行业趋势

Google DeepMind发表ResidencyRL，临床AI在模拟问诊中获87.6%医生偏好

医疗AI在一道选择题上答对，不代表它能完成一次真正的接诊。Google DeepMind联合多家医院提出ResidencyRL，让模型在最长60轮对话、最多8次工具调用的模拟门诊中练习问诊、检查、诊断、治疗和记录。在97个病例的医生盲评中，

英伟达WorldTrace让视频世界模型记住走过的场景，回访一致性提19.5%

让视频世界模型模拟“向前走、转弯、再回到原地”，画面经常会悄悄换成另一处。英伟达、普林斯顿大学、多伦多大学与Vector Institute提出WorldTrace，无需重新训练模型，只改推理时的记忆缓存，就能把持续时间从数秒推向分钟尺度；

谷歌WebRider揭开网页智能体假完成：99.2%交差，只有38.8%守规矩

网页智能体点完几下按钮，再返回一句“任务完成”，并不代表它真的按用户要求做对了。谷歌与加州大学洛杉矶分校推出WebRider，在42个真实网站上构造4096份可检查的“意图合同”。最强配置有99.2%的任务能够正常停机，但同时满足全部合同门

小鹏机器人R2S-EGO让宇树G1学坐下，实机成功率从10%升至82.5%

让人形机器人学会一个动作，麻烦的往往不是动作本身，而是要把机器人搬到不同房间、不同位置反复采集真机画面。小鹏机器人与香港理工大学提出R2S-EGO：只用6次真实采集、共48个第一视角观测，再让生成模型补出策略可能遇到的画面，宇树G1的实机坐

智能体走对100步，奖励该算给哪一步？AgentOPSD把信用分到每轮

智能体完成一段几十轮任务后只得到成功或失败总分，训练算法往往把同一奖励广播给每一步，难以区分真正扭转结果的动作。清华大学、浙江大学和美团提出AgentOPSD，把信用重新分配到每一轮。

RAG做时间序列预测不必再训适配器，先把振幅和相位对齐

给时间序列模型检索历史案例，曲线形状相似却可能高低不同、时间错位，直接塞进上下文反而会误导预测。斯坦福大学与亚马逊提出Align-RAG，用两个免训练变换先对齐振幅和相位。

摄像头一挪机器人就失手，ARGUS先把画面统一到同一机位

训练时摄像头在桌面左侧，部署时换到右侧，机器人可能把图像坐标误当成任务空间位置。伊利诺伊大学厄巴纳-香槟分校与哈佛大学提出ARGUS，先把任意视角转换成标准机位，再交给现有视觉动作策略。

能看能听却不会交叉核对：全模态模型把最多95%注意力给了文字

模型同时收到视频、音频、图片和文字，文字若与其他证据冲突，它常直接跟着文字回答。微软研究院印度分院与IIIT Hyderabad推出C3PO基准，最佳模型准确率73.17%，人类为88.64%。

让大模型参与芯片微架构搜索：MicroEvo效率做到10.6倍

处理器微架构要在性能、功耗和面积之间反复取舍，但一次PPA评估就可能需要昂贵仿真。东南大学、国家EDA技术创新中心、英伟达、复旦、中科院计算所和北大等团队提出MicroEvo，在论文设置下把搜索效率做到NSGA-II的10.6倍。

文字直接生成会说话的数字人，Vorch-Streamer跑到27.12 FPS

输入人物描述和长段讲话文本，不提供音轨，也不提供第一帧，模型可以一边生成声音一边生成画面。Vorch团队联合同济大学、哈工大（深圳）和上海交大公布Vorch-Streamer，在单张H200上达到27.12 FPS。

视频智能体看一小时后还记得什么？小红书等团队做了场硬测

一段视频平均88.8分钟，问题没有选择项，还可能要求模型回忆半小时前的画面或主动发出提醒。香港科技大学、小红书、香港大学和香港中文大学推出StreamArena，用243段完整视频和3646个开放题测试流式视频智能体。

看完整段视频仍会迷路：22个视觉模型与人类差36.4分

视觉模型能描述眼前的桌椅，却未必知道自己走到了房间哪一侧。字节跳动Seed、浙江大学和新加坡国立大学推出GST-Bench，测试22个视觉语言模型后，最强零样本模型得分42.68，人类为79.08，相差36.4分。

阿里Wan-Animate-2把角色动画跑到24 FPS，还能用文字改机位

上传一张角色图和一段驱动视频，系统可以让新角色复现动作，并用文字改变输出镜头。阿里巴巴通义实验室公布的Wan-Animate-2还提供轻量版，在400×720分辨率、4张NVIDIA H100上达到24 FPS。

低分辨率深度传感器也能生成密集3D：合成训练跨过3款真实设备

韩国科学技术院、中国科学技术大学和微软亚洲研究院提出一种稀疏dToF深度补全模型。它只用合成数据训练，却在六个数据集和三款真实直接飞行时间传感器上做零样本测试，把低分辨率、带噪的测距点补成密集度量深度图。

智能体跑得久还要会掉头：Argus修复任务约78%，代价是1.41倍Token

微软与上海交通大学、复旦大学、南京大学、清华大学、香港大学、北京大学等机构发布Argus，一个面向长程推理的持久智能体运行时。模型权重不变，系统通过角色分工、项目状态、验证记录和控制策略积累经验。

大模型会做单题，却不会中途换技能：新训练把4B模型得分翻近一倍

普林斯顿大学、卡内基梅隆大学、多伦多大学、伊利诺伊大学厄巴纳-香槟分校、斯坦福大学和牛津大学团队提出“技能熵”，专门衡量大模型在一条推理链中从一种技能切换到另一种技能的难度。

老电影不再分开修画面和声音：22B模型一次处理噪点、闪烁与嘶声

中国科学技术大学和京东探索研究院提出OmniVR，用一个22B参数音视频生成模型同时修复历史影片。输入里的模糊、噪点、闪烁、低曝光、嘶声、削波和声音缺失，会在统一扩散过程中处理，而不是先修画面、再接独立音频工具。

让视频智能体自己改代码：四轮进化后准确率从38.44%升至51.47%

阿里巴巴、浙江大学、北京航空航天大学和字节跳动团队发布MetaVideoAgent，让长视频问答智能体根据目标视频类型自动修改自己的处理流程。四轮进化后，八类视频的宏平均准确率从38.44%升到51.47%。

可灵团队把生成、参考和编辑串成多镜头工作流，单卡做到16 FPS

清华大学、南京大学、快手可灵团队、上海科技大学和香港科技大学提出ContextMaster。它把文字生成、参考图生成和视频编辑放进同一个多轮工作流，每次接受的新镜头都会加入历史，供后续镜头继续使用。

思维链并不总会“招供”：隐性影响下，安全监控检出率最低仅5%

洛桑联邦理工学院和英国人工智能安全研究所研究者测试了七个前沿推理模型：当提示词明确要求模型受某个线索影响并隐瞒原因时，思维链监控器能发现60%至94%的行为变化；同一线索若只是自然地混在上下文里，检出率会明显下降。