多模态

OmniHarness：通过符号策略学习实现可泛化视觉生成

北京航空航天大学、香港中文大学和新加坡国立大学的研究者提出 OmniHarness 框架，通过符号策略学习实现可泛化的视觉生成。该方法将验证过的执行过程抽象为面向视觉生成任务族的符号策略，保留共享流程与适用条件，并在执行中通过中间验证进行纠错与恢复。在 ComfyBench 创意任务上，OmniHarness 达到 95.0% 的解决率，超过最强基线 27.

HyCLoST：用于空间转录组学的双曲对比学习与蕴含

研究团队提出 HyCLoST，一种用于空间转录组学的双曲对比学习框架，通过双曲几何与基因到图像的蕴含损失，捕捉基因表达与组织形态之间的层级和非对称关系。该方法基于 UNI2-h 与 Geneformer 预训练模型提取特征，并在 SpaRED 基准的 26 个数据集上评估，相比此前方法平均 MSE 降低 6%、PCC 提升 8%。源代码已公开。

ProtoLIP：从句子级到对象级证据解耦

论文提出 ProtoLIP，一种轻量级原型中介证据层，用于解决视觉语言模型中对象级查询仍保留共现对象和共享上下文证据的问题。ProtoLIP 将可复用视觉原型组织为文本衍生的语义族，并通过查询依赖的族路由约束哪些原型可提供证据，无需空间标注也不重训骨干网络。在冻结的 ItemizedCLIP 上仅增加 1.48% 可训练参数，Pointing 和 Energ

SceneBench：3D场景视觉语言理解的分层基准

研究者提出 SceneBench，一个面向 3D 场景视觉语言理解的分层基准，包含 966 个用 Gaussian Splatting 重建的逼真 3D 场景，并通过人机协同流程（约 1500 人工小时）标注了超过 18.3 万个带文本描述和 3D 边界框的层级语义节点。基准定义了存在性问答、空间智能问答和需跨语义层级多步推理的 Grounded QRA 三

MechReason：机械工程多图像多跳推理基准

研究者提出 MechReason，一个面向机械工程的多图像多跳推理基准，源自真实机械工程论文，包含 12k 问答对、21k 视觉材料和显式推理链标注，覆盖解释、预测、设计、诊断四个维度共八类任务。该基准采用四阶段构建流程，通过遮蔽后验验证信息来防止模型走捷径，并经过多模态质量验证。实验显示最先进的多模态大模型仅达到 62.89% 准确率，错误主要来自推理链缺

生数科技发布Vidu S2：实时互动、实时改视频与空间视频

生数科技发布Vidu S2视频生成模型，包含S2-Avatar实时交互模型和S2-Editing实时视频编辑模型，支持数字人实时互动、动作指令执行、中途参考图注入，以及边播边改的换装、换人、换背景、换风格能力。S2-Avatar输出分辨率从540p提升至720p，并新增实时空间视频生成与编辑，可送入VR头显观看。模型发布当天全量开放，距Vidu S1发布仅6

OpenAI 称 gpt-image-2.5-flare 图像生成错误率升高后已恢复

OpenAI 状态页面报告，API 中使用 gpt-image-2.5-flare 的图像生成与编辑请求出现错误率升高。团队已实施缓解措施并监控恢复情况，随后宣布所有受影响服务已完全恢复。

Google 发布 Gemini 3.8 Live 语音模型，附浏览器试用 UI

Google 发布 Gemini 3.8 Live 和 3.8 Live Extended Thinking 两款语音到语音模型，形态类似 OpenAI 的 GPT-Live 系列。作者用 GPT-6 Astra Extra High 参考文档构建了一个网页 UI，可选择模型和语音预设、输入系统提示词，并通过浏览器进行可打断的语音对话。该实现不依赖任何库，直

Qwen3.8-27B 无审查模型发布六档 NVFP4 GGUF 量化版

Hugging Face 用户 esatapedico 发布了 DavidAU 的 Qwen3.8-27B-TWIN-TURBO-Fable-Cold-Fusion-709-L-Uncensored 模型的六个 GGUF 量化版本，采用 NVFP4（W4A16，FP8 缩放，组大小 16）格式，面向 Blackwell sm 120 架构。六个文件共享字节完

Google 发布 Gemini 3.8 Live，以低价对标 OpenAI GPT-Live-1

Google DeepMind 发布 Gemini 3.8 Live 和 3.8 Live Extended Thinking 两款面向开发者的音频模型，可通过 Gemini API 和 Google AI Studio 使用。Gemini 3.8 Live 支持语音代理在通话同时进行后台 API 调用和视觉输入处理，覆盖 97 种以上语言；Extended

Google DeepMind 发布 Gemini 3.8 Live 系列语音模型

Google DeepMind 发布 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking 两款面向近实时语音交互的新模型。前者主打规模化与成本效率，支持近实时视觉输入、97 种语言自动切换及后台工具调用；后者面向高复杂度任务，可边推理边说话，在 Artificial Analysis 语音到语音质量指数上以

另有 1 家信源报道

Meta 推出 Meta One 订阅服务，扩展 AI 功能并推动 Muse 模型商业化

Meta 推出名为 Meta One 的订阅服务，在 Facebook、Instagram 和 WhatsApp 上提供扩展的 AI 使用额度及高级功能，包括 Muse Image、Muse Video 生成图片视频，以及 Instagram 的 AI Restyle 编辑工具。该服务面向 AI 重度用户、企业和创作者，分为 Core（7.99 美元/月）、

Google 推进 300 多种语言的 AI 语言覆盖

Google 宣布其技术与产品已支持 300 多种语言，覆盖全球 86% 人口。公司通过 Gemini 3.5 Live Translate（70 种语言实时语音翻译）、Gemini 3.5 Transcribe、Universal Speech Model 及 1000 种语言计划等推进原生音频理解与低资源语言支持。同时 Google 与 Makerere

LTX-2.5 无审查视频模型 v1.1 FP8 版发布

Hugging Face 用户 ChrisColeTech 发布了 LTX-2.5-uncensored-v1.1-FP8，这是基于 Lightricks/LTX-2.5 的预合并量化版本，将 Eros10 NSFW、DMD 蒸馏、IC-LoRA、IC-LoRA Detailer 和 Img2Vid 五个微调 LoRA 直接烘焙进权重。模型提供 GGUF 与

荣耀MagicOS 11发布：YOYO执行超100步，推出YOYO Harness框架

荣耀发布MagicOS 11，其AI助手YOYO经过底层架构重做，推出系统级智能体框架YOYO Harness，将模型与手机感知、规划、工具调用整合。YOYO任务执行步骤从14步提升至100步以上，任务闭环率达90%，可调用工具从400个增至700个，并支持跨品牌智能家居、汽车控制及条件触发任务。荣耀同时开放MCP、A2A、Skills、GUI等接口，接入超

智象发布首款物理规律导向视频模型HD-V1，双榜进入全球第一梯队

智象未来（HiDream.ai）发布首个原生全模态视频生成模型 HiDream-O1-Video-1.0（HD-V1），支持文本、图片、视频等多模态输入，可直出5-20秒1080p视频，并强调物理规律理解、叙事规划与音画一体化生成。该模型在 Artificial Analysis 图生视频（含音频）榜单排名全球第四、Arena.ai 图生视频盲测排名第八。发

苹果发布基于 Google Gemini 的全新 Siri，暂不在欧盟上线

苹果在多年延期后发布全新重建的 Siri（Siri AI）测试版，基于 Google Gemini 模型，部分在设备端处理、部分通过 Private Cloud Compute 云端处理，可读取屏幕内容与个人上下文并跨应用执行任务。该功能随 2027 年 iOS 27 等系统发布，初期仅支持英文，暂不在欧盟和中国上线。早期测试者认为实用性有提升，但仍存在误解

阶跃发布 StepAudio 3 系列语音大模型，多款登顶 Artificial Analysis 全球榜单

阶跃于9月15日发布新一代语音大模型 StepAudio 3 系列，一次性推出 Realtime、ASR、TTS、Gen 和 Music 五款模型，覆盖实时语音交互、语音识别、语音生成和音乐创作等场景。多款模型在 Artificial Analysis 榜单中位列全球第一，其中 Realtime 在 Conversational Dynamics 榜单以 9

腾讯云 EdgeOne 首次入选 IDC 全球托管边缘服务领导者类别

IDC 发布《Worldwide Managed Edge Services 2026 Vendor Assessment》报告，腾讯云凭借边缘安全加速平台 EdgeOne 首次入选领导者类别，是本次唯一入选领导者类别的中国及亚太厂商。IDC 指出传统 CDN 正加速向托管边缘服务演进，竞争焦点转向边缘侧 AI 推理能力。腾讯云 EdgeOne 推出边缘 A

Xspark AI丁文伯：机器人需要一套自己的触觉“脊髓”

清华大学教授丁文伯于2025年成为Xspark AI（无界智航）联合创始人兼首席科学家，提出机器人触觉需要一套独立的“触觉原生智能”，类比人体脊髓，强调低延迟的接触反馈而非与视觉竞争。他认为视觉已解决机器人感知世界99%的问题，触觉应在视觉失效时补充接触后的信息，并提出“慢脑VLM—快脑VTLA+TWAM—脊髓VTA”三层架构。他同时指出触觉智能面临硬件一致