本文综合北京大学王选计算机研究所发布的 ProactiveVideoQA 和 MMDuet2 两篇论文，介绍视频多模态大模型如何实现 “主动交互”—— 在视频播放过程中自主决定何时发起回复，而非等待用户提问。ProactiveVideoQA 提出评估指标和 benchmark，MMDuet2 则通过强化学习训练方法实现了 SOTA 性能，无需精确的回复时间标注即可训练出及时、准确的主动交互模型。
AI终于有了「永久记忆」！今天，超级记忆系统ASMR重磅登场，在业界公认最难AI记忆考试中，刷爆SOTA拿下99%成绩。全网直呼太疯狂。
在大模型时代，Tool-Use已经成为智能体能力的核心组成部分。
打破多模态视觉+语言拼接套路！
多模态模型代码写得像老司机，却在数手指、量柱子时频频翻车？UniPat AI用五百行代码打造的SWE-Vision，让模型「掏出Python尺子」自我验证，一举拿下五大视觉相关基准SOTA。
多模态大模型在代码能力上进步惊人，但在基础视觉任务上却频繁失误。UniPat AI 构建了一个极简的视觉智能体框架 ——SWE-Vision，让模型可以编写并执行 Python 代码来处理和验证自己的视觉判断。在五个主流视觉基准测试中，SWE-Vision 均达到了当前最优水平。
活体蟑螂变身「赛博侦察兵」！德国公司利用神经接口和 AI 背包，将电子系统与昆虫躯体暴力缝合。它们能潜入无人机进不去的复杂绝境，更试图以生物繁殖代替工业制造，科技与军事的边界正被恐怖打破。
谷歌发布首个原生全模态 Embedding 模型 Gemini Embedding 2！它将文本、图、音视频及 PDF 无损融于统一向量空间，实现跨越五大模态的直接检索。这极大降低了架构成本，赋予了 AI 真正连贯的「记忆」，是重塑 AI 基建的里程碑。
生物研发进步提速长期受制于海量人工试错。恩和首发全球生物制造物理 AI 平台 SAION，打破 AI 仅限虚拟辅助的痛点。最大惊喜是它「长出了手脚」，能自主设计并直接调度设备执行真实实验，实现闭环进化！其生物科研表现全面超越 GPT 与斯坦福 Biomni，实现 SOTA。AI 科学家终于下场干活了！
港科大团队提出音频生成统一模型AudioX，只需一个模型，就能从文本、视频、图像等任意模态生成高质量音效和音乐，在多项基准上超越专家模型。团队同时开源了700万样本的细粒度标注数据集IF-caps与可控T2A评测基准T2A-bench，并在该基准上大幅领先现有方法。论文已被ICLR 2026接收。
