行业趋势

一个OCR读懂229种语言，复旦腾讯把F1从65.71%拉到80.89%

复旦大学、腾讯微信视觉、华南理工大学提出ScriptMoE，用一个稀疏专家识别器覆盖10种文字体系、229种语言。它替换PP-OCRv5的识别模块后，在CC-OCR多语种任务上把F1从65.71%提高到80.89%，略高于最佳视觉语言模型的

不给源码，只看画面：AI开始黑盒复刻25款游戏

中科院信息工程研究所、中关村实验室、小米汽车、阿里巴巴达摩院提出GameReplica：不给智能体源码、说明书或现成轨迹，只允许它看截图并操作目标游戏，再写出可运行复刻。基准含125项任务、25款受控游戏和5类核心机制。

视频一转镜头就变形？腾讯把3D几何塞进生成底层

香港科技大学、腾讯、香港大学、得克萨斯大学奥斯汀分校提出GAE，把3D几何直接放进生成模型的潜空间。同一份紧凑表示可解码画面、深度、相机和点云；在两个视频数据集上，FVD分别下降12.7%和23.1%。

桌面一变机器人就懵？新模型把成功次数从4次拉到17次

西北大学、华盛顿大学、新加坡国立大学、微软提出Grounded Action Model，让机器人先把语言、点或框指定的目标变成带尺度的3D表示，再预测动作。在双臂YAM机器人视觉变化测试中，它20次成功17次，对照模型只成功4次。

机器人终于会“摸”了：伯克利触觉模型六项任务全胜

伊利诺伊大学厄巴纳-香槟分校、加州大学伯克利分校、西北大学提出DexTacWAM，让双手机器人同时预测视觉变化和十个指尖的接触变化。它在六项接触密集任务上全部取得最高分，平均70.6分，而最强基线为38.0分。

单卡视频生成暴增265倍，北大清华阿里把50步压到3步

北京大学、清华大学、阿里巴巴等机构提出SparkDiffusion，把视频扩散的稠密注意力改成97%稀疏，并把50步生成压到3步。在Wan2.1 14B的720P测试中，单张RTX 5090端到端最高加速265倍，1.3B模型生成480P视

腾讯AI Lab&清华让大模型双向“说”手语，12名手语用户参与实测

清华大学、南洋理工大学、鹏城实验室与腾讯AI Lab提出SignGPT，用共享语言模型同时完成无gloss手语转文字和文字转手语。系统串起一轮手语对话，并邀请12名聋人美国手语使用者参与探索性评估，分别观察语义和动作体验。

自动驾驶世界模型快107.7倍：七路相机实时生成，还记得重访地点

ZYT AI团队提出ZYT-World，把40步双向教师蒸馏成一步生成器，同时输出四路鱼眼和三路针孔相机画面。论文报告生成器计时快107.7倍，并保留教师超过90%的PSNR和SSIM，还加入跨轨迹地点记忆，用于车辆重访场景。

48伏不够快，东京大学把机器人电机推到100伏、峰值80安

东京大学团队推出LunaDrive，把基于氮化镓器件的高压驱动器装到扁平无刷电机背部。系统在96伏下实现连续30安、峰值80安和最高3110赫兹电频率，并用100伏电池完成高速负载举升，验证高压关节的短时动态能力。

机械臂边干活边找视角：固定相机0/20，它做到了14/20

卡内基梅隆大学、上海交通大学、中国科学技术大学和香港大学提出MAAP，让多只机械臂在操作时主动移动腕部相机。双臂实机放置实验中，它20次成功14次，固定视角ACT为0次，动作同时承担观察任务。

阿里淘宝让视频模型补物理课：碰撞、多阶段运动一次适应

哈尔滨工业大学与阿里巴巴淘宝提出CompAdapt，让视频生成模型处理耦合运动、多阶段转换和多物体碰撞，并能用一个样例适应新的物理环境。目标不是只让单个物体移动得像，而是让连续事件彼此接得上。

前沿模型做BI还不到50分，微软智能体最高拉升40个百分点

伊利诺伊大学厄巴纳-香槟分校、微软研究院和微软提出BI-Agent，让智能体自己找表、转换数据、建立关联并回答商业问题。前沿模型在BI-Bench准确率不足50%，专用智能体最高提升40个百分点，完整流程而非单次查询成为评测对象。

AI写GPU内核快283倍？放进真实大模型，端到端只快约1%

论文公开页面未披露作者机构。研究重新检查AI生成GPU内核的正确性和真实工作负载占比：一个曾被计为283倍加速的内核只写入0.3%输出；即使替换可优化算子，Transformer端到端现实改善也约为1%，局部跑分不能直接代表整机收益。

小米把3185个代码库变训练场，编程智能体五项基准全涨

小米、北京大学、香港大学和中国人民大学提出CodeMidas，只读取源码，就把3185个代码库转成5545项可执行训练任务，覆盖23种语言。使用这些环境训练后，MiMo-V2.5在论文选定的五项编程基准上均有提升，也减少了对现成工单的依赖。

英伟达把语音助手做成真对话：被打断100%接管，还能调用工具

英伟达推出NemotronLabs VoiceChat，把流式听、说、打断处理、反馈识别和工具调用放进统一语音架构。论文报告用户打断后的接管率为100%，短促反馈后恢复回答的比例为93%，工具选择F1达到82.5%，重点转向真实对话节奏。

Adobe让设计智能体自己长技能，成功率从72.7%冲到99.3%

Adobe与布朗大学提出Designer-RSI：不更新模型权重，让设计智能体从自己完成和失败的任务中扩展外部技能库。五轮演化后，技能从76项增至139项；在Claude-Sonnet-4上的GenEval2执行成功率由72.7%升至99.

废弃电子烟，居然被改成了网站服务器

用完的一次性电子烟，还能拿来架网站。开发者 Bogdan Ionescu 在开源项目 semihost-ip 中，把拆出的普冉微控制器变成了一台微型网页服务器：只有3KB内存，靠调试接口与电脑交换网络数据。代码和搭建方法都已公开，硬件爱好者

“最接近世界大脑的地方” ！一座没名气的内蒙古小城，签下5000亿建全球最大AI机房

一位法国分析师的热文，让内蒙古乌兰察布在海外刷屏：这座150万人口的草原小城，签约标准机架已超500万架，将成为全球规模最大的数据中心集群，签约总投资超5000亿元，华为、阿里、字节、百度都在此训练大模型。冷风、绿电，加上距北京毫秒级直达光

别急着用LLM做表格预测：只用约6%标签，经典模型就能反超

宾夕法尼亚大学研究者把“直接提示冻结小型GPT”与“收集标签训练经典模型”放到18个表格数据集上比较。观察到的性能交叉点中位数约为完整训练集的6%；在86%的案例里，手头已有标签量就足以让经典模型胜出，为企业表格预测给出一条可量化的选型线。

反光点乱成一团也能还原动作，浙大团队把中国功夫做成3D数据

浙江大学、西湖大学、复旦大学和南京大学团队提出DirtyMoCap，直接处理稀疏、无序、会丢失也会冒出异常点的光学动捕数据。单一模型可适配不同标记布局，自定义CUDA求解器相对标准PyTorch实现最高加速100倍，并把传统中国武术录制恢复