行业趋势

康奈尔用超声眼镜读取无声说话，词汇量扩到5356个

康奈尔大学发布SoniSpeech，用带超声传感器的眼镜采集无声说话时的面部运动。数据集包含34小时、18000条话语和5356个独立单词，基线模型在开放词汇无声语音识别中的词错误率为26.3%。

斯坦福中大让机器人看一次静态示范，学习抓移动物体

中山大学、斯坦福大学和东南大学团队发布DynamicManip，只用一次静态任务示范生成多种动态操作训练数据。与对照方法相比，系统在论文任务上的平均成功率提高18.4个百分点，策略查询延迟降低32.9%。

20个世界模型参加反应力考试，视频逼真不代表世界会回应

中国科学院自动化研究所、香港中文大学、清华大学等团队发布WorldExam，用1474个案例评测20个可控视频与世界模型。没有一款模型同时覆盖大量任务并保持稳定高表现，画质好、指令完成度高，也不保证场景会作出合理反应。

剑桥南洋理工给7款视频模型出文化考题，漂亮不等于懂

南洋理工大学、剑桥大学、新加坡管理大学和CentraleSupélec团队发布CultureVidBench，用1000条提示测试7款文本生成视频模型。结果显示，模型能生成语义相符、画质不错的视频，却常把服饰、文字、仪式步骤和声音线索做错。

DeepMind与OpenAI测试275种AI角色，引导越强未必越像

Google DeepMind、OpenAI、牛津大学、佐治亚理工学院和伊利诺伊大学厄巴纳-香槟分校等机构研究人员测试了275种大模型角色。多数角色会随着激活引导增强而更贴近设定，但有38种角色在六项指标上全部下降。

英特尔中国把推理模型压到1.58比特，校准数据少100万倍

英特尔中国研究院发布ScaleQ-1.58，把推理大模型权重压缩为三值表示。Qwen3-1.7B版本只使用400万校准Token，在4项数学和代码任务上的平均表现达到BitNet b1.58 2B4T的90.52%以上，量化所需校准Toke

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。