跳到正文
实时
#多模态
11月10日周二
  1. Berkeley AI Research22

    BAIR在CoRL 2026

    BAIR团队在2026年11月9日至12日于德克萨斯州奥斯汀举行的机器人学习会议（CoRL）上展示多项研究成果，包括33篇主会论文、4个突破性海报、10场口头报告和7场专题演讲，其中教授Negar Mehr将发表早期职业主题演讲。会议涵盖机器人视觉语言行动模型、具身智能体、细粒度操作对齐、后见之明奖励编辑等议题。

  3. Meta Engineering38

    LLDB 扩展架构支持跨 CPU 和 GPU 的应用调试

    LLDB 通过 lldb-server 的中立加速器插件架构支持跨 CPU 和 GPU 的应用调试，将通用调试基础设施与硬件特定设备控制分离，将 CPU 和 GPU 呈现为独立的调试进程，在单一调试会话中协同工作。该架构通过插件将硬件特定调试 API 转换为 LLDB 理解的概念，支持不同架构、寄存器、内存空间和执行模型的 CPU 与 GPU 协同调试，同时保持客户端的中立性。

11月9日周一
  1. IT之家 · AI82

    美团龙猫开源 LongCat-2.5 模型，总参数 1.6 万亿、支持百万上下文

    美团龙猫将面向长程智能体任务的原生多模态模型 LongCat-2.5 正式开源，采用 MIT 协议，支持商用推理部署与二次训练且无需额外授权。模型总参数 1.6 万亿，每个 token 激活约 480 亿参数，支持一百万上下文，并针对显存与带宽受限的国产算力芯片在架构、芯片适配与部署策略上做了协同优化。

    同一件事 · 2 家

    推荐理由: 原文给出总参数、激活参数、上下文长度与开源协议，读者可据此判断长程智能体任务的开源模型选项。

  4. 量子位82

    腾讯混元Hy4发布：770B总参数、49B激活参数，首次支持原生视觉与电脑操作

    腾讯混元Hy4正式发布，770B总参数、49B激活参数，首次引入原生视觉能力和电脑操作支持，指令遵循、长文理解与长程Agent能力同步升级。模型已在腾讯云TokenHub、WorkBuddy/CodeBuddy、元宝等产品上线，API接入OpenRouter、Hermes、OpenCode等平台，权重将于近期开源。

    推荐理由: 作者用多个长程任务实测混元Hy4的自主执行与自检能力，可据此判断开源模型在Agent交付上的实际水平。

  5. MIT News · AI38

    麻省理工学院开发FLEX平台助机器人理解自然语言指令

    由麻省理工学院和纽约大学研究人员开发的FLEX平台使机器人能够从自然语言指令中推断深层含义，提升运动规划能力。该平台通过GPT-4o分析指令模式，让机器人在虚拟场景中避开笔记本电脑和手机等电子设备，无需明确指示。整个过程耗时约五秒，旨在让机器人理解人类指令背后的潜在意图。

  6. MIT News · AI52

    WorldParticle：单一 AI 模型模拟多种物质行为

    WorldParticle 模型能模拟从滑动的沙子到折叠的蛋白质等多种物质行为，通过将物体分解为数千或数百万个三维粒子并使用神经网络预测其运动，无需为每种物质和过程编写特定方程。该模型在模拟可变形物体、颗粒材料和蛋白质等方面比数值模拟方法精度更高，并可通过合并技术优化计算效率。

11月8日周日
  1. 量子位42

    高通在进博会展出端侧MoE智能体 终端侧AI从单点应用走向智能体体验

    高通在第九届进博会展出端侧MoE智能体，推动终端侧AI从单点应用走向智能体体验。MoE技术通过混合专家模块提升端侧模型智能水平，在20亿至30亿参数规模下实现更高复杂度任务完成度。高通与Infris AI、江波龙、阶跃星辰合作优化模型、推理、存储和芯片平台，展示终端侧AI生态协同的系统性方案。

  3. IT之家 · AI67

    OpenAI GPT-6.1 Sol 参与活体小鼠脑手术：连续操作三次，定位误差减半

    OpenAI GPT-6.1 Sol 在活体小鼠脑部手术中连续操作三次，通过外科医生反馈改善定位表现，耗时从 169 秒缩短至 86 秒，定位误差从 0.6 毫米降至 0.3 毫米，误差下降 50%。研究团队让模型参与小鼠头骨表面 Bregma 和 Lambda 两个关键解剖标志的定位任务，每次操作后保存图像、数据及修正记录供后续参考。

  5. IT之家 · AI65

    索尼首发“融合双路视觉信息的车载乘客眩晕检测”技术

    索尼在进博会上全球首发“融合双路视觉信息的车载乘客眩晕检测”技术，通过分析车前道路画面与后排屏幕内容预测乘客眩晕程度，评估结果可用于提示驾驶员减少急刹急转或为内容平台推荐视觉变化缓和的内容。该方案复用 ADAS 前视摄像头，无需新增后排摄像头。

  7. Hugging Face Daily Papers65

    VisSearch-Bench 评估多模态智能体在长时程视觉搜索中的表现

    VisSearch-Bench 评估了 16 个多模态模型在 204 项人类编写的视觉搜索任务上的表现，这些任务要求整合视觉上下文与外部信息，结果显示最佳系统仅完全解决了 26.47% 的任务。该基准涵盖集合式视觉搜索、序列式视觉搜索等 7 个主要领域，通过准确率与过程分评估任务完成度与推理步骤的正确性。

11月7日周六
  1. IT之家 · AI70

    谷歌 AI-PPG-ACC-HTN 研究登 Nature：用消费级智能手表无袖带检测高血压

    谷歌发布多模态 AI 系统 AI-PPG-ACC-HTN，无需袖带校准，用普通消费级智能手表被动检测持续高血压，成果发表于 Nature。研究在 5 个临床中心纳入 196 名受试者，以 24 小时动态血压监测为参照，初步筛查特异度 90.0%、阳性预测值 80.6%、灵敏度 65.8%；确诊性检测阳性预测值 96.7%、特异度 90.9%、灵敏度 78.4%。

    同一新闻，精选展示《Google Research 用智能手表传感器识别高血压迹象》

  3. 量子位66

    AFK AI Comma 如何实现连续上下文与多Agent并行协作

    AFK AI 的 Comma 产品通过单 Router+多 Worker 架构实现了连续上下文与多 Agent 并行协作，用户可通过一个对话入口调度多个 Agent 处理海量信息，解决了人类注意力有限的问题。Comma 支持跨 App 接活、派活、交活，并具备主动发现问题和持续学习的能力，其分布式 Agent 运行框架 Salix 可接入微信、Signal 等多平台，实现信息流统一管理。

  5. AWS Machine Learning Blog42

    AWS 发布无服务器 MCP 服务器，用于在 Amazon ECS Fargate 上访问 AI 代理数据湖

    AWS 为解决 AI 应用中 LLM 代理访问企业数据湖的集成挑战，在 Amazon ECS Fargate 上推出无服务器 Model Context Protocol (MCP) 服务器。该服务器通过元数据驱动的方式实现配置化数据湖访问，无需为每个数据集编写集成代码，并支持多租户环境下的弹性扩展。

  6. AWS Machine Learning Blog58

    Amazon SageMaker Inference 现支持多实例 GPU 以最大化 GPU 利用率

    Amazon SageMaker Inference 现支持 GPU 分区，通过 NVIDIA 多实例 GPU (MIG) 将物理 GPU 划分为独立分区，每个分区获得固定份额的 GPU 计算单元和专用内存块，实现隔离。部署更多模型且相互隔离，并按需选择合适大小的 GPU 单元以降低成本，最大支持每 GPU 7 个分区，无需自建 Kubernetes。

11月6日周五
  2. The Decoder73

    Thinking Machines 发布 Inkling 2 Small，称其为最强西方开源权重模型

    Thinking Machines 发布第二代模型 Inkling 2 Small，采用 MoE 架构，总参数 594B、激活参数 17B，支持文本与图像输入并可调节思考深度。

    同一件事 · 2 家

    推荐理由: 原文给出新模型在智能指数、智能体任务和成本上的具体对比，读者可据此判断开源权重模型的竞争位置。

  3. 36氪 · AI

    美的全屋智能锚定A2A：家电互联正从「接口对接」走向「Agent对话」

    美的全屋智能总经理尚喆博士指出，行业卡点在于异构设备数据孤岛、交互效果落差及部署门槛，传统API对接方案因成本指数级上涨难以普及。美的自研家庭智能体MevoX通过AI Agent直接对话实现跨品牌协作，已与奇瑞iCAR完成车家互联，支持模糊意图推理与长期记忆，并与华为、比亚迪等生态伙伴打通。美的作为首个实现家庭智能体A2A协同的家电企业，正推动行业从硬件规模转向Agent推理与跨生态协同效率竞争。

  6. MarkTechPost71

    Thinking Machines 发布 Inkling 2 Small：594B 总参数、17B 激活的 MoE 模型

    Thinking Machines Lab 发布第二代 Inkling 的首个模型 Inkling 2 Small，为 594B 总参数、17B 激活参数的稀疏 MoE，支持文本与图像输入和可变推理强度，上下文 1M token。

    同一件事 · 2 家
  7. IT之家 · AI72

    Meta 为 AI 助手 Muse 上线实时语音对话与虚拟形象功能

    Meta 宣布个人 AI 助手 Muse 上线实时语音对话与虚拟形象功能，率先面向美国用户推送，覆盖移动端、网页端和 Mac 应用。该功能由 Muse Realtime Voice 与 Muse Realtime Avatar 两个模型支持，可流式输出 448×768 分辨率、25 帧每秒的竖屏视频，从用户说完话到收到首个音视频响应的延迟约为 870 毫秒。

    推荐理由: 原文给出了实时语音与虚拟形象的延迟、分辨率和交互方式，读者可据此判断这类面对面智能体交互的成熟度。

  9. MarkTechPost72

    Google 发布 Gemini Omni 1.2 Flash，支持 15 秒视频、720p 每秒 0.07 美元

    Google 发布视频生成与编辑模型 Gemini Omni 1.2 Flash，原生支持最长 15 秒片段，720p 视频定价为每秒 0.07 美元，比 Omni 1.1 Flash 降低约 30%

    同一件事 · 3 家