行业趋势

ECCV 2026｜英伟达等提出HRDiT，现成DiT不重训也能生成8K图像

把FLUX、Stable Diffusion 3这类DiT直接拉到8K，常出现窗户错位、物体重复和整体结构散架，计算时间也陡增。兰卡斯特大学、华南理工大学与英伟达AI技术中心提出ECCV 2026论文HRDiT，通过空间位置重排和分层注意力

ECCV 2026｜无人机融合RGB与热成像，26只马鹿认对25只

奥尔堡大学、上奥地利应用科学大学等机构的研究者提出一套RGB与热红外视频融合方法，用于无人机马鹿调查，相关工作入选ECCV 2026。在4次飞行记录的26只马鹿中，融合方法正确分类25只；单独使用任一模态都只能认对20只。普通相机会让棕色身

Apple&Google DeepMind改造16B扩散模型，换6层注意力吞吐提1.7倍

扩散语言模型可以并行修改多个词元，但长序列中的全注意力仍会吃掉大量计算。Apple、Google DeepMind与哈佛大学研究者在MIT开展的工作提出LLaDA-Hybrid：把16B模型20层中的6层换成块级混合注意力，再通过两阶段轻量

阿里通义SEE给19个多模态模型出实验题，最强准确率也没过50%

能识别显微图、读懂谱图，再据此判断实验结论，和背出科学知识不是一回事。阿里通义、浙江大学、清华大学与中国科学院大学等团队推出SEE，收集1116道以真实实验图像为核心的问题，覆盖19个多模态大模型。标准评测中，模型准确率分布在15.9%到4

南大&中国移动提出C2Dex，一段人类视频教灵巧手稳定抓物

人类视频数量巨大，但把其中的手部动作直接复制给机械手，常因手指数量、关节长度和运动范围不同而失败。南京大学与中国移动研究院提出C2Dex，从单目人类视频中提取稳定的物体接触关系，再把它迁移到机器人灵巧手。在DexYCB任务上，其宽松标准成功

商汤&北航等提出MaskFlow，局部修图不再留下生硬接缝

给花朵换颜色、改海报上的文字，生成模型往往能改对内容，却在掩码边缘留下色差、硬线或纹理断裂。商汤研究院、北京航空航天大学与南洋理工大学等团队提出MaskFlow，把编辑区域直接写进生成路径，并用Soft-Poisson机制处理边界融合。完整

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。