行业趋势

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

测试写错还不如不测：微软等让代码智能体修复率冲到72.6%

威斯康星大学麦迪逊分校、微软研究院、佐治亚理工学院联合提出ExecCritic，把代码测试和源码修复交给两个分别训练的Qwen角色。两者组合在SWE-bench Verified解决72.6%的任务，比原始无测试基线高11.4个百分点；但质

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

机械手学会预判人类会喊停的动作，抓取成功率做到96.7%

香港科技大学（广州）、意大利技术研究院、浙江大学联合提出WHIRL，让机械手把人类接管动作当成风险信号，提前避开操作者可能喊停的状态。16自由度LEAP Hand在指定复杂抓取任务中做到96.7%成功率，按操作步数计算的人工干预最多减少84

北大等让宇树G1边走边干活，完整任务成功率提高10个百分点

北京大学、华南理工大学、新加坡国立大学联合提出MobileVLA-R1 2.0，让移动机器人先理解指令和环境，再输出能执行的导航与操作命令。宇树G1在论文设定的真实移动操作任务中，完整任务成功率比上一版提高10个百分点。它回答的是机器人怎样

只花27.72美元，AI在15轮内打破10项圆堆积纪录

Practical Systems团队用一个可验证的LLM程序进化循环改写圆堆积求解器，在15轮内以27.72美元模型调用成本，改进Packomania中N=101至114范围的10项已知纪录。结果由零容差检查并被数据库接受，但只针对可变半

写代码从512步砍到1步，杜克清华让扩散模型极速出答案

杜克大学与清华大学团队提出PlaidQ，把连续扩散代码模型从512次去噪蒸馏到16步、少数步乃至一步。16步学生在HumanEval和MBPP+的pass@10超过教师；一步模型也能生成可执行程序，但HumanEval pass@1仅7.0

24小时视频压缩26.1倍，南大华为让机器人记住物体去向

南京大学、华为、天津大学与不列颠哥伦比亚大学团队提出语言轨迹编码LTE，把长视频中的物体位置、状态与语义压成可查询记忆。论文报告8.7至26.1倍压缩，24小时视频查询低于1秒；但在SMB上的两类成功率只有45.3%和48.7%，长时记忆远

只用5%参数追平16亿模型，亚马逊开源Mitra-v2

亚马逊团队开源Mitra-v2，一款7700万参数的表格基础模型。在TabArena协议下，它达到16亿参数TabFM的同级表现，参数量约为后者5%；预训练只用合成数据，再在300多个真实数据集上评估。结论限定于表格分类与回归基准，医疗等示

最强AI读论文只拿62.6分，上海AI Lab等推出SciDocBench

香港中文大学、上海人工智能实验室、复旦大学和上海交通大学团队推出SciDocBench，用124道专家编写问题测试AI能否读懂完整科学论文；每题配四种文档表示，共496个实例。受测系统中最高得分为62.6/100。“最强”仅指论文表3所列系

电脑智能体少点57%步骤，交大浙大让GUI和命令行一起干活

上海交通大学与浙江大学团队提出CUA-Universe，让同一个电脑智能体在图形界面与命令行之间选择操作。9B模型在OSWorld上的成功率提升16.8个百分点，同时步骤减少57%。结果来自特定虚拟机应用和基准任务，说明混合工具有效，但不等

机器人练45.8分钟做到98.3%，中科大等团队攻克精密操作

中国科学技术大学、北京航空航天大学、中关村学院与合肥星旋科技团队提出VLA-Precision，让机器人直接在真实设备上在线练习高精度化学操作。论文在四种机器人、九项任务上报告98.3%平均成功率，每项平均训练45.8分钟；这些数字来自受控

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