行业趋势

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

不用AI分类器也能抓准翻手瞬间：240段干扰动作零误报

独立研究者提出一种几何手势检测法，把张开手掌绕长轴翻转写成单个标量的过零事件，无需分类器、训练数据或用户校准。带精确真值的实验中，它检出95%的翻转，对240段相似干扰动作零误报，并把时刻定位到平均6.7毫秒；方法只适用于这一类动作且依赖上

视觉数据压低18816倍，传感器还没出片就先做计算

凯斯西储大学、路易斯安那大学拉法叶分校、南加州大学和德州大学奥斯汀分校提出OASIS，让传感器附近的小编码器先提取任务信息再传输。特定视觉唤醒模型配置把数据量压到原始8比特图像的1/18816，系统能耗降低约2至4.5倍；部分芯片结果来自仿

微软让AI扩图别乱改主角，主体误差平均降10.8%

微软与弗吉尼亚理工大学提出主体清晰度外扩框架，专门处理人物、车辆或文字被裁掉一部分的难题。它用视觉语言提示确认主角，再以多尺度小波监督补回局部细节；四套基准上，相比各数据集最强方法，主体误差平均降10.8%，结果仍取决于原图与主体类型。

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

苏黎世联邦理工造了100万张假文档，专治拍照弯曲和阴影

苏黎世联邦理工学院发布SyntheticDoc，用物理模拟与路径追踪生成100万张高分辨率文档训练样本，覆盖弯曲、折叠、褶皱和复杂光照。数据同时给出UV图、法线、反照率与阴影等像素级标注；但它仍是合成数据，跨真实手机和纸张的表现要以实测为准

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

机器人预测未来只用一步，DIDO在LIBERO成功率做到99%

中科院自动化所、智源研究院、西安交通大学和亚马逊提出DIDO，把多步视频世界动作模型压缩成一次去噪。它在LIBERO平均成功率达到99.0%，LIBERO-Plus为76.6%，RoboTwin为92.0%；99%是仿真基准成绩，真实机器人

英伟达等把视频注意力压到低比特，工作站显卡最高快3.6倍

Nunchux AI、麻省理工学院、卡内基梅隆大学和英伟达提出无需训练的VC-Attention，专门压缩视频扩散模型最耗时的注意力计算。其内核在工作站GPU上比BF16 FlashAttention-4快2.3至3.6倍，但完整视频生成只

UCLA把触觉画进画面，机器人实机成功率平均提升30个百分点

加州大学洛杉矶分校提出Visible Touch，把接触位置渲染成机器人视觉策略能直接读取的画面标记，不必另建触觉编码器。接上团队自制的低成本磁传感器后，π0.5在四项真实接触任务中的成功率平均提高30个百分点；这个结果只对应论文测试的任务

百度让AI查小时级视频：只带5万Token，三项长视频测试达65.7%起

百度提出VideoXAgent，让AI面对小时级视频时先按问题检索，再调用字幕、画面和音频工具取证。它用约5万Token智能体上下文，在Video-MME-Long、LVBench和MINERVA分别达到85.1%、76.5%和65.7%；

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，

给AI图片调情绪不换内容，3300组实验测住语义漂移

兰州大学、中国矿业大学、深圳大学、新加坡国立大学等机构联合提出一种情绪可控图像方法，目标是只改变AI图片的情绪、不把内容一起换掉。方法用中性图作为语义锚点，在3300个提示词与情绪组合上降低情绪误差并改善CLIPScore；实验基于指定生成

视频AI记错了也能用？错误记忆竟保住94.1%收益

伊利诺伊大学厄巴纳-香槟分校、Adobe研究院联合提出“替换记忆”实验，检查视频模型到底从历史帧拿走了什么。WorldMem中，来自同一轨迹但地点错误的记忆仍保留相对零内容参考94.1%的PSNR收益；这说明收益可能来自运动和场景先验，但结

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。