行业趋势

京东等用一个模型生成和修改图片文字，专门解决中文小字难题

图片生成模型可以画出复杂场景，却经常把招牌、海报和包装上的中文写错，字号一小更容易变形。京东、中山大学深圳校区、中国科学院大学、浙江大学团队提出InnoText，让同一个扩散Transformer同时负责视觉文字生成和编辑，并专门训练中文复

首尔大学先把机器人画进视频再预测未来，世界模型能适配未见过的机械臂

机器人世界模型通常直接接收关节或末端动作向量，再预测未来画面。换一台机械臂，向量含义和运动学关系都可能变化。首尔大学、RLWRLD团队提出RoFacto：先让控制器把命令变成名义轨迹，再把机器人几何渲染进相机画面，视频模型只学习物体如何响应

腾讯混元把图像理解和生成塞进同一组Token，ImageNet最高改善10.57 gFID

图像理解需要语义，图像生成需要纹理细节，统一多模态模型常用两套不同表示。腾讯混元、香港中文大学、香港城市大学、厦门大学团队提出Twins，把ViT语义特征与VAE潜变量拼成同一组连续视觉Token，在不增加序列长度的情况下同时服务理解、重建

华为诺亚等让AI芯片按任务跳过计算，端侧延迟降51%至59%

多任务模型执行左转、右转、直行或刹车时，通常会完整运行同一套骨干网络，即使部分计算与当前任务无关。香港科技大学、华为诺亚方舟实验室、香港科技大学（广州）团队把任务命令直接变成硬件执行掩码，在FPGA闭环驾驶实验中将端侧延迟降低51%至59%

剑桥等把三次月球任务数据合成一个模型，20万个月面切片可直接搜索和找矿

同一块月面可能同时有可见光、地形、温度、雷达和重力数据，但不同仪器的分辨率、覆盖与物理含义不一样。剑桥大学、德国航空航天中心、SPAIDER SPACE、帝国理工学院等团队提出LunarFM，把三次月球任务、六种仪器的18个输入通道对齐到一

快手等让Qwen、GLM和MiniMax跨Tokenizer教小模型，六项基准提升3.7至6.6分

Qwen、GLM和MiniMax可以各自当老师，但它们切分文字的Token规则不同，教师给出的概率分布不能直接交给同一个学生模型。中国科学院大学、快手KwaiKAT团队、浙江大学、香港中文大学提出BPM，把不同Tokenizer的输出搬到共

上海科技大学让机器人提前预演触觉，插接和剥离也能生成训练轨迹

机械臂把物体插进狭窄接口时，相机可能看不到接触点，真正决定成败的是压力、摩擦和细微位移。上海科技大学、InstAdapt团队提出ViTacWorld，让世界模型根据机器人动作同时预测未来画面和触觉反馈，再用生成轨迹扩充插接、剥离等任务的训练

复旦、西湖等从脑信号重建动态人脸，数据集包含62856组高清视频样本

受试者在磁共振扫描仪里观看数字人面部视频，模型再根据fMRI信号重建身份外观、表情、头部姿态和连续运动。复旦大学、西湖大学、浙江大学、南洋理工大学团队提出fMRI2Face，并构建62856组脑信号与1920×1080视频配对样本。

杜克大学让机器人学会玩影子：21自由度机械手能做手语和动物表演

一只机械手在灯前摆动，墙上的影子可以拼出手势字母，也能模仿鹿、孔雀、鸭子和狼的动作。杜克大学团队让21自由度灵巧手学习“自己的关节怎么改变影子”，再从目标图片或视频反推机械手动作，把影子变成机器人的表达媒介。

Claude审查Codex通过率升至89.7%，反过来却把正确率改低了

同样是Claude Opus 4.7和Codex GPT-5.5配合写代码，谁先写、谁来审，结果并不对称。加州大学戴维斯分校、约翰斯·霍普金斯大学、加州州立大学长滩分校团队在116道LiveCodeBench中高难度题上测试发现：Claud