跳到正文
实时
科研#多模态
11月14日周六
11月13日周五
  3. Hugging Face Daily Papers

    Duo：一个用于全双工交互的互惠世界模型

    Duo v1 引入互惠世界模型（RWM），通过自回归推理、同步注意力和双重推演蒸馏联合建模意图与现实，实现实时全双工音视频交互。该模型持续感知音视频输入的同时实时响应用户，将智能与物理现实视为同等基础构成世界，支持对话、共享对象、重塑虚拟场景等交互，首批模型已开源。

  4. Hugging Face Daily Papers

    BirdDreams：联合视角与 BEV 视频生成实现合理、反应式驾驶世界模型

    BirdDreams 联合生成视角视频和鸟瞰视频（BEV），使场景布局成为预测未来的部分，通过 BEV 提供车辆位置和运动的俯视图，减少遮挡，而视角视频保留场景细节。在 PhysicalAI-AV 和 nuScenes 上，BirdDreams 比先前的驾驶世界模型更忠实地遵循输入的自身轨迹，并生成更合理的自身运动，无需 HD 地图或车辆状态输入。

11月12日周四
  1. IBM Research Blog

    IBM Research 解释什么是自旋量子比特

    IBM Research 正在研究两种量子计算硬件架构，其中自旋量子比特架构通过控制电子自旋状态编码信息。自旋量子比特利用量子点结构（如硅-锗异质结构）捕获单个电子，通过电压脉冲控制其自旋方向（上或下）代表 0 或 1。这种架构具有高门保真度、可扩展性、相对较快的速度和简单的控制信号（仅需电压脉冲），但当前 qubit 数量少于超导量子比特，且面临均匀性和制造良率等挑战。

  2. 量子位

    银河智学小鹿爱学发布：用双核技术架构支持规模化因材施教。

    银河智学发布AI教育产品小鹿爱学，采用豆包大模型与自研智能学习引擎双核架构，通过分析学生作答记录实现学情诊断，并开发学情诊断、能力测评、学习难度匹配和任务规划功能。学生端智能体推荐学习任务并说明依据，教师端智能体提炼学生表现供个性化指导参考。产品已服务超500所学校，覆盖24省，通过人机共育模式支持教师调整教学策略。

  5. Google Research58

    Google Research 发布可穿戴设备驱动的 CKM 风险评估框架

    Google Research 发布可穿戴设备驱动的 CKM 风险评估框架，通过可解释健康年龄模型（CHA）预测未来健康轨迹。该框架基于 2.2 百万人周穿戴数据训练的 SensorWM 模型，提供个性化 12 周反事实健康模拟，结合语言模型生成临床验证的指导方案。CHA 模型整合心率、步数、睡眠等可改变指标，预测 68,000 人年疾病风险，改善临床指标预测效果。

11月11日周三
  3. 蚂蚁 inclusionAI · Hugging Face 新模型

    inclusionAI/ZoomGain-4B 发布：基于全局到局部视觉感知差距的细粒度视觉监督模型

    inclusionAI 发布了 ZoomGain-4B 大语言模型，在 ZoomGainBench 上取得 61.08 分，并在多个细粒度感知和通用感知基准测试中表现优异；模型基于从全局图像细节中挖掘的全局到局部视觉感知差距构建监督，支持英文和中文问答，可通过 Hugging Face 下载。

  5. IT之家 · AI

    挪威团队通过无线电语音指令成功启动在轨卫星游戏《毁灭战士》

    挪威奥斯陆业余无线电小组通过地面无线电发送语音指令，成功让 OPS-SAT PRETTY 卫星启动《毁灭战士》游戏，创全球首次通过无线电链路让卫星自主识别并执行口头指令的纪录。团队利用可更新的软件和软件无线电设备为卫星增加语音控制能力，使用约 27MB AI 语音识别模型将声音转为文字并检测指令，实验重点在于让卫星自主分析无线电信号并采取行动。

  7. Hugging Face Daily Papers65

    Infrathon：用于现实世界长时程 AI 基础设施优化的语言智能体基准

    Infrathon 对六种模型进行了 150 次长时程 AI 基础设施优化任务评估，总耗 10,000 GPU 小时，发现模型排名随评估时程变化，135 次任务在预算后半段实现进一步优化，且 Claude Opus 5.5 将 KV 缓存压缩率从 6.82% 提升至 19.86%，超出人类设计基线。分析显示任务违规、测试不可靠和过早完成是持续优化的主要障碍。

  10. OpenRouter Blog

    LLM 量化：fp8 和 fp4 对质量与价格的影响

    在 OpenRouter 上测试，fp8、fp4 与 fp16 在 240 个评分任务中未发现精度差异，所有六种端点得分在 98.3% 至 99.2% 之间。低精度通常更便宜，但 fp8 比 fp16 更贵的情况有 7 模型，4-bit 比 8-bit 更贵的情况有 7 模型。fp4 端点在 40 个无工作流乘法任务中表现最差，但差距可能由偶然性导致。

  11. AWS Machine Learning Blog40

    Amazon Bedrock AgentCore Evaluations 如何使用内置、DeepEval 和 AutoEval 评估智能体

    Amazon Bedrock AgentCore Evaluations 提供内置、DeepEval 和 AutoEval 三种评估器评估智能体。内置评估器由 AWS 开发和测试，覆盖常见维度；DeepEval 和 AutoEval 是第三方开源库，AgentCore 在生产环境托管运行。评估过程需先定义业务成功标准，拆解为可观察行为，再映射到合适的评估器层级。

  12. OpenAI Alignment Blog

    GPT-6 Astra 的 CoT 监测能力受预训练、架构、强化学习和模型生成数据的影响

    GPT-6 Astra在非对抗设置中观察到CoT监测能力下降，对抗测试中CoT逃逸能力增强，且无CoT能力显著提升。预训练中，无CoT能力随基础模型困惑度降低而提高，架构影响有限，强化学习增强CoT控制能力，模型生成数据微调可传递CoT控制能力。模型困惑度与无CoT能力、控制能力呈正相关。

11月10日周二
  1. Hugging Face Daily Papers

    Frontier3DBench：跨对象、场景和交互开放世界的代码智能体 3D 创作基准测试

    Frontier3DBench 统一评估了 145 项任务中代码智能体在对象、场景和交互式 3D 世界创建上的能力，GPT-6.1-sol 在对象和场景层表现最佳，总得分 66.02/100，但所有配置在对象和场景任务中参考重建得分均低于文本驱动生成。生成世界在局部机制上平均 83.08/100，但在运动清除和状态化工作流上仅分别为 20.82 和 30.26，显示协调活动完成仍是核心瓶颈。

  4. Hugging Face Daily Papers

    LingBot-Touch 发布：一种支持通用灵巧操作的异构触觉表示学习模型

    LingBot-Touch 是一个触觉基础模型，学习跨不同触觉传感器（压阻式、磁性、视觉触觉）的统一、可扩展表示，产出可即插即用的触觉 token，持续增强扩散策略和视觉语言行动（VLA）模型（如 π_{0.5} 和 LingBot-VLA）的灵巧操作能力。实验表明，该触觉表示在模拟和真实机器人部署中显著提升复杂操作任务表现，同时保持强计算效率。

  5. Hugging Face Daily Papers

    基于结构感知内核的快速精确相对位置注意力

    一种精确的瓦片注意力算法将加性相对位置项集成到类似 FlashAttention 的计算中，减少内存和计算开销，加速长上下文相对位置 Transformer。该方法（1）使用偏移感知瓦片避免冗余索引和内存访问，（2）仅计算必要的键/查询关系产品并在前向和反向传递中重用它们，以及（3）使用基于偏移的梯度分片和聚合，消除原子竞争。