MLLM生成网页的跨环境兼容性研究
本研究首次系统性地评估了多模态大语言模型（MLLM）生成网页的跨环境兼容性。研究者构建了包含2032个标注实例的WebCompat数据集，涵盖8种AI工具生成的网页在9种浏览器和设备组合下的渲染情况。研究发现68%的生成网页存在至少一个兼容性问题，主要症状为页面级布局失败（88.3%），根因包括缺失viewport meta标签（46%）和缺乏弹性布局（29
多模态
技术方向 · 文本之外的能力：视觉理解、图文混合、音视频输入输出的模型与产品 · 共 1351 条
只展示置信度达到公开门槛且每篇排名前三的主题标签，降低泛化误贴。
8月14日周五 · 7 条
正文结构化主题已通过公开置信门槛
正文结构化主题已通过公开置信门槛
StrAD：长视频音频描述生成的流式方法与基准
StrAD 论文提出了一种用于长视频音频描述生成的新基准和流式方法，将任务重新定义为流式密集视频描述，无需真实时间戳即可在滑动窗口内生成 AD。其微调模型 StrAD-FT 在 CMD-AD 上达到 SOTA（CIDEr 36.3），在 StrAD 基准上为 51.0，但流式任务中时间定位和叙事连贯性仍有局限。这是首个流式全视频 AD 生成方法，有助于推动可
正文结构化主题已通过公开置信门槛
AutoDesign：长时程代理设计的元优化框架
AutoDesign 是一个利用元优化器递归改进代码代理的框架，用于长时程代理设计，在学术论文到海报生成任务上取得最新成果。在 PosterBench 主赛道中，AutoDesign 得分 78.32，超过商业系统 Claude Design 7.45 分。在完全自主的长时程循环中，它能在 40 分钟内执行 253 次工具调用和 11 次编辑，成本低于 3
正文结构化主题已通过公开置信门槛
英特尔实现Muse Glimmer在Intel平台上的Day-0支持
英特尔宣布其Muse Glimmer模型在Intel GPU和Xeon CPU上通过上游vLLM和Hugging Face Transformers实现Day-0支持，覆盖从工作站到云实例的广泛硬件。该支持得益于英特尔的“Upstream First”承诺、对开源社区的持续贡献以及与Meta的紧密合作。用户可通过vLLM的HTTP服务器（兼容OpenAI A
正文结构化主题已通过公开置信门槛
GazeAnywhere：基于概念提示的任意场景凝视目标估计
研究人员提出了一种新的可提示凝视目标估计（PGE）任务，通过文本或视觉提示识别主体并预测凝视目标，无需多阶段流水线。他们开发了Gaze-Co数据集（包含12万张带提示标注的图像对）和GazeAnywhere模型，该模型使用基于Transformer的检测器融合冻结编码器特征，同时解决主体定位、帧内/外存在性和凝视目标热图估计。GazeAnywhere在多个P
正文结构化主题已通过公开置信门槛
Suno Studio 2.0 推出聊天式 DAW 功能，支持自然语言创作与无限制导出
Suno 推出 Studio 2.0，为 Premier 订阅用户提供基于聊天的 DAW 功能，用户可通过自然语言创建乐器、人声和自定义插件，并支持 MIDI 导入、录音、编辑、分轨分离、自动化曲线以及 32-bit/48 kHz 的无限制多轨导出。该更新与公司近期限制下载的政策相矛盾，可能意在吸引专业用户。此外，Suno 因使用受版权保护材料训练模型而面临
正文结构化主题已通过公开置信门槛
bartowski 发布 Muse-Glimmer-30B 多模态模型 GGUF 量化版
bartowski 发布了 Muse-Glimmer-30B 模型的 GGUF 量化版本，该模型由 meta-models 开发，支持文本和图像输入，并具备 MTP 和 imatrix 功能。量化版本使用 llama.cpp 生成，提供从 bf16 到 IQ3 XXS 的多种量化格式，以适应不同硬件和性能需求。推荐用户选择 Q4 K M 版本作为性能与大小的
8月13日周四 · 12 条
正文结构化主题已通过公开置信门槛
Google 在 AI 竞赛中落后了吗？DeepMind 重组引发行业热议
Google 宣布重组其 AI 部门 Google DeepMind，首席科学家 Jeff Dean 离职创业，DeepMind 联合创始人兼 CEO Demis Hassabis 将卸任 CEO 并专注于长期研究。The Verge 高级 AI 记者 Hayden Field 在 Decoder 节目中分析了这一变动，认为尽管 Google 拥有巨大资源和
正文结构化主题已通过公开置信门槛
AdvNav：黑盒攻击揭示视觉语言导航系统的潜在安全风险
香港科技大学（广州）陈昶昊教授团队提出 AdvNav，这是首个面向视觉语言导航任务的黑盒行为引导对抗攻击框架，无需访问模型内部参数，仅通过观察智能体行为即可生成扰动。在 R2R 数据集上，AdvNav 对 HAMT 和 MapGPT 模型分别取得 49.70%、65.96% 和 87.30% 的攻击成功率，揭示了当前视觉语言导航系统普遍存在的视觉脆弱性。该研
正文结构化主题已通过公开置信门槛
视觉工具使用的幻觉：对图像思维模式的因果审计
该研究对多模态大语言模型的视觉工具使用进行了因果审计，发现尽管聚合准确率有所提升，但返回的视觉证据往往对答案没有因果影响，或调用计划不连贯。研究提出了视觉证据增益等干预指标，并在六个模型和五个基准上揭示了两种失败模式，将这种不一致称为视觉工具使用的幻觉。
正文结构化主题已通过公开置信门槛
NeuPAT：面向语言保持多模态大模型的神经元感知可塑性分配调优
NeuPAT提出了一种神经元感知的可塑性分配调优框架，用于在多模态指令调优过程中保留大语言模型的语言能力。该方法通过小规模探测阶段估计神经元适应模式，选择性保护语言敏感神经元，同时促进多模态适应。实验表明，NeuPAT在11个语言基准上恢复了94.5%的语言能力退化，同时保持了相当的多模态性能。
正文结构化主题已通过公开置信门槛
自进化代码图像推理：通过可执行反思提升视觉计算能力
该研究提出Code-with-Image范式，将视觉推理从语言链转移到Python程序执行，并构建CwI-Bench基准测试。作者提出Self-Reflection over Executable Reasoning，一种无需训练的自我进化循环，通过观察和可执行反射改进技能库，显著提升GPT-5.6-luna和Qwen3.5-27B在基准上的准确率，且技能可
正文结构化主题已通过公开置信门槛
GeoUniPR：几何一致的跨模态地点识别统一框架
GeoUniPR 提出了一种几何一致的跨模态地点识别框架，通过将 LiDAR 点云投影到相机视角构建多通道深度图像视图，并利用参数高效微调的 ViT 编码器学习统一嵌入空间，无需复杂的对齐模块或多阶段训练。实验表明，GeoUniPR 在 KITTI 和 KITTI-360 数据集上达到了最先进的性能，并具有良好的跨数据集泛化能力。
正文结构化主题已通过公开置信门槛
Vercel AI SDK 更新 Moonshot 提供商，支持视频输入
Vercel AI SDK 发布了 @ai-sdk/moonshotai@2.0.45 更新，该版本不再基于 @ai-sdk/openai-compatible，而是由包自身实现聊天功能，并支持视频输入，将视频文件转换为 Moonshot 的 video url 内容部分。同时，音频和 PDF 文件部分现在会在客户端抛出错误，并新增了 promptCache
正文结构化主题已通过公开置信门槛
荣耀发布全球首款机器人手机Robot Phone，开启具身交互时代
荣耀于2026年8月12日发布全球首款机器人手机荣耀Robot Phone，该手机配备四自由度钛合金灵巧云台和系统级Agent架构，支持多模态具身交互。荣耀与ARRI合作引入电影级影像技术，并搭载第五代骁龙8至尊版平台，售价9999元起。该产品旨在推动AI终端从数字智能迈向具身智能，开启人机伙伴关系新阶段。
正文结构化主题已通过公开置信门槛
MBA：面向真实世界商业构思的多模态基准与智能体
研究人员推出了MBA-Bench，这是首个用于训练和评估商业构思智能体的多模态基准，包含六个领域的3万个样本。他们提出了MBA-b和MBA-k模型，通过LoRA微调和组相对策略优化，结合创造性和可行性奖励进行训练，显著优于文本和多模态基线。MBA-b和MBA-k分别比多模态基线提升25.6%和35.8%。
正文结构化主题已通过公开置信门槛
DeepSeek V4 Pro 0813 发布，仅限 API 访问
DeepSeek 发布了 V4 Pro 0813 模型，目前仅通过 API 提供，OpenRouter 已上线。作者推测其开放权重可能发布，因为前代模型均有权重。该模型在不同推理级别下生成的鹈鹕图像差异显著，且基准测试结果通过非官方渠道传播。
正文结构化主题已通过公开置信门槛
Cohere 发布 2.4B 原生分辨率视觉语言模型 North Micro Vision
Cohere 发布了 North-Micro-Vision-Instruct，一个 2.4B 参数的开源视觉语言模型，支持原生分辨率图像输入，采用 Apache 2.0 许可证。该模型结合了 400M 参数的视觉编码器和 2B 参数的语言模型，通过四阶段训练优化了文档理解、多语言视觉理解等能力。模型旨在支持边缘设备和移动端部署，并可通过微调适应特定领域。
正文结构化主题已通过公开置信门槛
MindTopo基准揭示多模态模型空间推理短板
微软研究院推出新基准 MindTopo，用于评估多模态大语言模型的拓扑推理能力，涵盖连通性、封闭、顺序、分离和打结等概念。研究发现，当前模型在静态图像识别上表现较好，但在交互式规划任务中显著下降，错误多出现在规划阶段而非感知阶段。该基准旨在为机器人及交互环境中的 AI 系统提供诊断工具，并指出需要显式拓扑状态或保持拓扑的世界模型。
8月12日周三 · 1 条
正文结构化主题已通过公开置信门槛
谷歌Made by Google 2026发布Pixel 11、Pixel Watch 5及Gemini新功能
谷歌在Made by Google 2026活动上发布了Pixel 11系列、Pixel Watch 5和Pixel Tag追踪器，并展示了多项Gemini驱动的功能。Pixel 11起售价899美元，Pro版起售价1099美元，均因RAM短缺而涨价。Pixel Tag定价29美元，兼容Android Find Hub网络。Gemini新增了手语翻译和Ram