搜索
ArcLoop推出全栈AI故事引擎，围绕IP World统一管理角色、场景与视觉资产，解决AI漫剧长线连载中的角色一致性与世界观延续难题，创始人秦路此前在字节工作七年，公司已完成天使轮融资。
字节跳动发布新版豆包2.1 Pro（0915版本），重点升级多模态编程与视觉理解能力，可依据设计图、图纸和操作录屏生成代码，编辑团队通过山西3D旅行导览、小王子微缩星球等场景实测，验证其在Agent任务交付与Token效率方面的提升。
SimpleMemVLA由面壁智能联合华中科技大学等机构提出，将带时间戳的原生视觉历史直接作为机器人记忆上下文，在四项记忆基准取得SOTA并涌现视觉上下文学习能力，同时通过流式推理优化将60秒历史决策延迟从1.02秒降至0.68秒。
继 ICLR 2025 的 PolaFormer 之后，哈工大（深圳）与鹏城实验室合作的扩展版本 PolaFormer++ 近日被 IEEE TPAMI 正式接收。新版本在理论框架、特征映射设计和实验覆盖面上全面升级：首次给出判定特征映射是否具备「降熵尖锐性」的理论判据，并提出极性感知的通道级尖锐（PaCS）特征映射，在六大类视觉核心任务上全面验证了线性注意力的潜力。
AI完成任务之后，还能留下什么？
前不久，微信视觉团队开源了WeMM-Embedding。
随着 Genie 3 的发布，可交互世界模型真正走到台前：用户不再只是观看生成视频，而是可以输入动作实时改变一个持续演化的世界。世界模型开始从「生成一段视频」走向「模拟一个可交互世界」，但能走进去，不等于经得起探索。模型能否持续响应控制、维持视觉与空间一致、遵守物理规律并记住来路，仍缺少系统评测。
OpenAI计划以3亿美金收购由前苹果工程师创立的AI影像公司Glass Imaging，以补充端侧视觉能力，布局多模态AI硬件。
理解生成统一模型（Unified Multimodal Models, UMMs）正在成为多模态模型的重要发展方向。相比传统的理解模型 + 生成模型，UMM 希望在同一个模型中同时完成视觉理解和图像生成，让文本和图像能够在统一上下文中被理解、推理和生成。
字节Seed团队推出Seed-Evolving第五版更新，通过统一Model ID实现周级自动迭代，在Coding Agent长程任务完成度和VLM视觉理解能力上均有显著提升，用户一次接入即可享受模型持续进化。