行业趋势

DeepSeek新模型把KV缓存压到1/4，百万Token智能体更省内存

DeepSeek推出多模态模型DeepSeek-V4.1-Flash，主干参数为552B，最长支持100万Token上下文。它把全局KV缓存降到每Token 890字节，约为DeepSeek-V4-Flash的1/4；持久缓存约降到1/8，

语音助手终于会看上下文：OPPO让中英文同音词召回涨11个点

OPPO AI中心推出HearInContext，用3764个中英文语义样例测试语音识别能否根据对话上下文区分同音词。微调Qwen3-ASR-1.7B后，中文和英文隐式上下文目标词召回分别提高11.0和11.5个百分点，而AISHELL-1

MiniMax-H3会生成音视频，却只答对41.97%的物理推理题

复旦大学、新加坡国立大学和腾讯团队提出一套MiniMax-H3跨模态物理推理评测，包含517个样例。模型要把文字、图像、声音和前缀视频中的不完整线索拼在一起，最终总体成功率41.97%；其中视频决策推理最高为56.00%，音频消歧最低仅27

大模型越大越会查错？Google研究发现：头号评判器也不到三分之一

Google Research、Google DeepMind、加州大学洛杉矶分校和纽约大学分析2518条长任务智能体轨迹，人工标注6967个错误并归为78类。六个前沿模型担任评判器时，表现最好的也不能在三分之一以上的轨迹中正确定位首个错误

生成视频真能玩了：Zing-0.5跑到24 FPS，每分钟不到1美分

SeedLeap.ai推出5B参数世界模型Zing-0.5，让用户同时用键盘动作和在线文字指令改变正在生成的画面。论文报告它以832×480分辨率达到24 FPS，服务器租赁成本估算约每流分钟0.009美元；不过长期状态保持和动作后果仍有限

长视频AI只会看不会听？腾讯、清华新测试中强模型仍不到60%

腾讯、清华大学、中国科学院大学提出Video-HolmesV2，专门检查长视频AI能否把画面与声音放进同一条证据链。模型不只要选对答案，还要给出准确的视听时间位置，靠剧情常识猜中也会暴露。在这套新测试中，强专有模型准确率仍低于60%；团队还

视频生成到一半还能改物体速度，宾大、Snap把运动误差降12%

宾夕法尼亚大学、Snap、阿卜杜拉国王科技大学提出PhysStream，让视频生成不必在开始前写死全部动作。用户可以在生成过程中给某个物体追加速度方向，模型再继续合成多物体运动。它用位置图和跟踪图保存场景状态，在合成基准上将运动分布距离降低

AI推理不只写草稿，还会先画图：六项视觉任务最高提升25%

达姆施塔特工业大学提出ReImaGin，让多模态模型遇到空间问题时先生成一张中间图，再根据这张图回答。它可以移除遮挡、连接轨迹，或把多个房间视角整理成平面图。在多视角空间判断、碰撞预测等六项任务上，这条“先画再想”的路线超过纯文字推理和固定

微软让AI清空草稿继续推理，只留少量记忆代码成绩涨19.5分

微软研究院、威斯康星大学麦迪逊分校、加州大学圣迭戈分校提出注册令牌，让扩散语言模型跨段推理时不必一直保留全部草稿。模型写完一段就清除文字，只把少量固定位置的隐藏状态传给下一段。在LLaDA和Dream实验中，这种连续记忆在所有主要基准超过文

900条样本、单卡不到2小时，2B视频模型反超大四倍对手

Meta、卡内基梅隆大学、利物浦约翰摩尔大学、德克萨斯大学阿灵顿分校提出一套低成本视频推理蒸馏方案。团队只选约900条模型最犹豫的样本，用4B教师补充合成推理，在单张A100上训练不到两小时。得到的2B模型在三个视频问答基准上超过最高大四倍

AI会点鼠标却做不好CAD：200项任务领先智能体只过17.5%

佐治亚理工学院、新加坡国立大学、北卡罗来纳州立大学等机构推出CADWorld，把七个电脑智能体送进FreeCAD完成200项机械设计任务。任务覆盖11类工作流，结果不看它点了多少按钮，而是直接检查保存文件的尺寸、约束、结构和制造状态。领先智

清华让人形机器人边走边干活，41个关节协同成功率92.5%

清华大学、大连理工大学、香港中文大学提出Weave，让人形机器人从人类示范学习边走、边保持平衡、边用双手操作物体。策略同时控制29个身体关节和12个手指关节，在九种物体的训练交互上成功率达到92.5%，无需额外训练执行未见序列时达到65.0

StepAudio把AI音乐拉到5分30秒，先写编曲计划再生成整首歌

阶跃星辰、ACE、香港中文大学、加州大学圣迭戈分校提出StepAudio 3 Music，把“先编曲、再出声音”写进音乐生成流程。模型支持歌曲、器乐、干声配伴奏和翻唱，单次长度最长5分30秒。中间的ABC记谱计划让和声、节奏和旋律结构进入生

牛津、斯坦福给论文装上AI医生，30篇草稿诊断一致率70.6%

牛津大学、斯坦福大学、新加坡国立大学等机构提出PaperDoctor，让AI不再只给论文打分，而是定位原文、解释问题并给出修改方案。30篇在写论文的作者共评估1299条反馈，对其中证据判断的接受率为70.6%。这套系统还会检查代码和按优先级

英伟达把两种推理能力织进4B模型：代码涨12.5点，Token还少9.6%

麻省理工学院与英伟达提出Lightning Weave，把“答得更准”和“用更少Token”两类后训练能力组合进同一个学生模型。Qwen3.5-4B在LiveCodeBench v5上从41.7%升至54.2%，响应Token同时少9.6%

AI文章换词也藏不住？看结构仍能做到98.1 F1

Sitefire提出SlopShape，不盯AI偏爱的单词，而是检查信息顺序、证据使用和语气等文章结构。它在268家公司、13500篇英文商业博客上，仅凭187个结构特征取得98.0宏F1，模型自行改写后仍为98.1；结果不能直接外推到中文

画面先骗人、声音后纠错：新方法让流式多模态模型别急着下结论

香港大学、香港科技大学（广州）、萨塞克斯大学和LIGHTSPEED提出Omni-Streaming Thinking，让实时音视频模型把早期判断先标成待验证，而不是立刻当事实。冻结Qwen3-Omni骨干并加轻量适配后，它在五项基准上相对最

AI陪聊也学会抢话：2000小时数据塞进打断、附和和环境声

作业帮发布DuplexDrama，用合成流程构造包含打断、附和、说半句和环境声的双工语音数据，总音频超过2000小时，并计划开放6400段双语对话、合计800小时的子集。它补足真实交谈的重叠现象；但主体是合成语音，不能等同于真实用户分布与隐

微软&清华换条专家路线，不加采样让Qwen推理再涨4.5点

微软研究院、清华大学提出ESRL，在混合专家模型后训练时直接探索不同专家路由，而不是只提高文本采样温度。Qwen3-30B-A3B上，平均Pass@1和Pass@8比GRPO提高3.2与4.5个百分点；结果来自指定数学推理基准，不能推断所有

人和动物共用一个动作模型，14.6万段动作跨过骨骼差异

澳大利亚国立大学、阿德莱德大学、西湖大学、香港科技大学（广州）提出UniMo，用统一表示学习人和动物动作。配套UniML3D包含145907段动作与433388条描述，动物规模约为AnimalML3D的102倍；数据主要来自既有与合成资源，