行业趋势

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

小米让AI在多人吵成一团时只听你，真实会议词错率20.63%

小米ASR团队提出Xiaomi-CocktailASR-1，用一段参考语音当“声纹提示词”，从多人重叠声音中只转写目标说话人；目标人没开口时，模型应输出空文本。它在AliMeeting远场测试的词错率为20.63%，但论文没有说明这项能力已

腾讯T1终端智能体硬刚GPT-5.4，300多步工具调用不掉链

腾讯Hy基础模型前沿团队、新加坡国立大学等机构提出T1，让122B混合专家模型在真实云端终端里连续调用工具300多步。它在Terminal-Bench 2.1上解决64.0%的任务，同一测试框架下高于GPT-5.4的54.8%；测试在隔离沙

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

只加0.017%参数，多模态AI准确率相对涨26.9%

新加坡国立大学、Cardinal AI Lab、香港科技大学等机构提出VIP-Router，让多模态模型为每张图片单独选择视觉token剪枝策略，也可以判断这次不该剪。路由器新增参数仅占主干0.017%，在剪枝敏感的VTC-Bench Gr

给小模型造60个代码世界，准确率猛涨29个百分点

Quome、华盛顿大学等机构提出“世界时间计算”：把领域规则写成可执行程序，自动生成带精确答案的训练轨迹。0.5B模型在60个训练世界学习后，对20个未见世界的诊断准确率提高29个百分点；收益主要出现在符号状态和短步推理，像素任务、长链任务

网页会搜、SQL会写，顶级AI合起来却只过一半

Snowflake AI Research、休斯敦大学、加州大学洛杉矶分校、香港大学等机构的研究团队制作HybridDeepResearch，让AI必须同时查网页和SQL数据库才能回答380道题。GLM-5.2、Claude Sonnet

AI连续答对也别急停：3520条省token规则全军覆没

香港科技大学、牛津大学联合检验一种省推理成本的做法：模型连续给出同一答案，就提前停止。团队预注册并回放3520条自共识规则，没有一条通过三项安全与节省门槛；在仍节省32% token的规则上，约九次停止有一次会截断模型后续改答。结论只针对单

一个Whisper不够用？102个单语模型赢下77种语言

加州大学圣地亚哥分校、EleutherAI联合制作BuzzASR，为102种语言分别微调Whisper语音识别模型。各语言最优版本在77种语言上超过Whisper-large-v3，字符错误率平均降低超过2.8倍；比较集中在FLEURS和C

Together AI让229B大模型推理快17.5%

Together AI、悉尼大学、伊利诺伊大学厄巴纳-香槟分校等机构提出Osprey，把预训练小模型改造成可跨目标复用的推测解码草稿器。它在229B参数的MiniMax-M2.5上把吞吐提高17.5%，平均接受长度提高22.7%；提升来自论

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

机器人一只手拧瓶盖，3种装配任务直接上真机

香港大学、香港科技大学（广州）、苏黎世联邦理工学院等机构的研究团队让一只灵巧手独立完成瓶子、注射器和马克笔三种双零件装配，策略只在仿真中训练，随后直接迁移到真机。它不借助第二机械臂或外部夹具，但实验对象都是刚性零件，距离杂乱工位上的通用装配

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

阿里等把智能体记忆砍半，性能还留99.7%、检索快2.24倍

上海交通大学、上海人工智能实验室、阿里巴巴、清华大学联合提出MemForest，把智能体历史记忆按事件组织成树，再逐步合并重复节点。M3-Agent在两项多模态基准上压缩50%记忆后保留99.7%表现，检索加速2.24倍。比例是论文五套基准