行业趋势

UIUC、微软、DeepMind提出ReToken：一个可学习token让视觉检索大涨13个点

把上百张图片或一小时长的视频塞给视觉语言模型，答案明明就在某一帧里，模型却常常答不对。上下文越长，干扰画面越多，成绩掉得越厉害；而把整段视觉序列全量处理，显存又先撑不住，全量微调的成本更是高昂。伊利诺伊大学厄巴纳-香槟分校（UIUC）联合微

Adobe提出Chimera混合扩散Transformer：训练约600 H100天，5秒视频零样本拉长到30秒

视频生成正在变成一道长序列题：一段高分辨率视频摊成 token 后动辄十几万，扩散 Transformer 里的全注意力显存随帧数平方膨胀，训练账单越来越贵。Adobe Research 提出 Chimera，一套混合视觉扩散 Transf

微软造出会随模型一起进化的软件环境，9B智能体成功率从36.5%升到67.1%

会操作电脑的智能体，最缺的不是模型，而是能放手让它操作的软件。真实应用有登录门槛和真实用户，点错一步成本高昂，拿来训练又贵又慢、无法复现；可换成固定网页和截图当题库，模型又会很快把答案背下来。微软研究院（Microsoft Research

南洋理工等把真实家庭变成录制棚，150小时多模态数据给具身智能当燃料

机器人要学会做家务，先得看懂人是怎么做家务的。可现有数据要么来自脚本化的实验室演示，要么是网络上没有动作真值的视频，规模与真实感很难兼得。南洋理工大学 S-Lab 与 ACE Robotics 给出的思路，是把真实公寓直接改造成录制棚：一套

183关全部通关！亚马逊等团队提出Tycho，让AI边玩边写出游戏世界模型

面对一款规则完全陌生的网格益智游戏，大多数智能体的做法是"看一帧、走一步"：靠反应式试错摸索规律，每走错一步都要在计分里留下代价。ARC-AGI-3把这类游戏做成了正式基准——64×64的彩色网格、没有文字说明、每一步操作都计入得分。德累斯

复旦等用28万份肠镜报告训练AI，良恶性判断接近内镜医师水平

肠镜报告里写清了病灶的部位、大小和形态，却几乎不会注明这些描述对应检查中的哪一帧画面。复旦大学（附属中山医院）联合浙江大学、微软亚洲研究院、曼彻斯特大学等机构提出EndoCLIP，一个面向结肠镜检查的视觉语言基础模型：它直接复用医院档案库中

快手可灵联手清华提出cIPO，不用人工标注让文生视频运动更真实

文生视频最容易露馅的地方，往往不是单帧画面，而是运动：手指突然融化、物体逐帧闪烁、转身时肢体结构错位。想靠偏好优化修正这些问题，传统做法要么请人逐条标注好坏视频，成本高昂；要么借助奖励模型打分，信号又常常不稳定。清华大学联合快手可灵团队（可

上交、阿里等提出EgoGenesis，合成第一视角视频把双臂机器人成功率拉到70%

机器人学操作，最值钱的画面来自它"自己的眼睛"：第一视角相机离夹爪和桌面最近，手与物体的接触关系看得最清楚。但这种数据恰恰最难收集——每条轨迹都要真机执行、人工重置、全程看护，失败还可能撞坏硬件。上海交通大学、阿里巴巴、天机芯智（Tianj

二次元福音！清华等团队提出Bunraku，一张插图生成可编辑Live2D角色

一张精美的二次元立绘，画师交稿后往往就静止了：想让它眨眼、转头、换装，得靠资深画师手工拆上数周。清华大学、南洋理工大学与SparcAI的研究团队提出Bunraku，首次实现从单张插图端到端生成可编辑的Live2D角色——有序图层、变形网格、

中国农大&北师大提出TIDE：计算量降低38.7倍，密集鱼群跟踪也能跑在边缘设备上

中国农业大学、北京师范大学和新加坡国立大学联合提出了TIDE（Tracking Identities with Dual-branch Elasticity），一种用于密集同质目标跟踪的双分支弹性框架。在MFT-Edge基准上，轻量L分支仅

不用前沿模型也能挖漏洞：HoF-Bench证明小模型组合更省更准

AISLE联合中欧技术研究所和马萨里克大学推出了HoF-Bench，一个基于真实AI发现漏洞的基准测试。基准包含8个代码库的95个CVE（通用漏洞披露），在严格协议下，最便宜的配置只需66美元就找到了70个CVE，而GPT-5.6 luna

浙大&美团等提出SkillRise：让AI智能体在跨任务中自动演化技能

浙江大学、新加坡国立大学、上海交通大学和美团联合提出了SkillRise，一个面向跨任务技能演化的统一强化学习框架。在ALFWorld、WebShop和ScienceWorld三个基准上，SkillRise在Pass@1指标上相比最强基线提

港中文&澳门理工发布TREK：最强LLM旅行规划成功率不到一半，中位数仅6.6%

香港中文大学和澳门理工大学联合发布了TREK（Travel Reasoning and Evaluation Kit），一个用于评估LLM智能体旅行规划能力的基准。在15个LLM智能体的评估中，即使是最强的GPT-5.6也只在46.2%的可

北邮&国网电力&南洋理工提出PowerAtlas，用3B模型调度电力比GPT-5.5更好

AI工作负载的快速增长正把数据中心变成大规模、波动大但时空灵活的电网负荷。北京邮电大学、国网辽宁电力和南洋理工大学联合提出了PowerAtlas，一个用于电-计算协同调度的LLM智能体框架。团队与中国某省级电力公司合作构建了实验性电-计算网

NVIDIA提出Voice Memory：用「克制」策略降低语音识别错误率

英伟达（NVIDIA）提出了Voice Memory，一种仅推理的语音识别纠错方案。核心思路不是让模型更聪明，而是让它在"什么时候该改、什么时候不该改"上做得更好。在10个领域的测试中，Voice Memory将加权词错误率从8.36%降至

ETH&Google&微软发表VidMap，用时序结构突破视频三维重建极限

苏黎世联邦理工学院、谷歌和微软联合提出了VidMap，一个用于任意未标定视频度量三维重建的系统。在LaMAR数据集上，VidMap的W-AUC@full达到88.5，而基线方法ViPE为76.6。系统结合了SLAM的序列约束与SfM的全局优

CMU&亚马逊研究：Claude、GPT无图也编造诊断，66%的虚构还会同时承认「没图」

当被要求描述一张从未提供的医学图像时，前沿视觉语言模型不会弃权，而是会编造诊断结果。更关键的是，这些编造不是随机的——它高度依赖于患者的人口统计学特征。卡内基梅隆大学和亚马逊云科技的研究人员发现了这一现象，测试涉及Claude Opus-4

腾讯&北大提出GoGoTB，AI自动完成芯片RTL验证，无需人工干预

功能验证占据了集成电路前端工程的主要工作量——一个漏到流片阶段的bug，就可能导致数百万美元的重新设计成本。腾讯、北京大学和西南交通大学联合提出了GoGoTB，一个智能体式RTL验证框架，在8个RTL设计上无需任何人工干预，实现了100%的

快手&港中文提出AMFD，单步生成超越多步FLUX.2 4B教师模型

快手科技影幻团队与香港中文大学MMLab联合提出AMFD（Amortized Fréchet Distance），一种用于视觉生成的分布匹配方法。在文本到图像生成任务上，AMFD训练的单步模型在GenEval基准上达到了0.846，超过了其

NVIDIA&耶鲁发布Spatial-IQ：把空间智能拆成9个子能力逐项考试

NVIDIA研究院和耶鲁大学的研究人员发表了Spatial-IQ，一个分层诊断框架，把堆叠三维结构中的物体计数拆成9个感知与认知子任务，按人类空间认知的发育阶段组织，外加心理旋转作为补充探针。诊断结论直白：最好的模型Qwen在人类基线任务上