行业趋势

腾讯港中文等提出ForgeWM：一步生成可玩的游戏世界，回放还能继续精修

扩散世界模型画面越精细，往往要去噪越多步，玩家按键后只能等待；压到一步生成，速度上去了，细节和稳定性又容易下降。腾讯PCG、香港中文大学、复旦大学、上海人工智能实验室、香港科技大学等团队提出ForgeWM，训练1、2、4步不同速度的学生模型

上交提出ReflexVLA：机器人学会预判运动轨迹，专攻6项高速动态任务

静态桌面上慢慢抓取，模型多想半秒未必出事；面对滚动、摆动或即将离开的目标，等图像编码和动作生成完成，机会已经过去。上海交通大学团队提出ReflexVLA，把未来运动预测、多帧视觉融合和低延迟推理放进同一策略，并发布包含6类高速动态任务的Re

游戏世界穿地怎么办？Marionette把规则写进276维3D状态，错误减少66%

视频模型可以生成很像游戏的画面，却常在连续操控后让角色穿地、漂走或动作失真。Alaya Lab、上海创智学院、华中科技大学等团队提出Marionette，不让神经网络同时猜物理状态和像素，而是先生成276维显式3D角色状态，再由零参数几何桥

Meta&牛津给AI科学家配“选题编辑”：15小时追平原本24小时研究进度

AI科研Agent可以一口气提出很多实验，但算力真正花在哪里，往往比想法数量更决定最终成绩。Meta FAIR、牛津大学、伦敦大学学院等团队提出Research Preference Models（RPM），专门比较候选研究动作并挑选更有希

ImageNet用了14年的标签出问题：12%标错，重标后多模态模型涨5—6分

捷克理工大学视觉识别团队提出ReImageNet，重新检查ImageNet-1k的5万张验证图，发现约12%的原标签错误，33.3%的图片天然包含多个类别，还有3.8%根本找不到合适的ImageNet类别。换用新标签后，多模态大模型准确率普

华为推出ScienceFlow：AI科研Agent会回退重走，24小时拿下70.22%奖牌率

让AI连续研究24小时，真正棘手的不是多写几段代码，而是路线走偏后能否及时止损、保留好结果并从可靠节点重新出发。华为诺亚方舟实验室推出ScienceFlow，通过可执行状态快照、证据驱动回退和资源感知调度组织长时程科研Agent，在完整ML

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