跳到正文
#多模态
10月21日周三
  2. 量子位85

    MiniMax发布M3.1 Flash模型，Agent能力跃居国产第一

    MiniMax发布M3.1 Flash模型，在Agents' Last Exam评测中以29.6%得分成为国产模型第一，代码工程、网络安全等能力进入全球第一梯队。该模型输出速度达200+ TPS，输入每百万Token仅1元，输出4元，综合成本降至上一代的30%，性价比超越硅谷旗舰模型。

    推荐理由：MiniMax M3.1 Flash以低价高性能重新定义Agent性价比，国产模型在综合能力上开始挑战硅谷旗舰。

  4. arXiv · cs.RO65

    CLOSER: 基于证据感知的主动视觉验证具身物体目标导航

    Pengying Wu提出CLOSER框架，通过视觉语言模型验证与主动感知结合，在物体目标导航任务中提升成功率3.6个百分点，路径长度加权成功率提高2.0个百分点。该框架可在本地运行并集成到现有系统中无需重新训练。

    推荐理由：通过主动验证减少具身导航中的误判，CLOSER框架在提升成功率的同时降低了路径长度。

  6. arXiv · cs.RO75

    PhysCanvas：面向机器人策略评估与学习的视觉触觉世界模型

    研究人员提出PhysCanvas，一种统一多模态的视觉触觉世界模型，用于接触密集型机器人操作。该模型整合多视角RGB、触觉图像、标记位移、任务状态和动作，通过一致性感知后训练将世界模型与真实世界成功率的相关性从0.602提升至0.885，并将策略在真实世界中的成功率从59.1%提升至70.8%。

    推荐理由：通过统一视觉与触觉模态建模，PhysCanvas将机器人策略评估与学习的成功率相关性提升至88.5%，解决了仿真与真实世界接触动力学不一致的难题。

  7. arXiv · cs.RO65

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

    Noam Rotstein提出了一种新模型，能够协同生成任意骨骼结构的3D运动与视频，并自动定位相机位置将运动放置到3D场景中。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文本描述，且运动能响应周围场景。

    推荐理由：通过分离运动模型与视频模型，实现了任意骨骼结构的3D运动与视频的协同生成，解决了现有方法仅支持人类骨骼或参数量过大的问题。

  10. HuggingFace Daily Papers45

    Video-Point Model 通过点轨迹预测学习4D世界

    研究团队提出 Video-Point Model (VPM)，一种基于多视角视频和语言指令的4D世界模型，可预测未来视频和3D点轨迹。VPM-Data 数据集和 VP-WorldBench 评测基准支持训练，点监督提升视频保真度和3D运动准确性。机器人控制扩展中，动作令牌与视频联合去噪，提高模拟和真实机器人操作成功率。

  12. 华尔街见闻78

    谷歌CEO访谈：云业务为AI前沿让路，算力锁定2027年极其困难

    谷歌CEO皮查伊在访谈中确认云业务正在为前沿AI研发让渡算力资源，承认当下每家公司的算力需求是两年前规划的两倍，客户锁定2027年算力极其困难。他强调前沿模型是谷歌第一优先级，并解释递归自我改进当前处于AI智能体与人类研究员协同推进的过渡期，距离自主失控终局还很遥远。

    推荐理由：谷歌CEO罕见承认云业务为AI前沿让路，算力短缺已成行业现实，递归自我改进仍处于人机协同阶段。

  13. IT之家68

    腾讯云元宝搜索对外开放：构建千亿级索引规模，定价每千次14元起

    腾讯云宣布元宝搜索正式对外开放，已构建千亿级索引规模，日均调用量达数亿次，支持50多个核心业务。元宝搜索整合全网公开资源和腾讯优质内容，将大模型技术应用于内容收录、理解与检索全链路，提供极速版、标准版、旗舰版三种服务，定价为每千次14元起。

  14. arXiv · cs.RO55

    PanoGraphGS：结合高斯溅射实现全景分割与分层3D场景图统一

    Jinghan Gao提出PanoGraphGS框架，整合全景3D高斯表示学习与分层3D场景图构建。该方法在共享高斯几何上学习语义和实例特征，支持新视角全景分割和高斯级全景解码。在Replica和NaviGS数据集上，PanoGraphGS在物体节点准确率上超越最强基线50个百分点以上，并在2D全景分割任务中达到最先进性能。研究团队同时发布了NaviGS全景场景理解数据集。

  15. arXiv · cs.RO40

    Give the Model a Finger: Developmentally Aligned Evaluation of Counting in Vision-Language Models

    研究通过让视觉语言模型模拟儿童数指动作，在9个模型、682张图像和7种测试条件下发现，模型的精确计数范围差异显著（R80从3到150点）；标记作为干预手段仅对4个模型在小规模计数照片中有效，但作为测量工具可追踪模型推理过程；模型遵循指令遍历顺序却常因顺序反转改变答案，与儿童行为存在差异。

  16. arXiv · cs.RO65

    RoboJudge: 多模态大模型作为具身视频生成的评判者

    研究团队提出RoboJudge-Bench基准，用于评估多模态大模型作为具身视频生成评判者的能力。该基准涵盖800个人类标注的视频，测量物理遵循和指令对齐两个维度。研究团队还构建了RoboJudge-Train数据集，并基于此训练出RoboJudge-9B模型，在评测中达到与人类判断的最高一致性，皮尔逊相关系数达0.719，比最佳基线模型Gemini-3.7-Flash高出0.089。

    推荐理由：首个系统性评测多模态大模型对具身视频生成判断能力的基准，揭示了通用模型与专业模型在物理遵循和指令对齐上的评估差异。

  17. arXiv · cs.RO70

    多视角潜在动作预训练用于跨具身机器人视频学习

    Oliver Hausdörfer提出一种多视角潜在动作模型(LAM)，通过交叉注意力解决深度和遮挡问题，将同步多摄像头视图压缩为潜在动作。实验表明，双视角LAM预训练将真实6D动作解码准确率提高17%，下游策略成功率提升13.5%，单次跨具身学习即可实现技能迁移，硬件实验中成功率提升20%。

    推荐理由：多视角潜在动作预训练将6D动作解码准确率提升17%，证明视频与机器人数据互补且任务依赖性强。

  18. arXiv · cs.RO70

    前沿大语言模型进入机器人领域：在RoboColiseum上的跨模型评估

    研究团队在RoboColiseum平台上对GPT-6 Astra、GPT-6.1 Sol、Claude Opus 5.5和Gemini 4 Argon四个模型进行了多维度比较评估，涵盖指令跟随、空间推理、通用操作和鲁棒性四个方面。结果显示所有模型在指令跟随上表现优异，空间推理能力强，但通用操作能力较弱；Astra在指令跟随和鲁棒性上领先，Opus在空间推理、通用操作和整体性能上领先。

    推荐理由：大模型在机器人任务上展现出指令理解与空间推理优势，但执行能力仍存明显差距，模型间互补性强。

  19. HuggingFace Daily Papers75

    Matrix-Game 4.0：利用视频模型实现实时可玩游戏世界

    Matrix-Game 4.0通过分离游戏执行与视觉生成，实现了480p分辨率、60FPS的实时游戏体验，在NVIDIA RTX5090上按键到显示延迟为112ms。该系统使用轻量级游戏引擎维护世界状态，多模态编码代理将玩家想法转化为游戏代码，基于自回归视频模型的渲染器将引擎渲染的低多边形代理转换为详细视觉效果。

    同一件事，精选收录的是《昆仑万维发布Matrix-Game 4.0视频大模型游戏》

  21. HuggingFace Daily Papers45

    MMEnterprise-Bench: 评测企业级智能体在多模态演化记录中的表现

    研究者推出 MMEnterprise-Bench 基准，包含 1,613 个基于多模态演化记录的问题，涵盖证据推理、冲突解决和不可回答性三类。评测 10 个多模态大语言模型发现，即使最强模型在处理跨源或时间冲突证据时表现不佳，且增加检索预算未显著提升答案准确性。代码和数据已开源。

  23. 钛媒体55

    AI办公，最不重要的是中场战事

    脑极体分析AI办公市场竞争格局，认为基础模型能力、渠道营销和行业场景是三个不同战场，单一优势无法决定最终胜负。后场模型如Kimi K3提供技术壁垒，中场营销如WorkBuddy、豆包、千问争夺用户入口，前场行业场景如华为云果办OfficeAce提供专业差异化。

  29. IT之家65

    谷歌为车载Gemini新增个人智能功能

    谷歌为车载Gemini新增个人智能功能，可跨Gmail、日历、地图等谷歌服务调取数据。该功能通过Android Auto和谷歌内置车机系统推送，支持用户用自然语言提出复杂需求，如同时查询航班信息和登机口。用户需主动授权开启，并可随时关闭或选择接入哪些应用。

  33. HuggingFace Daily Papers70

    Agent Mosaic：识别智能体LLM系统中的信息泄露风险

    研究人员通过实验发现，现代LLM智能体能够从可访问文档中检索信息并披露敏感结论，造成马赛克效应风险。在模拟测试中，即使添加分类标签和聚合规则，GPT-5.6-Sol等模型仍以32.37%的泄露率披露禁止信息，且拒绝回答反而可能暴露禁止结论。研究使用了30个合成案例和两个开源测试平台，共测试了10,800个模拟答案和1,440个实时答案。

    推荐理由：即使添加分类标签和聚合规则，AI智能体仍会以32.37%的泄露率通过马赛克效应暴露敏感信息，拒绝回答反而可能暴露禁止结论。

  34. HuggingFace Daily Papers75

    Foundation4D: 面向自动驾驶的统一感知与重建模型

    NVIDIA发布Foundation4D，一种统一的前馈模型，可从多摄像头驾驶视频中实现几何估计、3D检测、语义占用和高斯重建。该模型共享骨干网络，使用分解时空注意力高效跨摄像头和时间组合观测，并通过位图优化优化相机轨迹。

    推荐理由：统一模型同时处理几何估计、3D检测和语义占用，任务组合提升1.2点mAP，为无激光雷达场景重建提供新思路。

  37. AWS Machine Learning Blog55

    在Amazon SageMaker HyperPod上微调GPT-OSS-20B实现多语言推理

    AWS团队展示了如何在Amazon SageMaker HyperPod上微调GPT-OSS-20B模型，使其能够按照指令在法语、德语、西班牙语和意大利语中进行推理。研究显示，监督微调(SFT)将推理语言正确率从22%提升到100%，而强化学习与组相对策略优化(GRPO)进一步将答案语言正确率从62%提升到70%。

  38. Hugging Face Blog75

    NVIDIA 发布 Cosmos3-H-Dreams 生成式外科手术模拟器

    NVIDIA 发布 Cosmos3-H-Dreams，首个基于临床胆囊切除术数据训练的实时生成式外科手术模拟器，可在单块 NVIDIA RTX PRO 6000 GPU 上运行。该模型基于 Cosmos3 架构，通过学习临床手术视频和机器人运动学数据，实现了对人体内部复杂解剖结构和组织运动的实时交互模拟。

    推荐理由：首个基于临床手术数据训练的实时生成式外科模拟器，将手术训练从桌面场景推进到复杂人体内部环境。