行业趋势

AI边玩边写游戏规则：Twin通关179/183关，基础模型得分从7.8%升至93.3%

斯坦福大学、康奈尔大学等机构的研究者提出Twin。面对从未见过规则的小游戏，它让AI一边试玩、一边把观察到的状态变化写成可执行代码，为每个游戏建立“数字孪生”，先在内存中验证路线，再提交真正计分的动作。在ARC-AGI-3中，Twin总得分

百度等提出CRAFT：只用1万张参考图训练个性化生成，告别百万合成配对

给AI一张人物、宠物或物品照片，再要求它换姿势、换场景，通常需要大规模合成“参考图—目标图”配对数据。百度、DGIST、KAIST等团队提出CRAFT，只使用1万张彼此独立的参考图训练，不需要预先制作目标合成图，却能同时保持主体身份和文本指

星尘智能&清华等提出ART：机器人现场调用视觉工具，成功率提升20%

机器人遇到昏暗环境、透明物体或精细几何关系时，不一定要让一个大模型硬扛所有视觉难题。星尘智能、清华大学、香港中文大学等团队提出ART，让视觉—语言—动作模型在执行过程中按需调用分割、深度等外部视觉工具。基于3万条工具增强轨迹训练后，ART在

数字人一口气说满1分钟！Omni-LiveAvatar单卡跑到21.99 FPS，提速33倍

香港科技大学iComAI Lab与Vivix Group团队提出Omni-LiveAvatar，把联合音视频扩散模型改造成少步自回归生成器，在单张NVIDIA H200上完成分钟级流式生成，速度达到21.99 FPS，相比LTX-2快33倍

阿里浙大等提出PassGen：先生成带深度的递物视频，让机器人更早伸手接东西

人拿起杯子可能是自己喝，也可能准备递给机器人。若等物体已经伸到面前才判断，机械臂反应会显得迟钝；过早误判又可能突然伸手。阿里巴巴、浙江大学等团队提出PassGen，先生成未来的RGB-D递物视频来判断意图，并利用Hand2Bot真实数据中的

视频生成训练快6倍！牛津NUS提出V-RAE，把视觉大模型表征变成视频潜空间

主流视频生成模型通常先训练一个自编码器，把像素压进潜空间，再让扩散模型从头学习其中的语义。牛津大学与新加坡国立大学提出V-RAE，直接复用冻结视觉基础模型的表征来构建视频潜空间，使生成训练最多加快6倍，并在Kinetics-600上取得19

Adobe上海AI Lab等开源HPSD：让图生视频当老师，把文生视频自己的基本功教强

图生视频有一张高质量首帧做视觉锚点，通常比只靠一句提示词更容易生成稳定画面。Adobe、上海人工智能实验室、上海交通大学、南洋理工大学和复旦大学等团队开源HPSD，让同一个图文生视频模型先以“带首帧老师”提供高质量方向，再让纯文本学生沿自己

快手港中文推出PlayWorld：让AI亲自玩9个世界模型，长时空间一致性仍频频翻车

世界模型生成的视频可能每一帧都很漂亮，但让AI玩家转身、开门、绕一圈再回来，房间结构和物体状态还能对得上吗？快手、香港中文大学、香港大学和浙江大学推出PlayWorld，用Agent玩家在171个交互场景里实测9个世界模型，把评估从“看视频

牛津NUS提出OmniScientist：AI直接看图听音频做实验，36个案例全部写成论文

把胸片、鸟鸣、显微图、3D结构和运动轨迹交给AI，它能否不靠人类先整理成表格，直接提出假设、运行分析并写成论文？牛津大学与新加坡国立大学提出OmniScientist，在5个学科的36组真实数据上完成从感知到论文的全流程，直接读取原始模态的

看完一个月生活视频，Gemini仍比人类低22.4分！华为南大推出EgoMonth

一个月前把钥匙放在哪、某次做饭先拿了什么、不同日期见过谁——人会把零散经历串成长期记忆，多模态模型却常在短视频问答里被高估。华为、南京大学和天津大学推出EgoMonth，收集20名参与者跨20至120天的300多小时第一视角视频，用1443

自动驾驶大模型提速4.7倍！普林斯顿FlashDrive把10B VLA延迟压到151毫秒

自动驾驶模型如果每次思考要717毫秒，车辆一秒只能更新约1.4次决策。普林斯顿大学与加州大学圣迭戈分校提出FlashDrive，把Alpamayo 1.5-10B视觉—语言—动作模型在单张GPU上的端到端延迟压到151毫秒，频率升至6.6H

华为上交开源SCULPT：3D模型像雕塑一样逐块切开，零件还能无缝装回去

一把电钻不是不可编辑的整体，而应该由机身、电池、钻头等零件组成；这些零件单独看要完整，装回去又不能留下裂缝。华为与上海交通大学团队开源SCULPT，像雕塑家从材料上逐次切割一样，从完整3D形状中迭代取出部件，并根据物体复杂度自动决定零件数量

宇树G1走进真实导航测试：HumanoidVLN覆盖4种人形机器人，仿真与现实高度相关

“穿过走廊，在画旁边左转，再停到书架前。”这类指令对轮式机器人已不轻松，换成人形机器人还要同时处理步态、碰撞和身体尺寸。VinMotion与南加州大学提出HumanoidVLN，在4种人形平台、933条路线中评测语言导航，并把宇树G1带到真

美团北大清华等开源AutoDesign：40分钟把论文做成会议海报，成本不到3美元

把一篇长论文交给AI，它不仅能排出一张会议海报，还会像设计团队一样反复预览、找错、局部修改。美团、北京大学、清华大学、上海交通大学、香港中文大学等团队开源AutoDesign：一次完整运行约40分钟，调用工具253次、完成11次有效编辑，A

Meta等提出Map-Det3D：不用深度相机，只靠连续RGB也能在线定位3D物体

Meta Reality Labs、苏黎世联邦理工和波恩大学提出Map-Det3D，只读取连续RGB画面，就能在线重建带米制尺度的三维空间，并直接预测物体3D框。它不依赖深度相机，也不沿用“先在2D图像检测，再为每个框猜深度”的常见流水线。

阿里通义等提出AVA-Encoder：把电影拆成知识图谱，视频Agent可直接查询和编辑

阿里通义、上海科技大学、香港科技大学等团队提出AVA-Encoder，把视频编码成知识图谱，再从图谱重建回视频。图中的文本节点记录镜头层级、状态和剧情信息，资产层链接图像、音频与视频，Agent可以查询人物、定位片段或修改关系，而不必每次重

百度牛津等推出Diagram-MMU：AI能看懂科研图，却很难把它画成可编辑代码

多模态模型可以回答图里哪条曲线更高，却未必能把同一张科研图准确还原成可编辑TikZ代码。百度、牛津大学、南京理工大学等团队推出Diagram-MMU，收录3700张精选科研图和1.83万道人工验证问题，测试12个模型的读图、图转代码和按要求

网易有道开源Confucius4-TTS：14种语言克隆声音，参考音频不用先转写

只有一段参考录音，不知道录音里说了什么，模型也能提取音色并用另一种语言合成新内容。网易有道发布Confucius4-TTS技术报告，系统覆盖14种语言，支持同语种和跨语种零样本声音克隆，不要求在推理前准备提示音频的文字稿；代码、模型权重和演

快手开源TRACE Bench：测角色扮演AI不再只给总分，99.91%设定逐条核验

一个模型扮演游戏角色得82分，究竟是忘了世界观、说错人物关系，还是没有完成玩家交代的目标？快手GameMind Lab开源TRACE Bench，把角色设定提前拆成固定检查表，再用用户Agent对话并保存逐轮证据。它在更少对话轮次中覆盖99

机器人不用生成视频也能预演未来：交大等提出ForeWAM，LIBERO成功率超96%

机器人在抓杯子、开抽屉前，如果能预测“动作之后场景会怎样变化”，通常更容易规划下一步。上海交通大学、ACE Robotics和南洋理工大学提出ForeWAM，让动作模型获得未来动态，却不在部署时真正生成未来视频；标准版和加速版在LIBERO