AdaM-Rec：面向多模态推荐的自适应模态路由
研究者提出 AdaM-Rec，一个基于 LLM 的多模态推荐框架，用于自适应地路由文本与视觉模态的依赖程度。该方法针对现有系统静态融合模态、忽略查询级差异的问题，利用用户历史正向交互物品构建代理召回任务，生成伪查询来评估哪种模态更能捕捉用户意图，并以 agentic 方式优化路由策略。实验表明其性能优于当前最优基线，代码已开源。
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 1342 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。
10月1日周四 · 4 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
WorldAuditBench：多模态智能体交互式3D世界审计基准
研究者提出 WorldAuditBench，一个用于交互式 3D 世界审计的基准，包含基于 Unreal Engine 5 和 Three.js 构建的 13 个环境中的 213 个异常任务，覆盖五类异常。他们用两种审计范式评估五个前沿模型：先由 VLA 探索再由 VLM 识别异常，以及端到端 VLM 智能体直接以视觉推理指导动作选择。模型成功率在 6.6%
正文结构化主题已通过公开置信门槛
谷歌发布Gemini 4 Argon，称其最强模型专注网络安全
谷歌母公司Alphabet发布Gemini 4 Argon模型，称其为迄今最强模型，特别擅长网络安全防御工作，可自主发现、验证并修补关键软件漏洞。该模型目前仅通过Fairwind安全计划向部分网络安全合作伙伴开放，同时具备编程、调试、代码库迁移及视频图表解析能力。谷歌称Argon在多项基准测试中显著优于OpenAI的GPT-6 Astra和Anthropic
正文结构化主题已通过公开置信门槛
Transformers 5.18.0 发布：新增 Nemotron、HyperCLOVAX 等模型
Hugging Face Transformers 发布 5.18.0 版本，新增四个模型支持：NVIDIA 的 Nemotron 3 Diarization 流式说话人分离模型、NemotronH Omni 多模态推理模型、NAVER 的 HyperCLOVAX Vision V2 视觉语言模型，以及 GTE 文本表示与重排序模型。该版本还包含多项破坏性变
9月30日周三 · 16 条
正文结构化主题已通过公开置信门槛
Qwen3.6-35B-A3B 去审查量化版发布
Hugging Face 用户 IsValorum 发布了 Qwen3.6-35B-A3B 的 GGUF 量化版本，名为 APEX-I-MiniPlus-V2.1 Abliterated，该版本通过 TPE 多变量帕累托优化移除了拒绝方向，实现零拒绝（uncensored），同时保持推理能力。模型采用自定义张量量化，在 14.66 GB 体积下达到 Q5 K
正文结构化主题已通过公开置信门槛
AI办公进入上下文战争，百度库库AI如何出牌
百度集团副总裁王颖在百度AI Day上表示，上下文正成为AI办公的新竞争变量，百度依托文库和网盘十余年积累的内容资产切入生产力赛道。百度文库与网盘去年推出GenFlow 1.0，今年8月官宣中文名“库库AI”并上线独立端，同时开放连接器授权以调用飞书、钉钉等平台内容。库库AI企业版已获3000家企业试用，海外版Oreate AI一年内用户突破1000万并焕新
正文结构化主题已通过公开置信门槛
从海拉鲁到现实世界：视频模型如何理解「变化」
雷峰网 AI 科技评论对智象（HiDream.ai）发布的视频生成模型 HiDream-O1-Video-1.0 进行评测，设计夜市爆炒、舞台鼓手、冰可乐 ASMR 三组图生视频任务，与 Seedance 2.5、MiniMax H3 在相同参考图和提示词下对比。评测从意图规划、时间因果和音画对应三个维度量化分析，指出 HiDream 在动作—声音—结果时序
正文结构化主题已通过公开置信门槛
三张鼠首照片实测：3D AI 进入 Harness 时刻
雷峰网 AI 科技评论用三张圆明园鼠首照片做了一次 3D 生成实测：由 GPT-6 Astra 在 Codex 中理解任务并调度 Aholo Lux3D，先用 G1-Turbo 快速生成 GLB 验证轮廓，再用 G1 生成高质量版本，最后在 Blender 中检查、调材质、加底座并导出场景与三张渲染图。最终鼠首模型约 19.05 万顶点、28.56 万多边形
正文结构化主题已通过公开置信门槛
阶跃星辰 Step 5 Preview 发布：全球开源前二，实测长程 Agent 能力
阶跃星辰发布 Step 5 Preview 模型，在 Artificial Analysis Intelligence Index 上获得 44 分，位列全球开源前二，进入前沿旗舰模型竞争区间。该模型支持 1M token 上下文、600B 参数规模，单任务成本 0.71 美元，在 654 个模型中排名第 4 位。雷峰网通过让 Step 5 Preview
正文结构化主题已通过公开置信门槛
GPT-6 Astra接上宇树G1，进厨房收拾了
斯坦福团队推出HomeBody项目，让GPT-6 Astra接入宇树G1机器人，在陌生厨房中完成收拾物品、丢弃纸盒、取药递物等长程任务。系统通过探索建图、Real2Sim数字孪生和技能工具调用三步实现，无需为新环境额外采集数据或训练专用动作策略。该方案让大模型直接调度导航、抓取、开抽屉等技能库，绕过学习型VLA，但部署仍依赖RTX 4090笔记本与远端推理，
正文结构化主题已通过公开置信门槛
PixVerse R2攻克实时世界模型Scaling难题
爱诗科技（PixVerse）于2026年1月提出通用实时世界模型方向并推出R1，现已全量上线PixVerse R2，用户可直接在网页端体验动作指令与互动影游交互。R2通过Omni Causal AR（能力引擎）与Real-Time Acceleration（加速引擎）两层架构，将模型容量、数据、任务、控制信号和时间尺度五个维度的Scaling统一，实现更高生
正文结构化主题已通过公开置信门槛
实测 Seedance 2.5 vs 可灵 3.0：谁能让创作者无痛当导演？
雷峰网 AI 科技评论对 Seedance 2.5 与可灵 VIDEO 3.0 两款 AI 视频模型进行了两组实测：一是用 15 秒科普短片介绍 OpenClaw 2.0，二是基于《赴山海》高情绪参考帧改写剧情结局。结果显示，Seedance 2.5 画面质感与角色稳定性更强，但科普信息表达不够清晰，且在参考图涉及公众人物肖像和受版权保护元素时直接拦截生成；
正文结构化主题已通过公开置信门槛
ECCV 2026复盘：空间智能成AI走向物理世界共同主线
雷峰网 AI 科技评论对 ECCV 2026 进行复盘，指出空间智能正成为 AI 走向物理世界的共同主线。大会收到 10473 篇投稿、接收 2834 篇，3D 主题排名虽退居第三，但三维表示、几何与物理一致性等问题正向视频生成、机器人、具身智能和世界模型扩散。Koenderink 时间检验奖颁给李飞飞团队，最佳论文聚焦三维表面纹理表示，多篇工作与 Work
正文结构化主题已通过公开置信门槛
ECCV 2026 Keynote：计算机视觉下一个十年从看懂世界到教会人类
得克萨斯大学奥斯汀分校教授、前Meta FAIR研究总监Kristen Grauman在ECCV 2026主会首场Keynote中提出，计算机视觉应从「看懂世界」走向「教会人类」，让AI成为帮助人学习现实世界技能的AI Guide。她介绍了Ego-Exo4D、FIction、EgoExo-WM、SkillSight、CamFormer、ExpertAF、Ex
正文结构化主题已通过公开置信门槛
NVIDIA 李柏依：机器人需学会听，MultiGen 与 DexImit 补全感知与操作数据
NVIDIA Research 科学家、UC Berkeley 研究者李柏依在 ECCV 2026 Workshop 上分享了两项具身智能工作。MultiGen 利用扩散模型为物理模拟器生成的视频补上同步音频，构建多模态数据集以训练同时利用视觉和声音的机器人策略，在倒水等任务中提升了鲁棒性。DexImit 则从单目人类视频中恢复手与物体的 4D 交互轨迹，经
正文结构化主题已通过公开置信门槛
PaddlePaddle 发布 PP-DocLayoutV3 文档版面检测模型
PaddlePaddle 在 Hugging Face 上发布了 PP-DocLayoutV3 模型，这是一个用于文档版面检测的图像分割模型，采用 Apache-2.0 许可。该模型被定位为 PaddleOCR-VL 1.5/1.6、GLM-OCR 及 Xiaomi-OCR-0 的统一版面模块，支持中英及多语言。
正文结构化主题已通过公开置信门槛
CoVLM-Bench：协同驾驶问答与规划的真实世界基准
研究者提出 CoVLM-Bench，一个基于 V2X-Seq-SPD 真实车路配对图像构建的协同驾驶基准，同时支持协同驾驶问答（CDQA）与协同规划（CP）两项任务，包含 2,196 对帧、35,136 条问答记录和 2,129 个完整规划样本。基于该基准，作者提出统一 VLM 基线 CoVLM-Drive，直接使用配对视角完成问答与轨迹预测。实验显示 CD
正文结构化主题已通过公开置信门槛
TSG Suggester：树结构知识图谱检索用于云事件故障排查指南推荐
该论文提出 TSG Suggester，一个面向云事件管理的故障排查指南（TSG）推荐检索系统，可直接从事件描述中推荐相关 TSG。系统将指南解析为保留原生章节层级的树结构，为内部节点附加 LLM 生成的问题抽象，并抽取每份指南的实体知识图谱，在查询时融合嵌入相似度与实体级匹配。在来自 18 个服务团队的 314 个真实事件和 112 份 TSG 上，Tre
正文结构化主题已通过公开置信门槛
多智能体视觉语言导航：形式化、基准与方法
该论文首次系统形式化多智能体视觉语言导航（VLN）为带约束的协调问题，任务包含依赖与资源约束（presence locks、holding chains）。作者构建了 MAVLN 基准，含 145 个场景、11,724 个 episode、最多四智能体团队及三种指令模式，并提出 TRISS 系统，结合 LLM 子任务调度器、共享拓扑记忆与冲突感知执行机制。实
正文结构化主题已通过公开置信门槛
被质疑容易复制的视触觉，到底难在哪？
雷峰网 AI 科技评论梳理视触觉触觉传感器赛道，回应「摄像头+硅胶、容易复制」的质疑。文章追溯 GelSight 从 MIT 起源到 Meta DIGIT 开源的技术脉络，并访谈戴盟、一目、纬钛、千觉、模量等国内厂商，指出视触觉在感知密度、多维度力感知上优于传统压阻/电容方案。厂商正朝系统级公司发展，布局数采设备、数据集与 VTLA 模型，但成本、厚度、一致