依意思最接近的 30 筆
人大、百度、清華等機構開源視覺語言模型 LoopVL，把迴圈 Transformer 擴充套件到多模態：僅 1B 語言主幹、0.14T 訓練 token，就在 MMMU-Pro、MathVision 等評測上追平或超過用約 36T token 訓練的 Qwen3.5-2B、InternVL3.5-2B。模型以 32 層引數展開 128 次層呼叫（H2L3×2），影像只編碼一次，後續迴圈持續更新視覺—語言狀態；
清華大學李一鳴團隊發布世界動作模型 PrismWAM，在雙臂操作基準 RoboTwin 2.0 上以平均成功率 83.67% 位列官方榜首，且未做額外的動作資料預訓練。該模型把語義上下文與物理狀態解耦，動作生成只讀取深度物理表徵，在 Clean-to-Random 高難度遷移評測中成功率達 75.5%。
智元發布世界-動作模型 GE-Act 2.0，把「預測未來」與「生成動作」整合進同一模型，訓練資料從 300 小時擴充套件到 3 萬小時。在陌生場景、陌生物體上不做額外訓練直接測試，其中一款機器人總體成功率從 17.1% 提升至 44.1%，陌生場景成功率提升約 2.6 倍；在 RTX 5090 上生成一個連續動作塊約需 104 毫秒。
何愷明團隊提出視覺原生 Harness 框架 VISTA，讓現有多模態模型無需重新訓練，就能儲存原始畫面並在推理時按需回看、放大細節。VISTA 把環境返回的每幀畫面按回合號、幀號索引存到上下文之外，預設只向模型展示最後一幀，需要時用 inspect 工具調取歷史畫面。搭配該框架，Claude Opus 5.0 通關 ARC-AGI-3 全部 25 個公開遊戲，動作效率得分滿分 100，所用動作數比人類首次遊玩基線少 57.4%；
匹茲堡大學研究發現，視覺語言模型（VLM）的中間層隱空間保留了可提取的三維場景拓撲。研究先用物體掩碼聚合視覺標記，再通過跨場景平均剔除顏色、形狀等身份屬性；處理後，中間層的 PCA 佈局與真實場景最吻合，相鄰物體的表徵能量比也更低。把 Dirichlet 能量加入微調目標，並在中間層做 500 步 LoRA 後，Qwen2.5-VL-7B 在 VSI-Bench 簡單相對方向任務上的準確率從 47.9% 升到 60.0%。
復旦大學、南洋理工大學等提出 SimpleVLN，在不改動多模態大模型主幹、不額外增加專用導航模組的前提下，重新整理視覺語言導航的 SOTA。該方法把每次模型呼叫都當作一次獨立決策，只輸入指令、當前畫面和篩選後的歷史觀測，其中早期幀均勻取樣，並保留最新一幀；每次推理輸出一段連續動作，也就是動作塊，使成功率從 45.6% 提升到 53.6%。訓練分三階段：SFT、DAgger 和 DAPO 強化學習。DAgger 使 R2R-CE 的成功率從 57.9% 提升到 65.4%；
輝達與滑鐵盧大學開源 PixelUMM，一個不依賴 VAE 和 ViT、直接在畫素空間統一影像與影片理解及生成的多模態模型。它用單層線性投影把影像 patch 和影片 tubelet 接入以 Qwen3 初始化的 Mixture-of-Transformers 主幹，理解與生成共享注意力，沒有視覺編碼器、VAE 或離散視覺 tokenizer，程式碼和權重均已開源。模型可直接生成 832×464、96 幀（4 秒、24fps）影片；
Artificial Analysis 最新文生影片榜單中，影視公司 Utopai Studios 的模型 Utopai X 以 1150 分位列第二，與第一名阿里 Wan 3.0 僅差 7 分，據福布斯估算其估值約 10 億美元。該榜單由評審在不知道模型名字的情況下盲投產生；Utopai X 以 MiniMax 開源的影片模型 H3 為底子做後訓練，10 項能力中有 7 項比基座更接近頂尖水平，音訊同步、運鏡控制與物理提升最明顯。
斯坦福李飛飛、吳佳俊等團隊發布開源世界動作模型框架 OpenWAM，用共享底座加可切換的互動方式，回答 WAM 裡究竟是哪個設計帶來提升。框架基於阿里 Wan2.2-5B，先在約 334 萬條、約 1.46 萬小時機器人影片上做因果化預訓練，再用 MoT 拼起 5B 影片專家與 2B 動作專家，支援四種先想或先動的互動程式。因果底座把 LIBERO-Long 成功率從 68.4% 拉到 97.8%，配反事實資料的區域性 IDM 遷移到新任務平均達 84.0%。
NVIDIA 的 Nemotron 3.5 Super VL 已在 LM Studio 上線，可直接在本地下載執行。該模型為 120B 總引數、12B 啟用引數的 MoE 架構，支援視覺輸入與推理，並針對視覺理解和工具呼叫做了訓練。官方提示本地執行約需 70GB 記憶體，模型頁面位於 lmstudio.ai。
NVIDIA 擴充套件其開放模型家族，新增 Nemotron 3.5 Super VL、Nemotron 3.5 Bolt、Nemotron Retriever、Kumo、Cosmos 3.5、Alpamayo 2 Edge、BioNeMo 與 Ising 等模型。Nemotron 3.5 支援文字和影像，面向建置 agent，稱能以更低成本編排工作流、推理並完成專項任務；Kumo 則針對結構化業務資料做預測、欺詐風險評分和行動推薦。
拓元智慧開源原生 4D 世界動作模型 E0.5，在 AgileX Piper 雙臂與 Zerith H1 人形真機上整體平均成功率分別為 85.0% 和 88.3%，比π0.5 分別高出 13.3 和 26.7 個百分點。模型以三維基礎模型為骨幹，把未來幾何預測直接融入動作學習，並用超 16 萬條真實機器人軌跡做具身預訓練；H1 的分佈內成功率達 100%，分佈外為 76.7%（π0.5 僅 46.7%）。論文、專案主頁與開原始碼均已公開。
微軟團隊提出 Code Video Model，用可執行程式碼控制影片生成：由 Coding Agent 把提示詞轉成 Three.js 程式，統一描述幾何佈局、物體運動、相機軌跡與事件時序，渲染出低多邊形預演影片不到一分鐘即可驗證鏡頭設計，參考圖負責指定外觀。方法不改動影片模型（MiniMax-H3）引數，採用免訓練的階段化條件排程，在去噪前約 25% 階段引入預演約束、隨後撤去，避免成片被預演的合成風格主導。
Elorian 發布首個模型 Glimpse，主打「視覺草稿空間」：模型在推理過程中可反覆回到原圖，裁剪區域性、抽取影片幀，或執行程式碼去測量和比較。該模型以研究預覽形式上線，提供 API，聊天介面需排隊；輸入每百萬 token 0.60 美元、輸出 3 美元。Elorian 稱其用幾百塊 GPU 訓練、規模遠小於對標的前沿模型，卻在科學圖表推理和短影片描述上超過 GPT-6 Astra。首批目標是機器人、科研、媒體等握有大量影片的公司。
OpenWAM 是一個面向世界-動作模型的開放框架，讓影片預測與動作生成按不同順序組合，也能把獨立訓練的影片預測器、逆動力學模型（IDM）與前向動力學模型（FDM）在推理時拼接。它基於 Wan2.2-5B 適配機器人影片，在約 334 萬條軌跡、14640 小時影片上預訓練，用 32 張 NVIDIA B200 訓練 14 天，再以 5B 影片專家加 2B 動作專家組成 MoT 架構加入控制。
VA-Bench 用 14 類機器人操作任務、280 個物理驗證場景測試 12 個主流多模態模型，發現目標識別與定位可達 100%、操作語義理解接近 100%，但完整任務成功率最高的 Qwen3.8-max、Opus-5、GPT-5.6-sol 分別只有 53.93%、52.86%、51.55%。測試中模型先觀看成功示範影片，但拿不到物體座標與專家軌跡，需自行決定是否消耗步數切換視角，並直接給出移動距離、旋轉角度與夾爪開合時機。
AnyLanguageModel 1.0 發布：這個 Apple Foundation Models 框架的替代方案只需換成 import AnyLanguageModel，同一份會話程式碼即可呼叫系統模型、llama.cpp、MLX、Core ML 本地模型，以及 OpenAI、Anthropic、Gemini、Ollama、Private Cloud Compute 等託管服務。
哈工大（深圳）與新加坡國立大學等提出 SkeLAM，它基於 Cosmos-Predict2.5-2B、用約 10 小時機器人互動資料訓練，通過骨架監督影片中的潛在動作，實現零樣本跨形態運動遷移。遷移時模型引數全部凍結；輸入人類演示影片和機器人場景圖片，生成的機械臂就能復現演示中的運動方向。在 DROID 評測中，它的末端軌跡誤差 ADE 從 51.11 降至 41.15 畫素，比 DreamDojo 低 19.5%，LPIPS 從 0.1473 降至 0.1310。
NVIDIA 的小型視覺語言模型 Nemotron 3.5 Bolt 已在 Ollama 上線，可用於本地快速對話、影像理解與工具呼叫，支援 128K token 上下文視窗，適合在本地執行視覺多模態任務的使用者。
前華為小藝多模態大模型研發負責人唐都鈺創辦觀行數智，主攻讓機器自主判斷何時介入的「主動式物理 AI」。團隊採用雙模型協同架構 ProAgent：輕量模型 StreamingJev 持續讀取環境事件流、判斷是否需要介入，Response Model 再決定回應方式與呼叫裝置，並自建評測體系 ProactiveXBench。
Dream Labs 發布世界動作模型 Dream-1，通過公開 API 向全球開放，接入新的雙臂機器人即可開箱執行任務，無需微調、示教或機器學習經驗。公司同時結束隱身狀態，宣布完成 9000 萬美元種子輪融資；官方演示覆蓋 Hugging Face、KAIST、AgiBot 等 13 家機構的機器人，任務包括疊衣服、清理餐具、裝箱等。技術基礎是 2026 年 2 月的 DreamZero 論文，用 30 分鐘機器人資料後訓練即可零樣本泛化；
Artificial Analysis 的 Video Arena 文生影片排行榜上，影視公司 Utopai 的定製模型 Utopai X 以 1150 的 Elo 評分位列全球第二、全美第一，這是該榜採用雙盲投票以來首次有影視公司定製模型進入前列。Utopai X 基於 MiniMax H3 架構做深度定製後訓練，在評測的 10 項細分能力中 7 項超越基座模型，音訊同步與物理規律排名第一，光照與材質、鏡頭控制排名第二。
蘋果基礎大模型團隊與杜克大學提出 LensVLM，先把長上下文渲染成壓縮頁面影像讓模型瀏覽，再按需展開相關頁面讀取原文，在七項文字問答評測中以 4.3 倍有效壓縮達到 68.9% 平均準確率，接近完整文字參照的 72.4%。模型基於 Qwen3.5-9B-Base 經監督微調與強化學習訓練，15 倍壓縮下準確率由基礎模型的 18.1% 提升到 52.1%；
Elorian 發布首個視覺推理模型 Glimpse，其在公司與 Mercor 合作的 DecoyCount 計數基準內部測試中得分 50.48%，為對比中唯一超過 50% 的模型。論文中前沿模型最高是 GPT-6 Astra 的 43.17%，Gemini-3.8-flash 為 32.71%，Qwen3.8-max 為 28.31%，Claude-Fable-5.1 為 25.22%。
arXiv 新論文用心理語言學特徵分析 AI 生成文字，發現九個前沿與準前沿模型都比人類寫作更常用無生命主語搭配有生命動詞、更多低頻 n-gram，多數模型在對話中還使用更長依存、更多名詞堆疊和縮減關係從句，且不同模型家族差異明顯。作者提出的解釋是：人類語言為溝通最佳化，而 AI 文字越來越為數學、程式碼與推理最佳化，追求資訊密度；用長度懲罰微調模型的初步實驗復現了這種偏離人類語言習慣的現象。
浙江大學、復旦大學、螞蟻集團與南京大學團隊推出 WorldMemBench，用可控的“離開—回訪”鏡頭評測影片世界模型的記憶。基準含 260 個案例、23 個內容類別，分靜態記憶、動態記憶及影片品質、相機跟隨四個維度，測試了 HY-WorldPlay、LingBot-World 等九個模型。結果顯示靜態與動態記憶的強項分化：HY-WorldPlay 七項靜態指標全部領先，LingBot-World 動態記憶總分最高；
v0.40.10-rc0 新增 gemma4-nemotron 渲染器：模型通過 RENDERER gemma4-nemotron 顯式啟用後，助手內容會渲染在工具呼叫之前，而不是工具返回之後；gemma4 的自動檢測邏輯保持不變。同版本為 MLX 後端加入 Gemma 4 目標模型搭配 DFlash 草稿的投機解碼支援：當配置要求時，載入草稿模型自帶的輸出頭，同時保留現有 DFlash 模型的目標頭路徑，並暴露 Gemma 4 的隱藏狀態與原始 logits。
LongCat-2.5 是面向長程 agent 任務的原生多模態模型，總引數 1.6 萬億、每 token 啟用約 480 億，在 LongCat-2.0 基礎上強化原生視覺理解與 agentic coding。它把視覺訊號表示為多級離散 token，與文字統一為同一種 token 格式處理，因此支援視覺程式設計、創意設計與 3D 任務。
OpenAI 表示，最新一輪模型能力提升集中在 COBOL、Fortran、Visual Basic 等低資源程式語言，增強了這類軟體的建置與遷移能力。這些語言支撐著銀行、政府和企業長期依賴的系統；OpenAI 的目標是理解數十年的業務邏輯，並在保留可用部分的前提下幫助開發者完成現代化改造。OpenAI 稱會圍繞開發者與企業客戶提出的實際難題推進，並公開徵集下一批需要支援的語言與工作流。
牛津大學、莫納什大學與布里斯托大學等團隊提出互動式影片世界模型 Oneira，由 Coding Agent 維護的 World State Table 單獨記錄場景中每個物體的 3D BBox 與互動狀態，從而精確改變指定物體，並讓改變後的狀態在後續影片中持續保留。