划应用于 YouTube 的问答功能。

    推荐理由：原文详细展示了主动视频理解如何通过降低 token 消耗和成本提升准确率，并给出了多场景应用对比。

9月2日周三
  1. 极市平台32

    ACM MM 2026｜DGNet：面向红外小目标检测的双知识引导网络

    DGNet 提出双知识引导网络用于红外小目标检测，用固定背景/目标先验文本替代"一图一文本"，推理阶段无需调用 CLIP。其先验知识小波调制模块（PWM）在频域分别调制低频背景与高频目标，共识知识方向对齐损失（CDA）建立跨样本统一语义轨迹。在 IRSTD-1K、SIRST、NUDT-SIRST 上分别取得 72.72%、82.68%、95.78% IoU，均为最佳，代码已在 GitHub 开源。

  2. 量子位42

    人大与阿里联合提出LoD：0.25秒检测未见越狱攻击，全程未用任何攻击样本

    中国人民大学与阿里巴巴团队提出LoD检测框架，通过MSCAV和SPAE模块从大视觉语言模型内部激活中识别越狱攻击，且未使用任何攻击样本。该框架在三种LVLM上平均AUROC达0.98左右，单输入检测耗时0.25秒，相对最佳基线最高降低62.7%。LoD代码已开源，可支持在线检测。

  3. 人工智能学家82

    World Labs 发布新一代世界模型 Atlas

    World Labs 发布新一代世界模型 Atlas，该模型采用多模态自回归扩散 Transformer 架构，支持基于单张图像生成 1440p 视频及三维场景重建。Atlas 能够根据 1 至 25 张图像重建空间，支持点云及 3D 高斯泼溅输出，并利用摄像机几何参数实现精准的长视频控制与“子弹时间”模拟。

    推荐理由：World Labs 发布的 Atlas 模型通过统一架构将图像生成、三维重建与时空模拟融为一体，展示了空间智能在处理复杂场景时的可扩展性。