行业趋势

Gemini Robotics微调两轮，宇树G1三项任务最高成功率100%

加州大学伯克利分校、Google DeepMind和英伟达研究人员把Gemini Robotics On-Device部署到宇树Unitree G1上，只通过托管微调接口完成两轮闭环训练。三项实机操作的成功率分别升至100%、98%和96%

微软与DeepMind团队只加一个Token，视觉检索提高13.4分

伊利诺伊大学厄巴纳-香槟分校、微软研究院和Google DeepMind研究人员提出ReToken，通过一个可学习的检索Token，从大量图片或长视频帧中筛选与问题相关的视觉信息。

清华腾讯提出CoMem，128K上下文显存降至18.26GB

清华大学与腾讯提出长上下文记忆方法CoMem。在单张96GB英伟达H20上处理128K上下文时，一组不使用适配器的效率测试显示，峰值显存由完整上下文方案的89.36GB降至18.26GB，预填充时间由15.014秒缩短到1.917秒，加速7

复旦浙大微软用28万份肠镜报告训练医疗AI

复旦大学、浙江大学、帝国理工学院和微软亚洲研究院等机构发布肠镜视觉语言模型EndoCLIP。团队从280476份常规肠镜记录中恢复出125756组病灶图文配对，用医生日常书写的报告替代昂贵的逐帧人工标注。

亚马逊测试10款医疗AI，最强模型仍会漏掉危机信号

亚马逊Health AI团队用1200个模拟患者场景测试10款基础模型。表现最强的模型综合得分为4.25分，满分5分；分诊项目的最高通过率为88%，最弱模型只有32%。

AI智能体被判失败的案例中，15.3%可能判错了

研究人员重新检查了150条被公开基准判定为失败的电脑操作轨迹，发现其中15.3%的“FAIL”结论有问题：10.7%属于评测器漏判，4.7%是任务或环境本身已经损坏。

月之暗面测试16个多模态模型，视觉准确率无人过60%

月之暗面发布多模态评测集PerceptionBench，用3000道短答案题测试16个前沿模型的基础视觉感知。最高准确率为59.7%，排名第二的Kimi K3为58.5%，没有模型达到60%。

阿里发布Qwen-UI-Agent，手机实机任务成功率92.2%

阿里巴巴MAI-UI团队发布Qwen-UI-Agent技术报告，把手机、电脑、网页和DeepSearch任务放进同一套GUI智能体体系。论文报告的27B版本在MobileWorld-Real实机手机测试中取得92.2%的成功率，在Andro

加州理工让宇树G1躲避球，20次投掷躲过19次

加州理工学院研究团队把一套名为PAC-MAN的控制方法部署到宇树Unitree G1上。研究人员从正面向机器人手掷20次球，G1躲过19次，没有摔倒，实机成功率为95%。

Google团队发现，压制AI意识自述会连带改变价值回答

让大模型避免声称自己“有意识”，是当前AI安全训练中的常见目标。Google Paradigms of Intelligence团队与多所高校的一项研究发现，这类约束可能同时压低模型对动物、自然物和技术物体的心智归因，并改变它在宗教、道德和

88款商业AI提示词被审计，四成产品出现用户利益冲突

88款商业AI产品的系统提示词被放在同一套标准下审查。研究团队共检查3249条开发者指令，约40%的产品至少含有一条损害用户利益的要求，只有23.9%的产品覆盖全部八项用户保护维度。

雅马哈联手首尔大、KAIST发布SKY-Piano：11小时多模态钢琴演奏数据集

要让机器理解一次钢琴演奏，需要同时看见手怎么落键、身体怎么用力、琴键何时发声，还要能逐音对上乐谱。现有数据集却往往只占其中一两样：有的只有音频和MIDI，有的只有单视角视频，有的缺指法、缺身体动作。首尔国立大学、韩国科学技术院（KAIST）

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