多模态

AI 导读Block公司推出Dessa语音模型，直接处理音频而非先转文本，可实时识别情绪、讽刺和停顿。该模型在MacBook Pro M4 Max上本地运行，但目前尚未公开。

AI 选稿理由Dessa模型通过直接处理音频而非文本，实现了对情绪、讽刺和停顿的实时识别，为文本模型无法捕捉的语音情感分析提供了新方法。

AI 导读月之暗面发布Kimi K3.1 Pro，2.8万亿参数模型在Artificial Analysis智能指数中排名第四，得分55，接近Fable 5.1。模型支持百万Token上下文，在代码、3D创作和长程Agent任务中表现优异，计划11月4日开放权重。同时推出Highspeed API，输出速度提升2-3倍，价格翻倍。独立评测显示其在网络安全测试中得分64%，为公开最高。

AI 选稿理由Kimi K3.1 Pro成为首个接近Fable-5.1级性能的开放权重模型，缩小了中美模型差距，并在网络安全领域取得突破性进展。

AI 导读Google Research与合作伙伴开发AI工具用于结核病筛查，通过胸部X光检测TB，已在六个国家的40家医疗机构部署，筛查时间从数周缩短至45秒内。团队开源了MedGemma多模态模型和MedSigLIP视觉-语言模型，支持本地部署和临床推理，并与印尼卫生部合作开发国家TB筛查方案，还开发了基于咳嗽声的HeAR声学筛查工具。

AI 选稿理由提供结核病筛查AI工具的实际部署结果和开源模型，适用于全球医疗资源匮乏地区的TB筛查。

AI 导读AWS发布多轮强化学习(MTRL)技术，通过Amazon SageMaker AI训练模型处理需要多步决策的任务。以Wordle游戏为例，使用GPT-OSS-20B模型，在默认推理能力下将解决率从61%提升至84%，低推理能力下从15%提升至69%，训练成本约339美元。该技术适用于企业内部多步骤任务，如工作流程自动化，无需指定正确路径，只需对最终结果评分。

AI 选稿理由提供了一种新的强化学习方法，通过单次奖励信号训练模型完成多步任务，适用于企业内部特定工作流程的AI能力提升。

AI 导读Meta发布多模态模型Muse Wonder和Spark，OpenAI为青少年版ChatGPT推出新功能，Reflection与Nvidia合作推出新模型Beam，华中科技大学开发TurboVLA系统。

AI 选稿理由Meta发布了多模态模型Muse Wonder和Spark，OpenAI为青少年版ChatGPT推出新功能，Reflection与Nvidia合作推出新模型Beam，华中科技大学开发TurboVLA系统，这些进展在AI领域具有重要意义。

AI 导读MIT历史本杰明·林德奎斯特教授在《过去与现在》期刊发表论文，追溯AI幻觉的起源至20世纪50年代早期工程师的研究。这些工程师认为，为使机器能像人类一样思考，必须注入一定程度的非理性。早期神经网络通过随机性模拟人类创造力，而现代AI系统已被'打磨'以减少意外输出，但创造力与可预测性之间存在必然权衡。

AI 选稿理由揭示了AI发展历史中创造力与可预测性之间的权衡关系，以及早期工程师对AI系统设计的根本性思考。

AI 导读研究提出EdenGNN模型，可同时预测电荷密度和增强占据数，实现投影增强波精度下的电子结构计算。通过基展开公式和Δ学习策略，计算速度提高一个数量级以上。基于Materials Project数据库训练的EdenGNN-Uni模型，能准确预测周期表中大多数未见材料的能带结构，展现出比通用ML哈密顿方法更强的鲁棒性。

AI 选稿理由EdenGNN模型实现了电荷密度预测的显著加速，并首次实现了跨周期表元素的通用电荷密度预测，为大规模电子结构计算和高通量筛选提供了可扩展的从头算方法。

AI 导读研究团队提出Easy-3Dfy工作流，将对象生成与场景布局估计解耦，通过RPF对齐器建立对象局部网格与场景点云之间的几何对应关系，无需完整场景级监督即可在Scene-Maker和3D-FUTURE200数据集上超越SAM-3Dfy的多个几何指标。

AI 选稿理由Easy-3Dfy通过显式几何组合有效结合高质量对象生成与强空间理解能力，使工作流能独立受益于3D对象生成和基础模型的进步。

AI 导读Amazon Polly生成式引擎升级后提供更自然、准确的语音输出，新增14种语音覆盖9个地区，首次正式支持印地语和芬兰语。现有应用无需修改代码即可使用升级后的语音，支持低延迟流式传输和SSML标记控制，适用于呼叫中心、媒体娱乐、电子学习和无障碍应用等多种场景。

AI 选稿理由新增14种语音和两种新语言支持，提供更自然准确的语音输出，无需代码修改即可升级。

AI 导读AWS发布解决方案，通过在Amazon SageMaker AI上部署Kokoro-82M文本转语音模型，实现AI语音代理的句子级流式合成。该方法将语音合成延迟降低52.4%，在端到端测试中提升2.4-3.5倍响应速度，同时解决了传统方案中音频传输负载增加33%和帧对齐问题。

AI 选稿理由提供具体技术方案降低AI语音代理延迟，包含实测性能数据和优化方法，适用于需要实时语音交互的AI应用场景。

AI 导读微软研究院推出Flint-interactive，这是一种基于Flint的交互式数据可视化语言。它允许用户和AI代理通过点击、过滤、缩放、高亮和跨图表交互来探索数据可视化。该语言使用高级语义事件和更新操作符，简化了复杂交互的构建，并通过编译器处理交互逻辑和视觉依赖，提高了可靠性和开发效率。Flint-interactive支持创建交互式数据故事、仪表板和连接体验，使一个视图中的操作可以更新另一个视图中的图表、文档、小部件或应用程序状态。

AI 选稿理由Flint-interactive提供了一种高级语言来简化交互式数据可视化的创建，解决了传统方法中布局、渲染和调试的挑战，使AI代理能够生成更可靠、更丰富的交互式图表。

AI 导读研究提出 Factor-Aware Predictive Learning（FAPL），把有效利用 MLLM 潜变量作为共同前提，再用互补学习信号分别实现要素感知控制与稀疏输入下的时间推断。方法含三步：冻结 MLLM 仅靠潜变量训练 DiT；用成对视频做要素跨度替换；以文本、完整视频共享目标并冻结 DiT 反训 MLLM。实验在稀疏到视频、要素感知编辑和多镜头生成三个任务上均优于基线。

AI 选稿理由论文给出让 DiT 真正利用 MLLM 潜变量、并同时控制角色/场景/动作/相机的三阶段训练方法，在三个电影级视频生成任务上验证有效。

AI 导读NVIDIA扩展Cosmos平台，新增训练工具、仿真检查点和Cosmos Data Factory蓝图，帮助开发者构建世界模型。平台提供前沿开源模型、数据、训练和优化工具，支持扩展训练数据、适应模型、测试行为和部署前性能优化。Cosmos Data Factory提供五种云原生蓝图，包括自动驾驶数据集生成、图像属性增强等，已被保时捷、ANYbotics等公司应用，可减少90%重复物理测试，缩短85%开发周期。

AI 选稿理由新增Cosmos Data Factory五种云原生蓝图和具体应用案例，以及Cosmos Framework扩展支持更多开源模型，提供从训练到部署的完整工具链。

AI 导读欧洲零售商正使用开放模型和物理智能技术，包括Shopify通过后训练模型将推理成本降低90%，Zooplus实现86%搜索准确率，L'Oréal将成分筛选时间从数月缩短至数小时，以及Mirakl处理7000万产品数据。NVIDIA还提供数字孪生技术帮助优化仓库运营和虚拟试衣体验。

AI 选稿理由展示了NVIDIA技术在欧洲零售业的具体应用成果，包括成本优化、准确率提升和效率改进，适用于零售和消费品行业。

AI 导读NVIDIA在欧洲推出Earth-2开放AI模型家族，包括针对欧洲的StormScope EU区域模型，可每10分钟更新一次云况预测。AXA、Vaisala Xweather、曼彻斯特大学和TotalEnergies等机构正利用这些模型进行飓风风险评估、短期天气预报、空气质量建模和太阳能预测。Earth-2支持开发者结合多种模型满足区域需求，并提供PhysicsNeMo框架进行定制训练。

AI 选稿理由NVIDIA Earth-2开放模型在欧洲的实际部署案例，展示了AI在气象预测领域的具体应用和定制化能力。

AI 导读NVIDIA与合作伙伴及欧洲政府合作，将先进模型引入公共部门，提升行政效率并保持数据与基础设施控制权。多个欧洲国家项目采用NVIDIA开放模型，包括波兰医疗影像分析、英国合成数据集、德国数字助手、法国协作工作空间和希腊代理生态系统。NVIDIA还推出Codefest活动，支持将开放模型转化为本地化公共部门解决方案。

AI 选稿理由新增多个欧洲国家公共部门采用NVIDIA开放模型的具体案例，涵盖医疗、就业、数字助手、协作工作空间和代理生态系统等领域，展示了开放模型在公共部门的应用进展。

AI 导读研究团队提出AnyGameRenderer，一种视频到视频的生成渲染器，可将AI编程代理生成的简单游戏（如灰色块状、几何图形）转换为高质量视觉效果，同时保持布局、相机和每个实体的位置与时间不变。该模型通过LoRA微调MiniMax-H3 ref2va（33B参数）实现，支持多种游戏类型输入，并在实体级基准测试中，时间匹配率从50.9%提升至62.9%，漏检计数变化从34.7%降至21.3%。

AI 选稿理由AnyGameRenderer解决了AI生成游戏视觉效果差的问题，通过实体一致渲染技术提升游戏质量，适用于多种游戏类型，并提供了新的实体级评估基准。

AI 导读研究人员提出了Dual Exam，一个用于评估多模态代理和世界模型相互作用的工具。该工具在物理、数字、社会和科学领域测试代理和世界模型，比较了多种配置和案例。GPT 6 Astra和GPT-Image-2在各自的测试中表现突出，但结果揭示了任务性能的不均衡和任务相关状态的保留问题。

AI 选稿理由Dual Exam为多模态代理和世界模型的评估提供了新的方法，有助于理解它们之间的相互作用。

AI 导读研究团队推出AgentVQA基准，从23个数据集中精选1000个真实世界代理场景，涵盖Web代理、机器人、第一人称视频、游戏和空间规划五个领域。测试显示，22个模型中最佳准确率仅为58.5%，主要错误源于无法准确定位UI元素、解释运动、跟踪状态变化和推断3D空间关系，而非任务理解或逻辑推理问题。

AI 选稿理由AgentVQA提供了首个跨领域代理视觉理解离线基准，解决了在线评估成本高、难以扩展的问题，为模型比较提供可靠依据。

AI 导读研究团队提出FilmFlow框架，可将自然语言指令或参考视频转化为动态3D环境中的可执行相机轨迹。该系统由导演智能体和三个专业智能体（解释器、侦察员、评论员）组成，支持空间推理、时间协调和视觉构图。研究团队还创建了CinemaBench基准数据集，包含150个Blender场景和750个文本指导任务，FilmFlow在基准测试中表现最佳并获用户最高偏好。

AI 选稿理由FilmFlow提供了将自然语言或视频参考转化为3D电影摄影轨迹的完整框架，并创建了专用基准数据集，适用于影视制作和虚拟内容创作领域。