行业趋势

视频AI太爱抢答：6个系统里4个提前响应多过漏报

北京航空航天大学、阿里巴巴提出ProactiveBench，专门测试视频AI什么时候该开口。六个系统中有四个“提前响应”比“错过事件”更常见，比例从2.1倍到28倍；基准揭示的是受控视频任务中的时间判断，不等同于真实产品已造成同等风险。

清华等让机器人边走边拿，四项实机任务成功率76.3%

清华大学、Xspark AI、香港科技大学（广州）、香港大学提出MoPA，让移动机器人不必停稳后再伸手，而是在行进中持续观察和操作。四项真机任务平均完整成功率76.3%，比最强基线高12.5个百分点；实验仍是室内受控任务，尚未证明在人群和开

北大&银河通用让机器人学叠衣，纯合成训练实机成功率超90%

北大前沿计算研究中心、银河通用机器人提出FoldNet++，让双臂机器人只看合成演示就学会展开和折叠T恤，真机端到端成功率超过90%。这意味着难采、慢采的真实机器人数据有机会被大规模仿真替代；不过实验集中在T恤和受控桌面，不能直接外推到所有

一张图让AI递归搭世界，乔治亚理工把3D场景直接写成代码

乔治亚理工学院提出Recursive Code World Models，让视觉语言编程智能体从一张参考图生成可执行3D场景代码。它先搭整体，再递归进入局部补建筑和关系，最后回到全局修边界；中世纪村落实验的PSNR从16.8升到19.0，但

Adobe给AI导演补了近10万镜头课，生视频前先把运镜写清楚

Adobe Research、伍斯特理工学院提出CamPilot，让多个智能体先规划故事、镜头角度、相机运动和焦点，再按拍摄脚本生成多镜头视频。团队从14,581部视频整理99,975个镜头用于训练和评测；成绩来自自建CamEval与自动指

视频里多个主角总串脸？阿里、北大把身份相似度拉高31.2%

阿里巴巴、北京大学提出DIAL，从视频扩散模型内部找出能定位参考主体的注意力图，用它在推理时调节保真强度，并在训练时自动构造偏好样本。Kaleido骨干上的FaceSim从43.80%升至57.46%，相对提高31.2%；评测基于180条提

Adobe给AI修图画了三种线：白色必改，灰色可改，黑色别动

Adobe Research、威廉与玛丽学院提出Overpainting，用白、灰、黑三值蒙版告诉AI哪些像素必须修改、可以修改和绝对不能动。它既能保护背景，又允许模型在物体边缘补足上下文；结果来自研究原型和用户实验，并非Adobe商业软件

8B模型直出4K图，SenseNova-U1.5把看图和生图塞进一套架构

论文公开页面未披露作者机构。SenseNova-U1.5是一款8B混合专家统一视觉模型，把图像理解、生成、编辑、多图参考和图文交错输出放进同一套端到端架构，并增加512到4096像素的高分辨率训练阶段；4K是论文报告的原生能力，不代表所有公

英伟达测17个视觉模型：固定摄像头最难看懂时间

英伟达、克莱姆森大学研究团队发布VANTAGE-Bench，用3346个媒体素材零样本评测17个视觉语言模型，场景覆盖仓库、交通和智慧空间。结果不是“工业视频全面更难”：视频问答和二维指点差距较小，缺口集中在事件验证、指代表达与时间定位；其

DeepMind一套模型吃遍普通、鱼眼和360度相机

Google DeepMind、苏黎世联邦理工学院联合提出OmniPoint，用一套权重处理普通透视、鱼眼和360度全景图，从单张图片恢复带真实尺度的三维点云。方法在多个基准上做零样本评测，还能接收相机内参或稀疏深度；这些成绩不等于所有镜头

伯克利把1500段AI视频变成灵巧手训练动作

加州大学伯克利分校、Sharpa Robotics、香港大学等机构提出GALATEA：先让视频模型生成手与物体的动作，再把画面重建成仿真可执行轨迹。团队落地超过1500段生成视频，仿真训练成功率较基线高出25个百分点以上，并做了真机闭环演示

镜头没拍到的地方也能补：复旦PASTEL把4D场景再推高0.9 dB

复旦大学、华为中央媒体技术研究院联合提出PASTEL，把单目视频已拍到的区域做4D重建，再用生成先验补出相机视野之外的合理内容。它把复杂的新视角搜索压到全景空间中的二维方向规划，并在DyCheck iPhone数据集上把全图PSNR比此前最

扩散模型少算19.3%画质还更稳，阿里云等用不确定性管缓存

上海交通大学、阿里云终端智能计算部、复旦大学联合提出GP-Refiner，为扩散Transformer缓存增加在线误差校正和不确定性开关。它与TaylorSeer组合后，在论文设置中减少19.3%计算量，PSNR提高0.9 dB，LPIPS

动作生成砍掉一整个阶段，北大等ReMoMask-2反而更快更准

悉尼大学、北京大学、中国科学院大学联合提出ReMoMask-2，让文本生成动作时直接检索模型内部的动作表示，省掉旧版完整两阶段流程。单个掩码Transformer阶段就在HumanML3D、KIT-ML和SnapMoGen实验中超过旧版，并

神经压缩跑过JPEG？PIC做到20 FPS编码、2000 FPS解码

清华大学、鹏城实验室、哈尔滨工业大学（深圳）、京东集团探索研究院联合提出实用隐式神经图像编解码器PIC，用一次前向计算准备全部网络信息，把编码速度做到20 FPS，并用优化解码器达到2000 FPS。论文称其在相近率失真表现下超过JPEG解

一张照片也能看清发丝深度，Marigold V2误差再降16%—26%

洛桑联邦理工学院、华为Bayer实验室、博洛尼亚大学联合提出Marigold V2，把现代图像生成模型改造成一次前向计算即可输出深度图的估计器。它在KITTI和ETH3D上把AbsRel误差相对此前最佳结果改善16%—26%，并能保留毛发、

斯坦福等做出393小时驾驶员动作库，转向前手臂运动多3.4倍

南佛罗里达大学、普渡大学、斯坦福大学、中佛罗里达大学联合建立DriveMotion，把360位驾驶员的393小时座舱视频整理成133关键点连续动作序列。论文发现，车辆机动前窗口的手臂运动幅度是同路线稳定驾驶对照的3.4倍。它提供的是数据集与

一段视频拆出数百个3D物体，阿里等团队提出WorldSculpt

阿里达摩院Alaya实验室与东京大学团队提出WorldSculpt，从一段多视角视频恢复可组合的3D场景，并为其中每个物体输出独立网格。它面向含数百个物体、遮挡严重的场景，却主要用单物体数据微调。结果显示组合式重建可扩展，但真实场景质量仍依

数字人边说边动快5.4倍，北大等团队做出Motion-Omni

北京大学与香港中文大学（深圳）团队提出Motion-Omni，让数字人在生成语音的同时生成面部表情和全身动作。Motion-Omni-Q7相对“语音模型再接动作模型”的级联系统响应快5.4倍，实时因子为0.78。实验说明联合生成能降低等待，

一套模型让万种骨架动起来，普林斯顿等团队提出UniMate

普林斯顿大学、加州大学伯克利分校、麻省理工学院和南洋理工大学团队提出UniMate：输入文字和一副目标骨架，同一个模型就能为人、四足动物、鸟、鱼、昆虫乃至机械结构生成动作。配套UniML3D汇集13006段动作；论文证明的是零样本跨拓扑迁移