多模态

PCGNet：统一共享与特定信息用于时尚搭配推荐

该论文提出 PCGNet（个性化兼容图网络），一个多目标图学习框架，用于时尚搭配推荐。它通过对比互信息最大化来提取并对齐共享信息与视图特定模式，统一建模商品兼容性与用户个性化偏好，并引入相关性感知邻居采样和可学习全局图增强以缓解数据稀疏与噪声问题。在两个基准数据集上，PCGNet 在四项评价指标上均显著优于现有方法。

基于扰动的 VQA 图像区域标注方法 CSGR

该论文提出了一种名为 CSGR（Counterfactual Search for Grounding Regions）的自动标注流程，通过分割模型提出候选区域、用修复模型扰动这些区域，并测量其对模型答案分布的影响，从而识别出对答案起关键作用的「模型因果视觉证据」区域。CSGR 在多个评判模型间聚合证据以减少偏差，生成细粒度像素级标注。实验将该标注接入注意力

TestHallVQA：面向科学考试的LVLM文档级冗余上下文推理基准

研究者提出 TestHallVQA，一个面向大型视觉语言模型（LVLM）的多图像文档级 VQA 基准，数据来自科学考试试卷，包含超过 1 万条问答对和 7000 张试卷图像。该基准可控制地注入多级冗余上下文，并配套提出 F1-R2 指标，同时衡量模型的推理能力与对文档级冗余的证据检索鲁棒性。实验显示主流 LVLM 在多个维度存在潜在缺陷，为后续研究提供方向。

VLM 可供性预测瓶颈在于部件定位而非动作知识

该研究将视觉语言模型（VLM）的 affordance 预测拆分为「定位操作部件」与「知道该部件所需动作」两步，在 19 个铰接物体上测试了来自三家开发商的八个模型。开放提示下 push 动作在 64 次评估中仅正确出现一次，八个模型中有七个从未输出 push，表面看像是动作知识缺失。但检查输出发现模型实际在描述与评分不同的部件，在提示中明确命名目标部件后，

比亚迪携手阿里云，千问大模型接入“迪迪虾”智能座舱

9月14日，比亚迪在腾势N8L纯电上市发布会上推出超级智能体“迪迪虾”，并宣布与阿里云深化AI合作，将千问大模型接入比亚迪座舱体系。千问参与多轮对话、意图识别、任务编排与长期记忆，并协同车控、音乐、视频、搜索及飞猪、淘宝闪购等生态Agent执行任务，使车机从被动应答转向主动办事。双方自2023年起已在辅助驾驶、智能座舱等领域合作，此次将合作从云基础设施、数据

ByteShape 发布 Qwen3.8-27B GGUF 量化模型

ByteShape 在 Hugging Face 发布 Qwen3.8-27B 的 GGUF 量化版本，使用其 ShapeLearn 方法为每个张量学习最优数据类型，以在极低位宽下保持质量。该版本取代此前的 ShapeLearn-Lite 量化，包含 5 个 GPU 优化模型（2.56–3.84 bpw，8.8–13.1 GB），并在数学、编程、指令遵循和智

Omni-Streaming Thinking：延迟跨模态验证的流式全模态推理

该论文提出 Omni-Streaming Thinking（OST）方法，用于改进流式全模态推理。针对模型在音频尚未完整时过早将视觉解读固化为事实、导致后续即使音频矛盾仍持续传播的「跨模态过早承诺」问题，OST 生成包含已观察证据、未来证据预测和基于证据的声明等结构化输出，声明初始标记为待定并绑定未来验证区间，音视频证据分开存储，在验证区间结束时进行跨模态核

NVIDIA 发布 Muse-Glimmer-30B NVFP4 量化模型

NVIDIA 发布了 Muse-Glimmer-30B 的 NVFP4 量化版本，该模型基于 Meta Superintelligence Lab 的 Muse-Glimmer-30B 稠密因果 Transformer，带有专用感知编码器，支持文本与图像交错输入，面向本地智能体任务。量化使用 NVIDIA Model Optimizer v0.46.0，采用

Gemini 3.8 Live 系列音频模型正式可用

Google 在 Gemini API 发布说明中宣布，Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking 两款音频到音频模型正式 GA，面向基于 Live API 的实时语音应用。前者定位低延迟语音代理与实时对话的默认选项，具备交错推理、默认异步函数调用和完整会话客户端内容更新；后者支持实时音频交互中的后

另有 2 家信源报道

llama.cpp v0.4.1 发布：新增多模型支持并升级 ggml

llama.cpp 发布 v0.4.1，新增 Maple 20B-A1B 三元 MoE、腾讯 Hy 4 预览版和 Spark2.5 模型支持，并改进 JSON schema 处理、聊天解析、日志和服务器子进程管理。核心变更包括修复 DeepSeek2、GLM-MoE 等模型的 MTP KV 缓存分配，以及 Qwen/Kimi/GLM 的 GDN 归一化问题。

iOS 27 上手：基于 Gemini 的新 Siri 让作者重新用回语音助手

TechCrunch 作者在 iOS 27 公测版上长期使用后表示，新版 Siri 基于 Google Gemini 模型构建，能力大幅提升，可处理多步复杂指令、读取屏幕上下文、调用文件/信息/邮件内容，并新增独立 App 与相机接入。文章还介绍了 Apple Intelligence 带来的自然语言创建快捷指令、Safari 自定义提醒、照片重构图与扩展、

Daydream 借 Apple Intelligence 推出相册穿搭购物与 Siri 搜索功能

AI 时尚发现应用 Daydream 推出两项新功能，利用苹果 iOS 27 开发者工具与 Apple Intelligence，让 iPhone 用户无需打开应用即可将相册中的穿搭照片转化为可购买商品，并通过 Siri 进行自然语言搜索。该应用可识别图片中的单品并匹配其约 300 万件商品目录，若原商品已下架则推荐相似款式。Daydream 表示这是其构建

mlx-optiq 发布 Gemma-4 12B QAT 混合精度 4-bit 量化模型

mlx-optiq 发布了 mlx-community/gemma-4-12B-it-qat-OptiQ-4bit，这是基于 Google 量化感知训练（QAT）版 Gemma-4 12B 的 4-bit 混合精度 MLX 量化模型。它采用敏感度引导的逐层比特分配（157 个组件用 8-bit，171 个用 4-bit，平均 5.25 bits-per-we

火灾后物体理解的特征恢复基准与方法

研究者提出 TRACE，一个面向火灾后物体理解的变换感知基准，包含 21.4K 真实图像衍生的合成火灾场景和 499 个物体从完好到逐步退化的配对轨迹，覆盖 189 个类别。实验显示现有检测器、编码器和 VLM 在物理退化下性能大幅下降，如 RF-DETR mAP 相对下降 71%，InternVL3.5 检索 R@1 从 93.85 降至 28.11。为此

LAMAE：面向多模态心脏表征学习的潜在注意力掩码自编码器

研究者提出 Latent-Attention Masked Autoencoders（LAMAE），一种多模态、结构感知的掩码自编码器，在自监督预训练阶段通过共享的潜在注意力模块在 study–view–entity 层级上直接交换信息，联合学习患者级表征。该模型在超过 120 万条 MIMIC-IV 住院记录上预训练，在多模态住院任务（院内死亡率、ICD-

HSI-Road重标注：表面感知的道路场景分割

该论文对HSI-Road数据集进行了重新标注，将原本的二分类（背景/道路）扩展为六类路面材质分类：背景、沥青、混凝土、泥土、水和草地，并提供了RGB到NIR的配准流程。研究在四种输入配置（原始RGB、配准低分辨率RGB、NIR、RGB-NIR通道堆叠）下评估了六种语义分割模型，使用逐类和平均IoU及F1分数进行报告。结果显示，在匹配的192×384分辨率下，

深度机智发布PhysBrain 1.5，登顶全球开源物理AI榜

中国公司深度机智于2026年9月9日发布物理基座模型PhysBrain 1.5，在28项公开基准上取得72.5综合均分，位居开源模型首位，与GPT-6 Astra（73.3）、Gemini 3.6 Flash（73.0）差距收窄至1分以内。该模型围绕其提出的Physical Loop物理智能循环架构，将具身理解、动作生成与未来状态预测统一在同一训练框架中，并

打破视觉-动作捷径：面向可泛化机器人基础模型的潜在接口训练

该论文提出 Latent Interface Training（LIT），一种与框架无关的两阶段训练策略，用于提升机器人基础模型在视觉分布偏移下的动作泛化能力。第一阶段在不使用图像的情况下，基于语言、机器人状态和末端执行器 SE(3) 位姿训练动作先验；第二阶段引入受位姿监督的潜在接口，作为预训练动作专家唯一的视觉条件通路。在 Pi0.5、MolmoAct2

豆包手机助手消费者版本发布，首款新机9月16日开售

9月14日，豆包手机助手消费者版本正式发布，以豆包App为基础与手机厂商在系统层面合作，强调稳定性和日常可用性。该版本支持语音、AI键等多种唤醒方式，具备屏幕问答、本地记忆检索和任务执行能力，并以Beta版开放“操作手机”功能，同时推出屏幕自动化操作声明协议（SAEP）并启动30天规则公示。首个消费者版本将搭载于努比亚NaviX Ultra手机，9月16日正

NUS Show Lab 寿政：融合自回归与离散扩散，打造具身大模型底座

新加坡国立大学 Show Lab 负责人寿政教授在 ECCV 2026 上介绍了 Show-o 系列统一多模态模型，该架构在单个 Transformer 中融合自回归预测与离散掩码扩散生成，解决文本离散性与视觉连续性难以统一的问题。团队进一步提出循环一致性监督实现理解与生成的双向反哺，并通过 3D Tokenizer 与时空双向注意力提升连续视频生成质量。研