跳到正文
#多模态
10月22日周四
  1. HuggingFace Daily Papers45

    SpatialBrain: 空间智能从经验中成长

    SpatialBrain 框架通过保留空间推理决策经验，在五个基准测试中优于或持平同骨干模型的直接答案。该框架包含 3DFusionMemory 融合场景观测、Spatial Skill Library 提供可复用工具程序，以及 Spatial Cognition 关联任务条件与经验使用策略。

  3. arXiv · cs.RO75

    多模态具身智能体：从计算机使用到机器人使用的统一能力视角

    本文提出多模态具身智能体(MMEAs)概念，定义了PAPAV统一框架，包含感知、预测、规划、行动和验证五大功能。研究分析了从计算机使用到机器人使用的转变面临的五大物理约束，并指出当前64个基准测试中仅有5个评估预测能力，3个评估验证能力，存在评测不平衡问题。

    推荐理由：从计算机使用到机器人使用的多模态智能体转变面临五大物理约束，当前评测过度关注执行而忽视预测与验证能力。

  4. arXiv · cs.RO70

    CW-WAM：一种用于力敏感操作的结构化接触力矩世界动作模型

    Houzhu Ding 提出了 CW-WAM 模型，该模型联合预测视频、运动和接触力矩，通过统一交互模块和双因果注意力机制，将接触力矩预测与动作控制结合。实验表明，该模型将方形插销插入成功率从 25% 提升至 70%，电源适配器插入成功率从 40% 提升至 95%，并降低了力参考均方误差。

    推荐理由：通过统一交互模块和双因果注意力机制，将接触力矩预测与动作控制结合，显著提升了机械臂操作精度和成功率。

  6. arXiv · cs.RO75

    A2I-Calib++：面向足式机器人全身多IMU系统的运动学驱动抗噪声主动校准框架

    Fangyu Jiang提出A2I-Calib++框架，专为足式机器人全身多IMU系统设计，通过时间相关搜索和解析空间与偏差估计，无需人工校准目标或复杂参数调校即可估计时间偏移、外旋平移和惯性偏差。

    推荐理由：通过运动学驱动抗噪声主动校准框架，解决了足式机器人多IMU系统在常规运动中激励不足的问题。

  8. IT之家70

    苹果首款折叠 iPhone Duo 海外媒体评价汇总：外屏处理琐事，内屏留给沉浸

    苹果首款折叠 iPhone Duo 将于 10 月 23 日正式发售，海外媒体评价显示其价格昂贵但性能强劲，搭载与 iPhone 18 Pro 相同的 A20 Pro 芯片，散热设计使持续性能提升最多 35%。媒体评价指出外屏适合处理日常琐事，内屏提供沉浸体验，但应用适配仍需完善，续航介于 iPhone 18 Pro Max 和 Galaxy Z Fold8 之间。

  9. AWS Machine Learning Blog80

    AWS团队解析多智能体系统五大生产挑战及Deep Insight解决方案

    AWS Solutions Architecture团队发布Deep Insight多智能体系统，解决了从原型到生产的五大核心挑战：执行流控制、模型选择、可靠运行、代码执行安全性和系统监控。

    推荐理由：从原型到生产，多智能体系统面临五大挑战，AWS团队通过Deep Insight架构展示了如何解决执行流控制、模型选择、安全部署等关键问题。

  16. Google Research70

    Google Research 发布AI辅助超声在基层产科护理中的应用研究

    Google Research在JAMA Network Open发表研究，展示AI系统可通过'盲扫'超声技术评估孕龄，准确率达临床标准(MAE 4.18天)，在芝加哥和内罗毕不同医疗环境中均表现稳定。该技术使未经专业培训的医护人员能执行可靠超声检查，有望扩大资源匮乏地区的产前筛查覆盖范围。

    推荐理由：AI辅助超声在资源匮乏地区实现与专家相当的孕龄评估，验证了技术泛化能力与普惠医疗潜力。

10月21日周三
  2. IT之家65

    腾讯内测AI互动社区'懂了鸭'

    腾讯正在内测面向少儿与青少年的AI互动内容社区'懂了鸭'，用户可通过自然语言输入生成3D演示、动态课件等互动内容。该产品采用'奇妙卡'作为交互式内容单元，支持用户浏览和二次改编社区作品，目前已向亲子用户和一线教师开放测试。

  3. Hugging Face Blog68

    IBM 发布 Granite Speech 5.0 语音模型系列

    IBM 发布 Granite Speech 5.0 系列模型，包括新模型 granite-speech-5.0-2b 和更新版本 granite-speech-5.0-470m-turboctc、granite-speech-4.1-2b-plus。

    推荐理由：IBM 推出 Granite Speech 5.0 系列模型，覆盖从高精度转录到边缘设备实时处理的完整语音工作流，开源策略让企业级语音技术更易获取。

  8. 雷锋网35

    王友清教授团队论文被ACM MM 2026录用

    王友清教授团队提出GLCMoE框架，通过局部混合专家、全局混合专家和双重对比学习模块解决深度多视图聚类中的跨视图异质性和语义对齐问题。该研究设计门控路由均衡正则项缓解专家坍塌，实现判别性跨视图表征融合。论文被ACM MM 2026录用，标志着团队在计算机多媒体领域取得突破性进展。

  10. 雷锋网78

    MiniMax M3.1 Flash 发布，在 Agent 任务评测中超越 DeepSeek

    MiniMax 发布 M3.1 Flash 模型，在 Automation-Bench 复杂 Agent 任务评测中排名第一，实际测试中完成 3D 校园搭建任务比 DeepSeek V4.1 Flash 快 65 分钟，模型费用相近。该模型每百万 Token 输入 1 元、输出 4 元，价格较上一代降低约一半。

    同一件事，精选收录的是《MiniMax发布M3.1 Flash模型，Agent能力跃居国产第一》

  12. HuggingFace Daily Papers35

    HRoPE: Homography Relative Positional Encoding

    HRoPE 通过将图像块表示为倾斜 3D 平面，将平面诱导的单应性注入注意力机制，为多视图 transformer 提供几何先验以校正透视失真。在 RealEstate10K、CO3Dv2 和 DL3DV 数据集上，HRoPE 在新视图合成任务中优于现有几何位置编码。该方法无需真实几何数据，平面参数可通过视图合成目标端到端预测或基础模型推导。

  14. Hugging Face Blog65

    NVIDIA 发布 Kumo Forecast 多变量时序预测模型

    NVIDIA 发布 Kumo Forecast（前称 NV-Tesseract Forecasting）多变量时序预测模型，结合预训练 Transformer 与领域感知表示检索（DARR），提供直接预测与历史模式检索两种路径，并包含可解释性框架。模型基于 MOMENT-1-large，约 3.4 亿参数，支持 256/512/1024/2048 观测长度输入，采用 Apache 2.0 许可证。

    推荐理由：将预训练模型与历史模式检索结合，为时序预测提供可解释性，这是工业预测的新思路。

  15. Mistral AI75

    Mistral与NVIDIA合作推进工程领域AI应用

    Mistral与NVIDIA合作，将Mistral Large 4等AI模型与NVIDIA加速计算和物理建模工具结合，开发工程领域AI工作流。双方将创建公共基准测试和开放数据集，用于评估物理模型和计算机辅助工程中的智能体AI，并整合NVIDIA Omniverse进行3D仿真和资产创建。

    推荐理由：Mistral与NVIDIA合作将AI模型与加速计算结合，推动工程领域仿真与设计闭环，接下来看标准制定与行业落地。

  17. NVIDIA Blog81

    NVIDIA 推出多领域开源模型家族

    NVIDIA 发布了涵盖语言、机器人、生物和量子计算的开源模型家族，包括 Nemotron 3.5 Super VL 和 Bolt、Kumo 结构化数据模型、Cosmos 3.5 世界模型、Alpamayo 2 Edge 自动驾驶模型、BioNeMo 生物模型和 Ising 量子计算模型。

    推荐理由：NVIDIA 一次性发布覆盖语言、机器人、生物和量子计算的全栈开源模型，企业可基于本地数据定制并自主部署，欧洲合作伙伴阵容强大。

  22. HuggingFace Daily Papers65

    Joints, Camera, Action! 协同生成任意骨骼结构的3D运动与视频

    研究人员提出了一种新模型，能够直接协同生成任意骨骼结构的3D运动和视频，同时定位关节位置并恢复相机姿态。该模型通过分离运动模型与视频模型，使用交叉注意力层连接，支持从文本生成多样化骨骼动画，并能将视频转换为骨骼运动，实现关键帧控制。研究团队使用生成式视频编辑器创建了近20万训练对，评估显示该方法比视频优先管道更忠实于原始动作。