多模态

豆包工作新增画布功能并接入豆包2.1 Lite模型

豆包工作近期持续更新，推出创作画布功能，并新增轻量级豆包2.1 Lite模型。画布功能面向复杂创作任务，将素材、设计方案与创作成果集中到同一无限画布，并接入全新图片模型Seedream 5.0 Flash，相关Agent可完成从理解需求到生成图片、视频和成套设计的流程。豆包2.1 Lite主要面向日常问答、文档撰写、表格处理和PPT制作等高频办公场景，优化了

SuperNav：面向任意场景任意任务的智能体导航系统

浙江大学团队提出 SuperNav，一种面向通用服务机器人的智能体导航系统，让预训练多模态大模型无需导航专项微调即可处理任意场景中的任意任务。该系统通过导航技能、面向智能体的物理交互工具以及任务进度与上下文管理，将运动执行委托给导航工具，并用统一视觉点接口连接决策与运动。实验显示其在实例级、多目标和需求驱动任务上优于四个基线，并在 HM3D 类别级评估和真实

V-CoLA：基于线性注意力的视觉Token压缩

该论文提出 V-CoLA，一种面向线性注意力架构（如 Qwen3.5）的免训练视觉 token 压缩框架。现有基于 softmax 注意力的压缩方法在混合线性注意力模型上性能明显下降，V-CoLA 通过基于循环状态的唯一性感知重要性评分与自适应 token 合并来解决这一问题。实验显示，仅保留 50% 视觉 token 时可维持原性能的 99.5%，保留 1

AgentGarten：代码造世界、扩散绘现实，让智能体边玩边进化

MirroS团队发布AgentGarten，将可执行代码环境与实时神经渲染器连接，让智能体在代码定义物理规则、模型生成视觉反馈的闭环中持续交互与试错。在重做的捉迷藏实验中，智能体通过逐轮撰写并传承经验手册，躲藏者第4轮学会搭掩体、搜寻者第10轮学会借坡道翻墙，远快于2019年OpenAI需数千万至上亿局自我博弈的结果。该框架还扩展到陪伴小狗、狭桥会车、合作牧

另有 1 家信源报道

Claude 新增文本生成动画视频与实时数据仪表盘功能

Anthropic 为 Claude 推出两项 beta 功能：Dashboards 可连接 BigQuery、Databricks、Snowflake、Salesforce 等数据源，通过文本提示生成自动更新的实时仪表盘，每个数字都可展示底层查询，结果可输出到 Amplitude、Grafana、Hex 等工具；Motion 可根据文本、图表和图像生成动画

美国具身数据公司Mecka融资超4亿元，英伟达微软三星参投

美国具身数据初创公司Mecka宣布完成6000万美元（约4.02亿元人民币）B轮融资，由红杉资本领投，NVIDIA、微软M12、高通创投、三星等参与投资。资金将用于扩展数据基础设施、建设内部研究实验室并推动商业机器人应用。Mecka通过自研多传感器硬件与全球化采集车队获取真实场景数据，并推出Egoverse数据集生态，其手部姿态识别精度达亚厘米级。公司预计年

mradermacher 发布 Qwen3.8-Flash-Next-Uncensored GGUF 量化版

开发者 mradermacher 在 Hugging Face 上发布了 Qwen3.8-Flash-Next-Uncensored 模型的 GGUF 静态量化版本，基于 orcarouter 的原始未审查模型。该仓库提供从 Q2 K 到 Q8 0 的多种量化文件及多模态补充文件，采用 Apache-2.0 许可，方便本地部署使用。

生数科技开放 Vidu Q4 预览版：4K 直出，每秒最低几分钱

生数科技开放了新一代视频生成旗舰模型 Vidu Q4 预览版，主打传神表现力，支持最高 4K 直出、单次最多 15 张参考图和 3 段参考音频、FPV 视角与最长 16 秒单条生成。量子位实测显示其人物演技、镜头语言和特效质感表现稳定，720P 价格约 0.09 元/秒，6 个视频共约 110 秒花费不到 10 元。MaaS 端 720P 约 0.6 元/秒

Pollo AI 借助 OpenAI 将创意转化为广告活动

Pollo AI 借助 GPT-5.6、GPT-6 Astra 和 GPT-Image-2.5，帮助创作者将大胆创意转化为精细图像和电影级视频广告。

StandardOne-8B-GGUF v2.2 发布并支持 llama.cpp 决策端点

StandardThinking 在 Hugging Face 发布了 StandardOne-8B-GGUF 的 v2.2 版本，基于 Ministral 3 8B 文本模型与 Pixtral 视觉塔（mistral3 架构），提供从 BF16 到 IQ2 M 共九种量化文件及视觉投影器。更新为九个语言模型文件新增了决策元数据，使其支持 llama.cpp

StandardOne-3B-GGUF 发布：支持 llama.cpp 决策端点

StandardThinking 在 Hugging Face 发布了 StandardOne-3B-GGUF，这是基于 Ministral 3 3B 文本模型与 Pixtral 视觉塔（mistral3 架构）的 GGUF 量化版本，供 llama.cpp 使用。该仓库更新至 v2.2 权重，并新增决策元数据，使全部九个语言模型文件支持 llama.cpp

机器人AI突破短期内难以改变生活

MIT Technology Review 与 Aventine 合作的文章探讨了人形机器人热潮与现实差距。特斯拉 Optimus、英伟达黄仁勋、Marc Andreessen 等预测人形机器人将很快普及并形成数万亿美元市场，但 Yann LeCun 等研究者认为，基于语言和图像训练的 AI 难以应对物理世界的无限变化，人形外观与通用智能被混为一谈。文章以

前腾讯混元技术骨干胡瀚创业：聚焦多模态，目标估值数亿美金

前腾讯混元视觉大模型算法中心负责人胡瀚离职创业，方向聚焦多模态，计划融资数千万美元，目标估值数亿美金，远识资本担任本轮融资FA。过去一个月已有多家投资机构与其接触，商业化路径上胡瀚认为其模型未来可出售给大型科技公司，例如DeepSeek。

云栖大会观察：阿里下一阶段模型战怎么打

在2026年云栖大会上，阿里千问大语言模型负责人刘大一恒公布了Qwen4、Qwen4.5和Qwen5的路线图，计划将参数规模从Qwen3.8的2.4T推向5T-10T，同时通过稀疏注意力等新架构降低训练与推理成本。阿里还披露了让Qwen3.8-Max参与芯片设计、推理框架优化和模型训练等RSI实验的成果，并宣布下一代视频生成模型将于11月发布，图像、语音、音

Cloudflare 开源 AI 智能体决策模型 Clef

Cloudflare 在其 Birthday Week 期间开源了 Clef 系列决策模型，包括 9B 和 27B 参数的多模态模型，用于在预定义选项间做选择而非生成文本。Clef 接收状态和带类型问题的 schema，单次前向传播即可返回每个选项的概率，可处理文本、JSON、图像和视频，并托管在 Cloudflare 边缘 GPU 上以降低延迟。Cloud

至简动力冯宗宝：0.5毫米间隙下实现机器人造机器人

在 IROS 2026 现场，至简动力（Simplexity Robotics）强化学习负责人冯宗宝分享了让机器人自主照看两台 CNC 机床、在工件与卡盘间隙仅 0.5 毫米的真实场景下完成抓取、上料、插入、取出与放置的完整作业方案。团队提出 SimpleWAM（多模态世界动作模型）、DRAM（Delta 规则循环关联记忆）与 DPE（独立评估器打分、策略冻

张磊：MSRA赛马胜出，撑起中国AI半壁江山

文章回顾了张磊在微软亚洲研究院的职业生涯，重点讲述了2002年他带领团队在人脸检测算法赛马中战胜资深专家李子青，误报率从50%降至1%，方案被集成进Windows。张磊培养的实习生包括黄峥、朱珑、颜水成等，后来成为中国AI产业的重要人物。他在Bing期间构建了MS Celeb数据集和图文匹配数据，为CLIP等多模态模型奠定基础。

7个月融4亿美元：代季峰与Naive AI的8人团队

雷峰网报道，清华电子系副教授代季峰创立的Naive AI成立7个月完成三轮融资共4亿美元，投后估值14.2亿美元。文章梳理了其核心8人团队的聚拢过程：朱锡洲、孙鹏、陈韫韬、王文海、陈喆、罗根、王玮赟等人分别来自MSRA、商汤、上海AI Lab等机构，合作近十年。Naive AI主攻Agentic AI与持续学习，技术路线为不预训练、基于开源模型做后训练。

X射线报告生成：CheXpert Plus基准与MambaXray-PRB框架

安徽大学等机构的研究者针对新发布的 CheXpert Plus 数据集缺少基线实现与评测结果的问题，构建了涵盖主流 X 射线报告生成模型与大语言模型的综合基准，并提出 MambaXray-PRB 框架。该框架通过自监督自回归建模、X 射线-报告对比学习和面向推理与报告生成的后训练优化三阶段流程，结合多模态思维链推理提升报告生成性能与可解释性。在 IU X-r

VLM教师能传递什么？视觉文档检索监督信号对比

该研究比较了在视觉文档检索中如何利用VLM教师模型的不同监督信号。在固定学生模型、数据、优化器和评估的条件下，让教师判断挖掘出的困难负样本（N）和分数蒸馏（S）比丰富正样本的描述对齐（D）和注意力接地（A）更有效，将ViDoRe v2的nDCG@5从基线提升至更高水平。研究还发现训练集中的单正样本标签严重不完整，标注者认为查询前四名挖掘候选中约两个是相关的但