多模态

NVIDIA 发布 DeepSeek-V4.1-Flash NVFP4 量化模型

NVIDIA 在 Hugging Face 上发布了 DeepSeek-V4.1-Flash-NVFP4，这是对 DeepSeek AI 的 DeepSeek-V4.1-Flash 模型进行 NVFP4 量化后的版本，使用 NVIDIA Model Optimizer（v0.47.0rc0）完成。该模型为原生多模态 MoE 架构，总参数 552B，prefi

VideoJev：面向视频理解与交互的 System One 模型

研究团队提出 VideoJev，一个基于 System One 范式的视频理解与交互模型系列（4B 和 35B-A3B）。该模型用共享打分头替代自回归答案解码，统一了时间定位与多选视频问答，并支持缓存推理与联合推理以复用视觉计算。在三个时间定位基准上，平均 mIoU 相比 Qwen 主干分别提升 6.7 和 10.8 点，推理加速 2.8-3.1 倍；在四个

React Native ExecuTorch 发布 CLIP ViT 端侧多后端模型

Software Mansion 在 Hugging Face 发布了为 React Native ExecuTorch 库导出的 clip-vit-base-patch32 模型，提供 CoreML、MLX、Vulkan、XNNPACK 四种后端及 fp16/int8/fp32 多种精度版本，可直接在设备端运行。XNNPACK int8 量化版本在 Ima

爱诗科技香港办公室开幕，落地数码港共建AI枢纽

爱诗科技（AIsphere）于2026年10月13日在香港数码港正式开设办公室，定位为辐射本地企业、政府机构、高校及创作者的AI枢纽，并启动「数智香港·爱诗AI百业共创计划」。公司与其域创新、香港理工大学及多个青年社团签署战略合作，覆盖三维重建与AI视频生成、AI视频人文教学、AI科普与公益内容等方向。开幕现场展示了其通用实时世界模型PixVerse R2，

Urbex：面向城市级3D场景的智能体空间定位

该论文提出 Urbex，一个面向城市级 3D 场景的智能体视觉语言框架，将空间定位从候选排序改为主动空间搜索。VLM 智能体可查询地标、缩放局部区域、渲染斜视图并输出定位框，并通过在 CityRefer 上的强化学习优化工具使用策略。实验显示 Urbex 在 CityRefer 上取得最佳 Hit@1 和 IoU，无需候选框且速度显著快于最强排序基线，在 S

AI综艺爆火：LibTV与抖音扶持创作者造星

量子位报道称，AI综艺正成为短视频平台上的新内容形态。创作者@十万个挑战用AI视频生成平台LibTV制作竞技挑战类综艺，单条视频获189万赞、账号吸粉超200万，商单报价达15万元；抖音账号@重塑计则用AI二创经典综艺《变形计》，四期视频平均点赞超20万。文章指出，生成式AI降低了综艺的制作成本与门槛，一集5分钟AI综艺生成成本约2000—5000元、周期约

国内最年轻AI教授创业：发布全身全模态数据采集系统

哈尔滨工业大学（深圳）最年轻长聘教授杨朔创办的破晓智能，联合天珑移动发布全身全模态数据采集系统SeePhys Hub，由四目头环、腕部手环、腰腿部追踪器和可选触觉手套组成，通过视觉、IMU、UWB融合恢复全身姿态并记录手部接触压力，弥补传统Ego数据缺失的身体运动与触觉信息。团队计划2027年推出全模态世界模型，优先在工业、餐饮零售等场景验证，现阶段不造自有

另有 1 家信源报道

晚期交互压缩的简单线性校正

该论文研究晚期交互（多向量）检索模型在文档向量压缩后检索质量下降的问题，提出一种轻量级全局线性校正方法：冻结编码器与压缩器，通过蒸馏未压缩模型的 MaxSim 分数分布学习校正矩阵，可在搜索时或离线应用于存储向量。在 ColBERTv2、Jina v4（MS MARCO、BEIR）和 ColPali2（ViDoRe v3）上评估，域内设置下 160 个 BE

MDN-VJEPA：多模态概率联合嵌入世界模型

研究者提出 MDN-VJEPA，一种多模态概率联合嵌入世界模型，将变分 JEPA（VJEPA）的潜在预测器实例化为混合密度网络（MDN），用高斯混合表示未来状态，各分量编码不同未来、其概率及模态内不确定性。该方法针对序列预测提出多模态预测、连贯多模态轨迹与组合一致多模态动力学三层级要求，并借鉴 Chapman–Kolmogorov 方程保证不同时间路径组合到

EVISTA：证据感知时序路径优化的统一多模态视频搜索

越南胡志明市科技大学的研究团队为2026年胡志明市AI挑战赛开发了EVISTA统一多模态视频检索系统，并提出了TEMPO-P证据感知时序路径优化方法，用于有序多事件检索。TEMPO-P通过跨事件和模态聚合候选视频、联合视觉/OCR/ASR证据对关键帧评分，并利用动态规划选择紧凑的时序有序路径。在五个组织方查询和36个额外多事件查询上，TEMPO-P在视觉描述

场景即攻击面：揭示MLLM中基于场景的安全失效

该论文发现多模态大语言模型（MLLM）存在一种新的安全漏洞：仅凭任务相关的场景语义（而非显式有害指令或对抗性视觉信号）就能使模型从拒绝转为顺从。作者将这一失败形式化为「场景接地视觉安全漏洞」，并构建了包含 400 个图文对、覆盖八类风险的 SceneSafetyBench 基准，在九个白盒与黑盒 MLLM 上评估。基于此提出 Scene-Grounded A

PsyBer-Agent：心理学驱动的推荐系统用户模拟器

研究者提出 PsyBer-Agent，一个心理学驱动的用户模拟器，通过 Psy-Engine 建模认知、情感/社会满意度与自我一致性三个演化隐状态，用于推荐系统部署前评估。该方法利用非平衡 Gromov-Wasserstein 最优传输将离线日志轨迹对齐为轻量在线策略的监督信号，无需微调骨干 LLM。作者同时发布 WebSim 平台与 PsyBer Benc

Dyna-2：具备小时级自主性的通用物理智能体

Dyna Robotics 联合创始人兼首席科学家 Jason Ma 在 Latent Space 播客中介绍了 Dyna-2 世界动作模型及其后续物理机器人智能体 Dyna-2.1。Dyna-2 基于超过一百万小时人类视频预训练，结合未来视频预测与机器人动作生成，并声称在人类数据上呈现跨四个数量级的新缩放规律。Dyna-2.1 在餐厅折餐巾任务中实现 24

面壁开源MiniCPM-V 4.7：35B MoE仅3G内存断网跑手机

面壁智能与OpenBMB开源MiniCPM-V 4.7，包含35B-A3B MoE和1B两个版本，其中35B-A3B仅需约3G内存即可在iPhone、iPad等端侧设备断网运行，解码速度达每秒13个token以上。模型通过前瞻专家调度、混合精度量化和视觉token压缩等技术实现端侧高效推理，并在MMBench、OmniDocBench等多项基准上取得领先成绩

阿里千问发布AI眼镜N1 Pro与首款AI耳机，2218元起

阿里千问发布三款AI硬件：千问AI眼镜N1 Pro、N1及首款AI耳夹式耳机，今日同步发售，N1售价2218元起、N1 Pro售价2600元起、耳机售价1099元起。N1系列搭载5000万像素传感器，支持4K录像与全天候环境感知；N1 Pro额外支持虹膜核身、眼动追踪与健康监测，虹膜支付由千问与蚂蚁集团GPASS共同研发。千问同步推出AI硬件技能广场，智东西

Liquid AI 发布开源边缘决策模型 d1-3B 与 d1-omni-600M

Liquid AI 在 Hugging Face 发布两款开源决策模型 d1-3B 和 d1-omni-600M，基于其 Liquid Foundation Models 构建，不生成 token 而是单次前向传播给出答案。d1-3B 在 Decision Index 0.2.1 上以 48.57 分成为 10B 以下最佳决策模型，支持文本和图像，在 NVI

Google DeepMind 发布 Gemini 4 Argon 机器人物理推理模型

Google DeepMind 发布 Gemini 4 Argon，一款面向机器人领域的通用物理推理模型，在 Embodied Reasoning（ERQA）基准上以纯推理取得 87% 成绩，超越其他前沿模型。该模型可覆盖机器人全生命周期，包括控制 Boston Dynamics Spot 四足机器人学习踩踏板扔易拉罐、操控机械臂扶正杯子并放入纸巾、在 Ge

Google DeepMind 发布 Gemini 4 Argon，主打复杂任务与专业工作流

Google DeepMind 发布 Gemini 4 Argon，面向开发者、企业和订阅用户通过 API、AI Studio、Gemini 平台及 Google Antigravity 等渠道全球上线。该模型在编码、金融、法律、网络安全和科学等复杂多步任务中表现领先，在 Vals Index 上排名第一。Google 内部已用其完成 Chrome 大规模重

llama.cpp b11588：Qwen3.8 Flash Next 支持图像嵌入用于 MTP

llama.cpp 发布 b11588 版本，主要变更是允许 Qwen3.8 Flash Next 模型接受图像嵌入（image embds）以支持 MTP，该改动延续自 #30257 并关闭 #30307。发布同时提供覆盖 macOS/iOS、Linux、Android、Windows 及 openEuler 的多平台预编译二进制包，涵盖 CPU、CUDA

RLWRLD 发布 RLDX-1-VLM 机器人视觉语言骨干模型

RLWRLD 在 Hugging Face 发布 RLDX-1-VLM，这是其 RLDX-1 机器人策略家族使用的视觉语言骨干模型，基于 Qwen/Qwen3-VL-8B-Instruct 检查点单独分发。该模型仅提供标准 Qwen3-VL VLM 接口，不含动作策略头、认知 token 及推理服务器，供研究者独立检查、微调或替换感知模块。模型采用非商业的