行业趋势

美团清华训练150多个VLM，选视觉底座可以提前算

美团与清华大学团队训练了150多个视觉语言模型，覆盖34个大语言模型和7个模型家族，尝试在多模态训练开始前预测哪一个LLM更适合做视觉底座。

亚马逊让AI智能体预演A/B测试，校准后误差降低约77倍

亚马逊研究人员用AI智能体模拟营销A/B测试，并拿67项历史实验验证预测结果。未经校准的系统能判断部分效果方向，方向重合度为0.70，但会系统性高估改版带来的影响。

阿里通义把人类视频变成18561小时机器人训练数据

阿里巴巴通义千问、中国人民大学、上海科技大学、北京通用人工智能研究院和北京航空航天大学团队发布Ego2Robot，把人类佩戴相机拍下的第一视角操作视频转换为机器人训练数据。整套数据达到18561小时，覆盖15种机器人形态。

AI给75篇AI论文做评审，四套“AI科学家”多数只拿1分

Sakana AI与FARS等团队提出的一项自动科研基准，让Sakana AI v1、Sakana AI v2、CycleResearcher和Data-to-Paper围绕15个研究提案各写一篇论文，再让GPT-5.4、Gemini和Cl

AI图片检测器拿到0.9999高分，实际可能只认出了文件格式

俄罗斯Sirius教育中心和高等经济大学团队用186527张电商评价图片训练AI生成检测器。产品完全隔离的测试集上，最强模型PR-AUC达到0.9999；把合成图重新编码成真实图片常见的格式后，成绩跌到0.7254。

清华等团队发现，给大模型一份工具说明可能削弱拒答信号

北京邮电大学、北京航空航天大学和清华大学研究人员发现，同一条危险请求加入结构化工具说明后，模型内部区分有害与无害输入的能力明显下降。Llama的AUROC从0.927降至0.740，Qwen从0.901降至0.786，Mistral从0.9

Salesforce审计2008段长对话，AI伴侣会出现人格漂移

Salesforce AI Research构建了2008段合成长对话，测试四款模型在85至130个会话中能否保持角色、边界、价值观和表达风格，同时记住长期发生的事件。没有一种模型与记忆配置在所有指标上都稳定领先。

亚马逊研究发现，大模型“再想一遍”经常不如人类修改

亚马逊研究人员让人类和五款大模型在相同条件下回答一次，再阅读自己或他人的答案进行第二次修改。人类在三项任务上整体提高，多数模型却没有稳定获益；面对电影评分这类主观任务，五款模型的第二次结果全部变差。

腾讯和中科院训练大模型“知道做不到”，无效推理率从65.5%降至7%

中国科学院软件研究所与腾讯微信AI团队研究了大模型的“无效推理”：题目超过能力范围时，模型仍生成很长、表面完整却含有关键错误的推导。Qwen3-8B经过CaRL训练后，Countdown任务的无效推理率从65.5%降至7%，准确率由59.6

蚂蚁把手机、电脑和网页智能体合成一个，平均成功率51.2%

蚂蚁集团团队提出MAGA，把分别擅长手机、桌面和网页操作的GUI智能体蒸馏到同一个Qwen3-VL模型中。8B版本在三套基准上的平均成功率为51.2%，比论文中最强的统一模型基线高2个百分点，接近三个领域教师模型50.9%的平均水平。

只看模型回答也能反推提示词，Adobe团队公布PTP方法

印度理工学院孟买分校与Adobe Research提出PTP，只读取大模型输出文本，就尝试重建产生这段回答的原始提示词。Qwen3-0.6B Chat实验中，提示词精确匹配指标达到64.77；换到跨模型和跨分词器设置后，精确恢复明显下降。

一张产品图塞进视频还能跟着路线跑，FlexComposer公布结果

香港科技大学、浙江大学、香港中文大学和斯坦福大学团队发布FlexComposer。用户提供背景视频、前景图片或视频，再画一条移动轨迹，模型会把素材放进场景，同时生成遮挡、光照、阴影和反射变化。

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