国产5B生图模型海外突然爆火，4天超百万下载
国产5B生图模型海外突然爆火，4天超百万下载AI生图越来越强了，但大家似乎也苦“AI味”久矣。
来自主题: AI技术研报
6478 点击 2026-10-23 10:44
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
AI生图越来越强了，但大家似乎也苦“AI味”久矣。
语音是人类最自然、最习惯的交互方式。随着代码智能体、办公智能体逐渐普及，人们对智能体的期待也不再只是 “问一个问题、得到一个答案”，而是希望像和同事一样持续沟通，共同完成一项工作：任务进行到一半，可以随时询问进展；想到新要求，可以直接补充；方向变了，也可以马上取消或修改。
在荷马史诗《奥德赛》与特洛伊传奇中，特洛伊人把看似神圣礼物的巨大木马迎入城内，暗藏其中的希腊勇士在夜色中洞开城门，令固若金汤的城池瞬间陷落。
如果让 GPT、Claude、Gemini 直接指挥机器人干活，谁更靠谱？
在将 LLM 真正应用到产品的过程中，我们经常会遇到一个看似简单、却非常关键的问题：模型生成的内容，究竟有多可信？
在视频生成领域，少步视频模型已经实现只需少量采样步骤，就能生成连续画面。
增强模型的表达能力，可以让Transformer更灵活地读取和整合信息。Attention Residuals（AttnResidual）沿着这个方向，将注意力从token之间的信息交互扩展到网络深度，让每个子层学习选择哪些历史层输出。
今日，无界动力正式发布并开源 MWA™-Phoenix 隐空间世界模型基座，横扫 LIBERO-Plus、LIBERO-Pro、RoboCasa GR1、Bench2Dex、RoboTwin 2.0 和 RoboDojo 真机榜。
1995年，Michael Wooldridge和Nicholas Jennings在《Intelligent Agents: Theory and Practice》中，将自主性（Autonomy）、交互能力（Social Ability）、反应性（Reactivity）和主动性（Proactiveness）列为智能体的四项基本特征。
导读：只需几秒参考音频，现代语音克隆模型就能合成与目标说话人高度相似的语音。但真实部署中的参考录音往往带有噪声，文本可能异常、超长或跨语言，生成的语音还要经过压缩和电话传输，有人甚至会给自己的声音加上「防克隆」保护。
AI Agent 能否像研究人员一样，从论文中学习？
近年来，3D 生成模型在几何质量和渲染效果上进步很快。从 Mesh 到 NeRF、3D Gaussian Splatting，生成一个外观完整的三维物体已经不再困难。现有不少 articulated 3D generation 工作，更多关注的是从输入中生成一整套可动 3D 资产，包括物体几何、部件划分以及关节结构。
今年我攒了一堆思考类的提示语。
这两年大模型圈有一条几乎没人怀疑的信条，Scaling Law。
上周末，Claude官方在X上发了一条帖子，分享了在过去几周里，引起他们关注的6个创意项目。
现在的大模型，已经越来越擅长从自然语言直接生成一个可以运行的游戏。
近期，六角未来沿着 Physical Coding 的思路，进一步构建了 HexaShell-Preview。根据官方评测结果，在 RoboDojo 全部 42 项任务上，HexaShell-Preview 取得了 46.9% 的成功率、53.2 的进度得分，成功率高出第二名 7.5 个百分点，领跑 RoboDojo-Agent 榜单。
团队盯住的是一个很实际的问题：Agent 明明保存了项目计划，预算更新后却仍按旧版本行动；看过环境截图，下一步又忽略了画面里已改变的状态。它究竟是没记下来、没及时更新，还是找到了证据却没用上？
稀疏注意力减少了主注意力的计算量，但负责筛选 token 的索引器仍可能成为长上下文推理的瓶颈。小红书 Dots 团队自研的 DoSA 利用分数上下界，在保持原始 Top-K 选择结果的前提下加速索引器，并在测试中提前过滤了约 97% 的候选。
AI 制药的故事，终于从计算机里的分子结构，走到了实验室的试管里……
AI圈，最近集体盯上了三个字母：RSI。
看一段房间视频，视觉语言模型（VLM）能够认出桌子、椅子和柜子。但在它的内部，这些物体是按颜色、形状组织在一起，还是形成了一张包含邻接关系的空间地图？
「全球只有大约5,000人，真正见识过顶尖AI的能力。」这是Andrej Karpathy近日分享的一个观察。他说，只有站在漏斗顶端的那一小撮研究者，才能看到数千个AI Agent长时间协作、昼夜不停地做科研。
近日，由清华大学、原力灵机与极寰时代联合研发的世界动作模型LoopWAM，登顶真机评测榜单RoboChallenge Table30 V2，成功率与过程分双双位列榜首，成绩超过VLA-DM0.5等同期方案。同时，LoopWAM在仿真榜单RoboTwin 2.0和RoboCasa365上同样取得SOTA表现。
上月发布 GPT-6-Astra 时，OpenAI 称它为「全球智能程度最高且最符合人类意图的模型」。具身社区则是惊讶的发现，VLA vs WAM 的路线之争，被通用大模型用文字模态「降维打击」了，大家不禁想问：
近日，腾讯混元官方账号（@TencentHunyuan）在 X 上发布了一项新研究：ExplorationBench，一个专门衡量 AI 系统如何「探索」的评测基准；随后，腾讯 AI 官方账号（@TencentAI_News）也发文进行了专题推介。
当我们谈论智能眼镜时，许多人的第一反应仍是：它能不能拍照、放歌、导航，或者它就像一个戴在头上的语音助手？
Agent在真实任务中出错，工程师的第一反应往往是给Harness“打补丁”：加一条防错提示词、接入一个新工具、挂一套Skills，或者增加历史摘要和执行检查。这套负责协调模型调用、工具执行与上下文管理的外层系统，就是Agent Harness。
近年来，Loop Transformer 逐渐从简单的模块复用走向更复杂的分层循环计算，探索如何通过共享参数持续更新模型状态。一个自然的问题是：当模型开始看图，这套机制还成立吗？
Claude，竟然排在最后？