⌘ K
… 读取采集状态 同步中...
雷

#多模态

今日 7 条
9月2日周三
  2. 机器之心76

    李飞飞World Labs发布全模态世界模型Atlas

    World Labs发布新一代世界模型Atlas，原生预训练处理文本、图像、视频和3D四种数据，支持相机可控生成（最高1440p、1分钟视频）、空间重建、时空模拟和图像生成。

    推荐理由：原文梳理了Atlas的核心设计与评测口径，读者可据此分辨其相机可控优势与画面质量的差别。

  3. 机器之心66

    VAST 发布 Tripo P2.0，原生四边面拓扑支持 3D Vibe Coding

    VAST 发布 AI 3D 生成模型 Tripo P2.0，在扩散生成阶段直接产出原生四边面拓扑，三角面最高 50000 面、四边面最高 25000 面，无需额外重拓扑步骤，便于后续骨骼绑定、动画形变和局部编辑，正式版还将加入局部重新生成功能。

    推荐理由：原文梳理了原生四边面拓扑如何解决生成后返工瓶颈，并给出多个 Agent 接手 3D 的实例。

  6. APPSO85

    World Labs 发布多模态世界模型 Atlas

    World Labs 发布面向空间智能的多模态世界模型 Atlas，支持通过 1 至 6 张照片及相机位姿参数生成最长 1 分钟、1440p 分辨率的视频。在稀疏视角重建评测中，Atlas 的 AbsRel 分数为 25.3，优于 Pi3X、Depth Anything 3 等模型，并具备实时渲染与物理交互模拟能力，用于支持机器人在虚拟孪生空间中训练。

    推荐理由：文章拆解了 Atlas 的相机控制生成与空间重建机制，并给出了对比基准的实测数据，适合评估多模态世界模型在具身智能场景中的实际落地路径。

  7. Cohere Blog41

    企业如何利用小型 AI 模型实现高效益

    企业通过部署小型语言模型优化成本与算力效率，Cohere 的 North Mini Code（30B 参数，3B 活跃）在 Artificial Analysis Coding Index 得分 33.4，优于 Qwen3.5 和 Gemma 4 等更大模型。Tiny Aya 以 3.35B 参数覆盖 70 种语言，在 WMT24++ 的 46 种语言翻译质量上超过 Gemma3-4B。

  8. Google Research60

    Google 发布基于深度学习的全球甲烷点源监测框架 MAPL-EMIT

    Google 在 PNAS 发表论文发布 MAPL-EMIT，这是一个用于利用卫星影像检测、增强预测和估算甲烷羽流的深度学习框架。该模型在专家标注的甲烷羽流数据集上达到了 84% 的召回率。Google 已在全球地球引擎（Earth Engine）、Kaggle 和 Github 上开源了相关羽流数据库、预训练模型和推理库。

    推荐理由：论文展示了基于视觉Transformer的深度学习模型如何用卫星影像识别全球甲烷点源泄漏，给出了84%召回率和相关开源资产入口。

  9. Google DeepMind75

    Google DeepMind 在 Gemini 中推出 Agentic Video Understanding 功能

    Google DeepMind 宣布在 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 模型中推出 Agentic Video Understanding 功能，通过结合代码执行和原生视频工具动态搜索、扫描目标视频片段，将 Token 消耗最多降低 88%，成本降低最多 66%，同时将准确率提升最多 7%。

    推荐理由：该功能通过智能体循环动态检索视频片段，在保持准确率的同时将 Token 消耗最多降低 88%，为长视频分析提供了更经济的工程方案。

9月1日周二
  2. 光子星球43

    百度“摘S”转双重主要上市，全栈AI资产重塑估值逻辑

    9月1日，百度在港交所由第二上市转为双重主要上市，正式移除“S”标识以改善流动性。该公司已形成芯片、云、模型、应用的“芯云模体”闭环，昆仑芯跻身出货前三，文心5.1获Omdia高评级。市场开始采用SOTP替代统一PE，分别对搜索、AI云、昆仑芯等资产独立估值，百度正转型为全栈AI公司。

  3. 人工智能学家47

    西湖大学团队提出 Code World Model：用 Coding Agent 驱动世界演化

    西湖大学与南洋理工大学团队提出 Code World Model，将世界演化与视觉生成解耦，由 Coding Agent 通过代码管理状态，视频模型负责生成观察。该框架引入轻量级 Proxy 渲染时空约束，在仅 5.6 小时 GTA V 视频微调后，MiniMax-H3 能有效遵循实体位置与相机运动。实验显示该接口实现了细粒度时空控制，为构建开放式世界模型提供新路径。

  6. 钛媒体AGI78

    OpenAI 采购万台 Mac 硬件强化训练 Computer-use Agent

    OpenAI 购入数万台 Mac mini 和 Mac Studio 专门用于训练能够自主操作电脑的 Computer-use Agent，因苹果 macOS 的硬性环境约束和统一内存架构优势，此类设备成为大模型本地推理和持续运行的稀缺资源。

    推荐理由：材料指出 OpenAI 大规模采购苹果硬件用于 Computer-use Agent 训练，解释了这一特殊需求为何推高苹果 Mac 营收并暴露出其在企业 AI 基础设施承接能力上的错位。

  7. 机器之心74

    Runway 发布界面世界模型 Solaris：无需代码直接生成可交互界面

    Runway 公布新研究 Solaris，将其定义为首个 Interface World Model（界面世界模型），界面可像视频一样实时生成，用户点击、拖拽或输入后模型根据当前状态继续生成下一帧，无需预先写好代码。

    推荐理由：原文拆解了从视频模型到实时交互界面的三步改造和双模型分工，读者可据此理解世界模型路线的具体做法。

  8. 智能涌现55

    VAST完成B轮及B+轮融资，半年累计融资约50亿元

    VAST完成B轮及B+轮融资，金额合计约30亿元，不到半年累计融资约50亿元。融资方包括经纬创投、三七互娱等多家产业资本。VAST推出Tripo P2.0 Preview，支持原生四边面生成，其3D基础模型已接入网易、腾讯、微软等公司工作流，并应用于游戏、3D打印、影视及XR等领域。

  11. 硅星人Pro41

    苹果秋季发布会前瞻：折叠 iPhone 首次登场与 Apple 智能国行落地

    苹果确认将于 9 月 10 日举行秋季发布会，首次推出横向折叠 iPhone（代号 iPhone Ultra），预计售价超 2000 美元且取消 Face ID。国行 Apple 智能已获备案，将整合千问模型提供文本与图像能力。iPhone 18 标准版延后至 2027 年春季发布，秋季主打 A20 Pro 芯片驱动的 2nm 制程 iPhone 18 Pro 系列。

8月31日周一
  4. K姐研究社51

    Lovart 升级灵感采集、Skill、Motion 等能力，用它做咖啡店全套设计省下设计费

    Lovart 完成一轮重要升级，新增灵感采集、Reference、专业 Skill、Motion、视频、网页、一键转矢量等能力。作者用它为朋友的社区咖啡店完成从找灵感、生成 Logo、门头效果图、杯袋包装、菜单与开业海报、平台宣传物料、动态海报到一键转矢量的全流程设计，并认为 Lovart 依旧代表 AI 设计领域的 SOTA 水平，把从找参考到做出整套初稿的动作放进了同一张画布。

8月30日周日
  1. 苍何75

    实测豆包工作打通飞书：利用沉淀上下文处理群聊、文档、视频及数据抓取

    豆包工作于 8 月 25 日发布，核心更新是打通飞书授权，可直接读取群聊、文档、知识库等多模态上下文。作者通过实测整理了群聊周报、生成内容资产地图，并利用飞书沉淀资料完成网页生成。此外，豆包工作还能操作剪映加速视频、整理本地文件至飞书知识库，以及通过云电脑定时抓取抖音数据并写入多维表格。

  2. APPSO66

    苹果9月发布会聚焦折叠iPhone与新CEO首秀，国行AI接入千问与自研模型

    苹果定于9月10日举办秋季发布会，预计推出折叠屏iPhone、iPhone 18 Pro系列及AirPods 5等新品，由新CEO John Ternus首次主持。国行Apple Intelligence已完成备案，将采用阿里千问作为合作方，并基于苹果自研的AFM 3系列端侧与云端模型体系。

    推荐理由：文章拆解了苹果九月发布会的产品结构与国行 AI 备案进展，读者可据此理解折叠屏形态与本土模型架构如何重塑苹果高端产品线。

  3. DeepTech深科技55

    UCSD 团队开发首款汗液生化传感智能戒指 CHARM

    UCSD 团队在《自然-通讯》发表研究，开发出名为 CHARM 的智能戒指原型，无需针扎或电刺激即可从手指汗液中连续监测葡萄糖、酮体等 6 种代谢分子。该戒指重 5.1 克，通过水凝胶渗透压被动采样，健康人群葡萄糖测量 MARD 约 6.14%，糖尿病患者约 16.5%。研究指出，戒指形态虽在能量自给上不如指尖微电网系统，但佩戴依从性更好，为全身多处无创生化监测提供了设计空间。

  4. AI产品阿颖78

    腾讯 Hy4 preview 真实评价：参数规模与能力实测

    腾讯 Hy4 preview 总参数提升至 770B，上下文长度达 1M，内部盲测显示其在部分任务上略优于 GLM 5.3 和 Kimi K3。作者通过日程管理后台、小游戏生成及图片转网页等实测案例，发现模型在编码和多模态交互上表现明显进步，但仍存在过度思考、遗忘约束条件及审美局限等缺点，且凭借高性价比策略正在快速追赶国内第一梯队。

    推荐理由：原文提供了 Hy4 preview 与竞品的实测对比及价格策略，揭示了其在编码与多模态场景下的真实表现与局限性。

  5. 硅星人Pro49

    深度体验荣耀 Robot Phone：机械云台重塑移动影像逻辑，9999 元起售开创 AI 物理交互新形态

    荣耀 Robot Phone 将 2 亿像素机械云台集成于手机，支持平移、俯仰及 90/180 度旋转，切断镜头与机身方向绑定。该设备重 248g，配备 6.31 英寸屏幕与 7060mAh 电池，起售价 9999 元。结合 ARRI 合作与 AI 执行结构，它让镜头具备物理跟随能力，虽在重量、启动速度及可靠性上存在局限，但验证了移动影像创新方向的可行性。

  6. APPSO55

    Codex 突然重置，额度最多增 50%/国内首部 AI 长剧将在芒果台播出/杜兰特投资 AI 狂赚 6000 万美元｜Hunt Good 周报｜Hunt Good 周报

    OpenAI 为所有付费的 ChatGPT Work 和 Codex 用户重置使用额度，Tibo 表示这次修复能让不同使用方式的用户额度多撑 10% 到 50%。此外，英伟达与 Hugging Face 达成收购协议，交易总金额达 129 亿美元；Salesforce 官宣与 Anthropic 合作的 Claudeforce 插件，内置 37 项预制销售技能。

8月29日周六
  4. DeepTech深科技24

    对话英伟达李柏依：探索机器如何通过运动理解物理世界

    英伟达研究员李柏依提出，机器可通过运动感知形成可泛化的物理世界表征，以解决具身智能中预测与决策问题。她主张研究应聚焦结构性瓶颈而非短期热点，利用消融实验和明确失败边界，在学术界与产业界之间建立可验证的闭环，以推进从感知到行动的智能化发展。

  5. AI科技评论75

    TrAct：李飞飞、吴佳俊提出视觉轨迹接口统一世界模型与机器人控制

    李飞飞和吴佳俊在arXiv发布论文TrAct，提出通过视觉轨迹作为中间接口，解决机器人动作与世界模型预测画面之间的表征不匹配问题。该方法将机器人动作翻译为图像坐标下的关键点轨迹，使世界模型能进行条件渲染而非盲目因果推测。在自建的LIBERO-INTEGRAL基准上，TrAct比基线模型π0.5的成功率从27%提升至55%，并在真实机器人实验中达到76%的成功率，显著优于动作条件世界模型。

    推荐理由：文章解析了TrAct如何通过视觉轨迹接口统一世界模型与机器人控制，并展示了其在跨本体泛化上的具体性能提升。

  6. 新智元39

    Apple 新研究：中文 GRPO 推理训练性能与英语差距仅 1.1 个百分点

    Apple 联合 Hasso Plattner 研究所发表论文，发现中文 GRPO 推理训练与英语性能差距仅 1.1 个百分点，远低于此前 10 个百分点以上的报告。实验基于 9 个基座模型、11 种语言共 200 组数据，显示高资源语言差距普遍在 2 个百分点以内，支持中文推理模型跳过英语训练阶段走独立路线。