#多模态.

AI 导读IBM更新Granite Speech系列三款模型：新发布 granite-speech-5.0-2b，增强噪声与远场鲁棒性，支持语言ID提示、最多2000词关键词偏置，并在英语短音频开放ASR平均WER上以5.06%排第二；470m-turboctc增加七语种、原生标点大小写，RTFx升至19870；4.1-2b-plus改进说话人归属、时间戳、长语音与关键词偏置。均以Apache 2.0发布。

AI 选稿理由新增2B多语种语音模型与Turbo CTC更新，并给出WER 5.06%、RTFx约1.6倍提升及消歧指标，适用于企业转写、翻译与说话人归属场景。

AI 导读论文提出HRoPE，把每个patch的局部几何表示为倾斜3D平面，并将token级、由平面诱导的单应性作为相对变换注入注意力，从而在视角间校正透视畸变、对齐patch特征。该方法无需真值几何，平面参数可在视角合成目标下端到端预测，也可由基础模型导出。在RealEstate10K、CO3Dv2和DL3DV上的新视角合成实验中，最佳变体持续优于所评估的几何位置编码。

AI 选稿理由提出表面感知位置编码，把patch平面单应性注入注意力，在三个新视角合成数据集上验证优于现有几何位置编码，且不需要真值几何。

AI 导读论文提出多智能体世界模型OverSeer，在智能体第一视角之外加入空间固定的辅助摄像机视角，作为世界中心表征的代理，使视角变化直接对应世界状态的局部变化。辅助视角因冗余半静态特性可用delta-VAE仅编码相对静态参考图的变化来压缩token。Minecraft与Doom实验显示世界与智能体一致性提升，真实多相机采集的定性结果表明方法不限于游戏引擎，压缩分析显示计算开销显著降低。

AI 选稿理由提出固定辅助视角加delta-VAE压缩的多智能体世界模型方法，在Minecraft、Doom及真实多相机数据上验证一致性提升与计算开销降低。

AI 导读英伟达在GTC Berlin展示欧洲工业客户使用CUDA-X、Omniverse、Cosmos和Nemotron推进工程与制造。Factory Operations Blueprint（FOX）已在GitHub开放早期访问，用于构建工厂管理及视觉检测、根因分析等Agent；西门子将其接入Intelligence Center X，估计可节省20%成本，并在埃尔朗根工厂将检测校准时间缩短40%。cuDSS转为正式可用，imec的S-Litho基准最高提速40倍，英飞凌3D击穿仿真提速12倍。奥迪、舍弗勒、大众透明工厂等用Omniverse与Isaac做数字孪生和机器人仿真。

AI 选稿理由FOX蓝图开放早期访问并给出西门子20%成本节省、40%校准提速等实际企业结果，同时cuDSS正式可用，为工业Agent与仿真提供可复用起点。

AI 导读英伟达梳理欧洲、北欧、非洲和中亚云伙伴的区域算力扩展：Nscale在GB300 NVL72测试中用DSX MaxLPS在同等供电下多跑37%的GPU、聚合推理吞吐提升近50%；Nebius采用Groq 3 LPX并推出机器人云与三套零售Agent蓝图；Baseten与CodeRabbit用Nemotron 3.5 Lightning把代码审查路由一致率从75.8%提到80.7%、推理成本降50%；Mistral以3800块Grace Blackwell训练Mistral Large 4并计划2027年交付Vera Rubin。OpenShell参考架构由Vera CPU、BlueField-4和Sentry提供代理权限边界，多家云商支持。

AI 选稿理由汇总了DSX MaxLPS在GB300上的能效数据、CodeRabbit微调后的准确率与成本变化，以及OpenShell参考架构的具体分工与首批支持云商，可作为欧洲区域算力与代理安全部署的进展参考。

AI 导读NVIDIA扩展开源模型家族，涵盖语言、机器人、生物学和量子计算领域，推出Nemotron 3.5 Super VL和Nemotron 3.5 Bolt等新模型，以及Kumo结构化数据处理模型、Cosmos 3.5世界模型、Alpamayo 2 Edge自动驾驶模型、BioNeMo医疗模型和Ising量子计算模型。这些模型允许组织使用本地数据定制并部署在自有基础设施上。

AI 选稿理由NVIDIA发布多领域开源模型，提供本地化定制能力，适用于欧洲各行业主权智能需求。

AI 导读NVIDIA研究团队提出Joints, Camera, Action!（JCA）模型，可为任意给定的骨骼绑定（rig）同时生成视频与可回放的3D动作，并估计相机将动作配准到场景。方法将3D动作保留在独立模型中，通过少量交叉注意力层连接预训练视频模型；模型还学习在视频帧中定位每个关节以恢复相机。借助生成式视频编辑器布置动画3D资产，团队整理出近20万对训练数据（含人与机器人视频）。评测显示该模型从文本驱动多样骨骼比视频优先管线更忠实，动作会响应周围场景，且支持视频转骨骼动作、骨骼动作转视频及基于关键帧的3D动作控制。

AI 选稿理由提出首个支持任意骨骼绑定的视频与3D动作协同生成方法，通过分离式架构与关节定位恢复相机，用近20万训练对实现可回放、场景响应的3D动作生成及双向转换。

AI 导读DeepSeek开源DeepInfer推理框架，支持英伟达GPU与昇腾NPU，单集群每天处理155万亿Token，谷电时段每GPU小时收入38美元；MiniMax发布M3.1 Flash模型，总参数4280亿，支持100万Token上下文，72小时内处理超100万亿Token，推理速度提升近3倍；Anthropic让Claude生成数学证明验证代码正确性，为123个开源库生成约1.8亿行证明代码；腾讯推出AI互动知识产品'懂了鸭'，可将文字、知识点转化为动态课件、3D演示等内容。

AI 选稿理由DeepSeek开源高性能推理框架DeepInfer，提供具体生产数据和经济效益；MiniMax发布大规模参数模型，展示实际部署能力；Anthropic和腾讯分别推出创新AI应用，提供可复用方法。

AI 导读论文提出把多模态重排序视为“系统一”式单选决策：让通用 VLM 对第一阶段检索的前 16 个候选做一次单选，排序依据是单次前向计算中候选项标签的概率。在 MMEB-V2 图像检索上，该做法比逐候选是/否提问高 5.4–7.3 hit@1。零样本 Qwen3.8-27B 在三个基准上超过监督式 Qwen3-VL-Reranker-2B，并在每个基准上距 Reranker-8B 不超过 1.6 分；其延迟为后者的 1.1–1.5 倍。作者也指出，模型规模和代际差异会混淆对比结果。

AI 选稿理由给出可复用的多模态重排序方法及 MMEB-V2 等基准的具体增益与延迟数据，并说明模型规模与代际差异会影响对比结论。

AI 导读Matrix-Game 4.0将游戏执行与画面生成分离：轻量游戏引擎维护世界状态并执行交互规则，多模态编码Agent把玩家想法转为游戏代码和动态场景描述，基于自回归视频模型的渲染器再把低多边形代理画面转为高保真视觉。单张RTX5090实现480p、60FPS，按键到显示延迟112ms；单步生成稳态83FPS，峰值显存18.2GiB，RTX5080和RTX5070Ti上分别为67FPS和58FPS。代码、模型权重和低多边形游戏资产已开源。

AI 选稿理由给出可玩游戏世界的执行—渲染分离架构，并在单卡上实测延迟、帧率与显存，同时开源代码、权重和资产，为实时视频生成与游戏交互结合提供可复现基线。

AI 导读研究团队发布EvaOmni视听推理基准，含392段视频、1027个人工标注问答对，覆盖检索定位、基础理解、复杂推理三层共15项能力。评测要求模型同时返回答案与支撑证据区间，并用C.G.衡量证据覆盖、B.G.惩罚单模态时间定位偏差。在24个Omni模型上，Gemini3.7-Flash综合准确率最高（79.4%），但Level 3的B.G.仅12.3%。

AI 选稿理由新基准把“答案+音视频证据区间”纳入评分，并给出24个Omni模型的分层结果，可复用于视听推理评测。

AI 导读研究提出 S-Agent 2.0，为现成通用编码代理配备命令行感知工具包，并通过持久场景记忆让模型把工具读到的几何数据转成空间结论。开源底座 Qwen3.8-27B 接入后，MMSI-Bench 和 ReVSI 分别比无工具版本提升 13.9 和 20.5 分，达到 66.5 和 82.3，超过同底座的 SpatialClaw；接 Gemini-3.8-Flash 时同样领先。该方案可运行在 Codex、Claude Code 等代理框架上。

AI 选稿理由给出空间推理代理的工具接口与记忆设计，并在两个基准上按开源/闭源底座分别报告相对无工具与 SpatialClaw 的具体分数变化，属于可复用的研究方法进展。

AI 导读研究提出 Video-Point Model（VPM），以多视角视频历史和语言指令为条件，联合预测任意视角的未来视频和持续场景点的 3D 轨迹。团队扩展预训练世界模型，加入相机条件多视角处理和轨迹预测头，并构建 VPM-Data 仿真语料与 VP-WorldBench 基准。将动作作为 token 接入后，该模型在仿真与真实机器人操作中成功率均提升。

AI 选稿理由新增可复用的世界模型方法：点轨迹监督同时改善视频保真度与 3D 运动精度，并覆盖仿真和真机操作任务。

AI 导读研究者提出MMEnterprise-Bench基准，包含1,613个基于模拟协作项目动态多模态记录的问题，分为证据推理、冲突消解、不可回答三类。评测10个开源与专有多模态大模型发现，最强模型在跨源或时间冲突、证据跨多图时仍表现不佳；提高检索预算或换更大检索器只提升证据召回，未稳定提升答案准确率。

AI 选稿理由为企业多模态Agent提供可复用的评测基准与实证发现：检索召回提升未稳定转化为答案准确率，适用于评估动态记录问答系统。

AI 导读研究提出结构条件视频渲染器SolarRenderer，基于冻结的33B MiniMax-H3主干加两个轻量LoRA，将结构视频直接送入原生参考通道，仅用纯文本描述，无需类型标识。借助四步LoRA与结构引导分布匹配，渲染比50步采样快12.3倍；块因果变体支持实时生成768p视频。模型在13.6万片段对齐语料上训练，在分布内测试集和16种结构表示的泛化基准上均达SOTA，并泛化到姿态骨架、手绘图、点云等11种未见表示。

AI 选稿理由新增结果：SolarRenderer以冻结MiniMax-H3 33B加两个轻量LoRA实现四步结构条件渲染，速度提升12.3倍并在16种结构表示基准上验证，适用于游戏引擎与编码代理生成视频的研究场景。

AI 导读论文提出语言条件潜世界模型 LaLa-World，用语言同时描述数值动作和视觉变化，让单个未来预测器在仿真、机器人轨迹及图像视频数据上联合训练。其平均 MPC 规划性能超过按域单独训练的 LWM；与基于 RAEv2 的视频生成基线相比，训练成本少 6 倍、规划快 13.9 倍。作为初始化得到的 LaLa-Policy 在 LIBERO 和 RoboCasa 上与 Cosmos Policy 竞争力相当，推理最高快 5.5 倍。

AI 选稿理由提出语言描述动作与视觉变化的 JEPA 式潜世界模型，在多域数据上联合训练后规划性能提升，并给出相对视频生成基线的训练成本与规划速度数据。

AI 导读研究团队推出TARSphere，一个面向具身机器人的全栈框架，可在物理模拟器中运行机器人策略，并使用事件驱动的有限状态机更新任务状态。该框架通过冻结的多模态大语言模型(MLLM)实现多级可执行技能，并构建了包含360个跨30个室内场景的TARSphere-Bench基准测试。评估显示通用模型在特定任务上优于专用具身模型，但任务更新和人机交互仍是挑战。

AI 选稿理由TARSphere提供了评估具身机器人在动态环境中长时程任务的新框架，通过MLLM实现多级技能执行，并首次系统评估了8个MLLM在感知鲁棒性、适应性、人机协调等方面的表现。

AI 导读SplatLab是一个针对3D高斯溅射(3DGS)的自主研究系统，能够复现已发表论文、提出扩展方案、训练模型并撰写论文。该系统在Mip-NeRF 360和LLFF数据集上，其生成的论文在PSNR指标上比复现目标高出+0.18至+3.78dB，其中在天文摄影星云渲染上提升3.78dB，且此前无3DGS方法能处理此类任务。研究周期从数月研究生工作缩短至数天自主计算完成。

AI 选稿理由SplatLab实现了3DGS研究全流程自动化，在PSNR指标上显著超越复现目标，将研究周期从数月缩短至数天，并首次实现天文摄影星云渲染的3DGS方法。

AI 导读研究团队提出FRED框架，通过自蒸馏方法改进World Action Models(WAMs)中未来视频表示的质量。该框架利用真实未来观测作为目标，从噪声中预测未来表示，并结合历史观测提供时间上下文。在多样化实际操作场景中，FRED在长时程和跨域任务上显著优于现有WAMs，将人类到机器人的技能转移成功率从19.4%提升至50.0%。

AI 选稿理由FRED框架通过自蒸馏方法显著提升了机器人未来视频表示质量，在长时程和跨域任务上实现零样本泛化，并大幅提高人类到机器人的技能转移成功率。

AI 导读研究提出前馈模型 Foundation4D，用共享骨干和分解式时空注意力，从多相机驾驶视频同时完成几何估计、3D 检测、语义占用与高斯重建；视频推理用位姿图优化细化相机轨迹并拼接目标轨迹。团队还发布含 1253 段驾驶片段的 PAI-Foundation4D 基准。按基准微调后，在 Waymo 和 nuScenes 取得最低深度 AbsRel，nuScenes 检测 mAP 最高，OpenOccupancy 占用 mIoU 最高。联合训练使检测 top-class mAP 提升 1.2 点，几何与检测共训把相机到支架平移误差降低 13.4%。预测几何与轨迹还作为无激光雷达 NuRec 的先验。

AI 选稿理由新论文给出多任务驾驶感知与重建的统一前馈模型，并在 Waymo、nuScenes、OpenOccupancy 报告深度、检测、占用指标及联合训练增益，附 1253 段驾驶片段的标注基准。

AI 导读NVIDIA 发布 Cosmos3-H-Dreams，基于 160 亿参数 Cosmos3-H-Embodied-Nano，利用 CMR Surgical Versius 平台临床胆囊切除视频与机器人运动学训练。模型采用 28 维动作控制，提供四步与两步蒸馏检查点，搭配 FlashDreams 流式推理，可在单张 RTX PRO 6000 GPU 上实时运行，并支持适配自有数据与控制器。

AI 选稿理由首次展示基于临床胆囊切除录像训练、支持实时运动学控制的生成式手术仿真器，并开放四步与两步检查点及教师微调、Self-Forcing 蒸馏流程，适用于手术机器人仿真研究。

AI 导读Octave 为 14000 多家受监管行业客户的质量管理平台 Reliance 构建了多租户 AI 基础。团队把所有租户的隔离要求作为前提，用 Amazon Bedrock 上的 Cohere Embed v4 完成 20 亿份文档的嵌入，并把向量存储按租户隔离到 OpenSearch Service；执行层通过 Bedrock AgentCore Gateway 和隔离 microVM 调用 Claude，前后两次经过 Bedrock Guardrails 过滤。该基础已将每个用例的部署时间缩短 50%。

AI 选稿理由文章完整给出了受监管 SaaS 平台在租户数据严格隔离、不可信内容进入和超大规模嵌入三方面的解决办法，包括逐租户向量库、按用户权限执行 Agent 和输入与输出双重过滤，可作为同类多租户 AI 平台的工程参考。

AI 导读研究人员提出了一种直接在高维隐式3D潜在空间中进行场景生成的方法，利用2D基础模型（如DINOv2、SigLIP2、DA3）构建3D潜在表示，并通过扩散变换器在3D潜在空间中执行扩散建模。实验表明，该方法在效率和空间一致性方面优于基于2D的方法，并验证了3D潜在表示对场景生成性能的可扩展性影响。

AI 选稿理由解决了3D场景生成中2D表示导致的冗余和空间一致性问题，为大规模3D场景生成提供了更高效、更一致的新方法。

AI 导读Mistral 推出 Voxtral 3 语音代理 SDK，支持 50 多种语言的实时语音处理，提供精准转录、情感化文本转语音和深度工具调用功能，可选择欧盟托管或本地部署。

AI 选稿理由解决了多语言实时语音交互的精准性和情感表达瓶颈，适用于需要跨语言语音交互的应用场景，提供灵活的部署选项。

AI 导读AWS发布技术文章，介绍如何使用AtScale和Amazon Bedrock AgentCore构建语义层，实现代理式AI系统。该方案采用维度模型而非知识图谱，通过语义建模语言(SML)定义模型，同时支持SQL、XMLA和MCP三种协议。系统可确保业务智能工具与代理获得相同计算结果，并支持基于身份的访问控制。

AI 选稿理由该方案解决了企业数据分散导致的跨系统查询难题，通过语义层统一数据定义，使AI代理和BI工具能从同一数据源获取一致结果，同时支持细粒度访问控制。

AI 导读AWS与Strategy合作，使用Strategy Mosaic作为语义层，通过Amazon Bedrock AgentCore运行Strands代理，实现跨Amazon Redshift和Aurora的客户360视图。该系统支持MCP协议、JDBC/ODBC、XMLA和REST四种原生协议，无需ETL即可连接多种数据源，并实现端到端的行级和对象级安全。

AI 选稿理由解决了企业AI代理跨多数据源进行语义推理的难题，支持实时数据联邦和统一业务指标定义，降低了复杂查询的开发难度。

AI 导读AWS博客介绍如何使用Denodo平台和Amazon Bedrock AgentCore构建代理式AI应用的语义层，实现对企业多云数据的统一访问。该方案整合了Amazon Aurora、Amazon Redshift和本地PostgreSQL数据库，通过Denodo的VQL语言提供实时数据访问，并通过MCP协议向代理暴露受控视图，确保数据安全与隐私。

AI 选稿理由解决了企业多云数据源整合与安全访问的瓶颈，使AI代理能够实时查询分散在不同环境中的企业数据，无需数据迁移。

AI 导读研究人员在复现POPE基准测试的幻觉缓解结果时发现，评估代码中的token选择会影响F1分数。通过分析9,000个问题，发现模型实际生成的是带空格前缀的"Yes"和"No"token，而非直接比较的"yes"和"no"token。这种评估方法导致LLaVA-1.5-7B在对抗分割上的F1分数提高了6.13点，超过多数报告的增益。研究还发现错误预测比正确预测获得更多图像注意力，与基于纠正的假设相反。

AI 选稿理由揭示了视觉语言模型评估中token选择对结果的关键影响，解决了评估方法不一致导致的性能比较难题，为研究人员提供了标准化的评估框架。

AI 导读Wan等人提出了一种物理信息学习模型TrajectoryFlowNet，能够基于有限的轨迹测量数据同时预测长程粒子路径和流场，已在模拟和血液流动实验中得到验证。

AI 选稿理由该模型解决了流场和轨迹预测中数据稀疏性的瓶颈，可用于医学血流分析等需要精确预测粒子运动的领域，显著提高了预测精度和效率。

AI 导读研究人员开发了一种神经网络方法，结合拉格朗日和欧拉视角，将稀疏观测数据转化为复杂混沌流体运动的高精度物理准确图谱。该研究发表于《Nature Machine Intelligence》，为流体动力学提供了新的分析工具。

AI 选稿理由解决了流体动力学中稀疏数据到高精度物理模拟的转化瓶颈，可用于复杂流体系统的精确预测和分析。

AI 导读该研究系统探讨了物理递归自我改进(RSI)的机制、缩放行为和泛化能力。研究引入PhysRSI-eval评估框架，通过首次尝试性能、效率、成功率、预算和失败改进五个维度量化物理RSI，在18个操作任务中评估不同视觉语言模型(VLM)。实验结果提出"物理桶假设"，即不同能力可能限制改进的不同部分。研究还从两个角度进行观测缩放分析：预测VLM代理的相对性能和基于早期物理反馈预测后续进展。

AI 选稿理由该研究首次系统量化了物理递归自我改进能力，提出物理桶假设，为AI体在物理世界中的自我改进机制提供了理论基础和评估框架。

AI 导读针对平面相机游戏世界模型中动作控制的空间一致性问题，研究者提出ActionRoPE参数化动作接口，将动作驱动的相机位移转换为世界坐标旋转位置，并引入坐标条件噪声调度(CNS)算法。该方法使遵循指令运动更准确，比最强基线减少66%的重访漂移，且可跨1.3B至33B参数的视频骨干模型及分布外场景迁移。

AI 选稿理由解决了平面相机游戏世界模型中动作控制的空间一致性问题，通过坐标表示和噪声调度显著提高了运动准确性和生成稳定性。

AI 导读针对大型语言模型（LLM）代理在未知和动态环境中需要主动探索、理解和适应环境动态的问题，研究人员提出了AdaExploreBench，一个用于评估主动探索和测试时自适应能力的基准。实验表明，主动和自适应的探索仍然具有挑战性，当前LLM代理在获取正确证据和识别先前获取的证据不再有效方面存在瓶颈。

AI 选稿理由解决了LLM代理在动态环境中主动获取证据和适应环境变化的瓶颈，有助于提升LLM代理在复杂环境中的表现。

AI 导读本文提出了一种名为Vision-Language-Delta-Action（VLDA）的新范式，通过紧凑的Delta变量捕捉潜在的世界状态变化，作为视觉语言理解和动作生成之间的接口。VLDA通过统一目标学习Delta，包括局部过渡滤波器（LT-Filter）和全局过渡锚点（GT-Anchor），以改善长期一致性、鲁棒性和泛化能力。

AI 选稿理由VLDA通过紧凑的Delta变量捕捉潜在的世界状态变化，作为视觉语言理解和动作生成之间的接口，从而提高了机器人操作的长期一致性、鲁棒性和泛化能力。

AI 导读现代文本到图像（T2I）系统使用大规模语言预训练进行文本条件图像生成。本文提出Halcyon，一种早期融合的多模态自回归模型，完全从零开始在GPIC数据集上预训练，该数据集包含100M图像-文本对。Halcyon-0.52B在预训练计算量上比LlamaGen-XL/8少18.2倍，性能优于后者。Halcyon-1.6B在预训练计算量上比JiT-T2I-XXL/8++少275倍，性能也优于后者。控制实验表明，仅文本预训练不会提高T2I生成。Halcyon通过替换caption dropout为I2T监督，在不增加预训练预算的情况下，也能保持有竞争力的T2I生成质量。研究表明，强大的T2I系统可以在没有互联网规模语言预训练的情况下从头开始训练。代码和模型可在https://cs.stanford.edu/~keshik/halcyon获取。

AI 选稿理由展示了无需大规模语言预训练即可训练强大的文本到图像生成系统，降低了预训练计算需求。

AI 导读DeepSeek V4.1 Flash 1017成为开源权重价值领导者，在多个基准测试中表现优异；MiniMax M3.1 Flash以1/3成本和3倍速度发布；Mercury 3被称作迄今为止最强大的扩散LLM；Anthropic宣布将约20%股权投入公共福利基金；美国国土安全部要求联邦机构移除DeepSeek产品；Google开源Harness²框架实现智能体自我改进；Claude Opus 5.5在密码学和量子物理领域取得突破。

AI 选稿理由包含多个模型的具体性能数据、基准测试结果和实际应用案例，以及Anthropic公共福利基金等重大行业动态。

AI 导读巴塞罗那超级计算中心(BSC)的AI工厂加速器项目全面运营，为初创企业提供主权计算资源、技术支持和培训。该项目与NVIDIA Inception计划合作，通过NVIDIA门户提供服务，并计划扩展MareNostrum 5超级计算机以提供更多AI工厂服务。自2025年4月启动以来，已为800多家私营和公共部门客户提供服务。

AI 选稿理由该项目通过NVIDIA加速计算和AI技术，帮助西班牙初创企业在水资源管理、医疗诊断和制药等领域实现突破，推动区域创新和产业升级。

AI 导读浙江大学团队提出ScaleNav框架，通过三阶段训练方法利用网络第一人称视频学习目标导向的视觉动态，实现机器人根据文本指令导航至指定位置。在Short-Horizon OVON单视图变体和HabitatGS-LN基准测试中分别达到86.5%和94.9%的成功率，并在真实四足机器人上验证了泛化能力。

AI 选稿理由解决了机器人导航训练数据稀缺和仿真到现实差距问题，通过互联网视频预训练实现了高精度的语言条件导航能力。

AI 导读研究团队提出EgoXperience全栈范式，通过数据收集、自动标注、统一建模和基准测试解决自我中心视频重建中的一致性问题。核心EgoX-Engine引擎结合几何验证的目标跟踪与SLAM世界对齐，生成EgoX-Data-6M数据集（50小时任务驱动操作与移动数据）和EgoX-Bench基准。EgoX模型在单目自我中心视频和首帧目标掩码下，通过单次前向传播实现相机、场景、手部和物体的联合度量重建，实验显示在场景估计和世界空间手-物体姿态恢复方面达到最先进性能。

AI 选稿理由解决了自我中心视频重建中多元素一致性的瓶颈，为AR/VR和机器人操作提供高精度世界坐标框架重建能力。

AI 导读研究团队提出OpenVLHarness，一种围绕能力层和持久多模态记忆组织的多模态推理工具。在22个基准测试中，该工具使Qwen3-VL-8B、Kimi K3和GPT-6 Astra模型得分分别提升11.2、9.7和9.9分，在GPT-6 Luna上以中等推理 effort 超越其他模型最高 effort 表现，且模型token成本最多降低37%。

AI 选稿理由OpenVLHarness通过多模态记忆和工具接口解决了视觉推理中证据获取瓶颈，显著提升模型在复杂任务中的表现并降低计算成本。