依意思最接近的 30 筆
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%；
香港理工大學與字節跳動團隊的 VisInteract 被 NeurIPS 2026 接收為 Spotlight（292/30709），它把文字到視覺化（Text-to-Vis）當作從不完美查詢中多輪追問、找回真實意圖的過程。團隊同時發布首個動態互動式 Text-to-Vis 基準 VisInteract-Bench：1098 條樣本、11 個資料庫、75 張表，約 61% 查詢帶歧義、69% 帶事實錯誤；
OpenAI 官方帳號發布推文，稱用視覺化內容把概念呈現出來，可以加深使用者對某個主題的理解。推文只有這一句話，未說明對應哪款產品或功能，也沒有給出上線時間和具體用法。
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%；
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；
有人做了一款工具，追蹤 AI 行業領袖在影片中的公開表態，並展示他們觀點隨時間的變化。目前收錄了 Dario Amodei（累計 54 條）、Alex Karp（51 條）、Marc Andreessen（49 條）、Sam Altman（45 條）、Palmer Luckey（40 條）、Satya Nadella（23 條）、Elon Musk（21 條）、Yann LeCun（6 條）等人，頁面同時標註本週新增條數，例如 Alexandr Wang 本週有 5 條。
10 月 15 日，合肥科學視覺化公司可視科學（SciVisual）官宣完成天使輪及天使+輪融資，累計數千萬元，投資方為上海未來產業基金、厚雪資本與浦東創投。公司把核聚變裝置、先進光源等大科學裝置從幾何、部件、材料到物理邏輯編譯成 AI 可呼叫推理的三維資料，已服務 60 餘位院士、800 餘名科學家，覆蓋 20 餘座國家大科學裝置、300 餘個前沿科學設施。其自研輕量化演算法可將模型網格數量壓縮 99% 以上，使原本只有工作站能處理的模型在個人電腦上執行。
OpenAI 宣布在 ChatGPT 推出新的視覺廣告格式，並擴充套件廣告測量工具與合作伙伴。該格式初期在影像生成過程中測試，廣告會明確標註且與生成的圖片分開，不影響 ChatGPT 給出的回答，本月晚些時候在美國面向首批廣告主開始。ChatGPT 每週觸達 12 億人。OpenAI 同時接入 Hightouch、Tealium、LiveRamp 的轉化資料整合，與 AppsFlyer、Adjust 等歸因夥伴合作，並與 DoubleVerify、IAS 試點品牌適配性評估。
Google 等研究團隊提出 StreamVibe，讓影片智慧體在持續觀察中主動判斷何時、如何介入。團隊建置 StreamVibe-Bench，包含 4,100 個評測樣本、20,546 個幫助點與 183.4 小時影片，覆蓋顯式、隱式與動態三類意圖。訓練用自適應流式監督微調加區域性軌跡強化學習，執行時由 StreamVibe-Harness 維護意圖、任務進度與分層記憶；
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。
南洋理工大學、中國科大、新加坡國立大學與微軟研究院提出 NV-CoT，讓多模態大模型直接輸出連續數值座標來框選影像區域，取代把邊界框寫成文字 token 的做法，該工作入選 NeurIPS 2026 Oral。方法在原有輸出頭之外加四個輕量線性層做座標迴歸，SFT 階段用迴歸損失，強化學習階段用 Laplace 分佈取樣邊界框，無需中間框標註。在 Vis-CoT-363K 驗證集上定位 IoU 從 47.3 升至 59.5；
OpenAI 正在為 ChatGPT 增加視覺展示廣告，廣告會出現在使用者要求生成的影像旁邊，本月晚些時候先在美國上線，僅面向初始測試廣告主，且廣告有明確標註、不影響 ChatGPT 給出的回答。同時 OpenAI 擴充套件廣告衡量工具與合作生態，納入 AppsFlyer、Adjust、Branch 等點選歸因夥伴，並與 DoubleVerify、Integral Ad Science 開展品牌適配性評估試點。
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%。
漫威劇集《VisionQuest》講的是一臺擁有超能力的機器人為了更理解人類，沉入層層精巧的數字白日夢；在夢裡，他與其他人造智慧生命同住一個屋簷下。故事純屬奇幻，卻借用了當下生成式 AI 討論中的核心議題：該不該把會思考的機器當人看，AI 是否真的構成讓人睡不著覺的生存風險。文章也指出，這提醒人們矽谷一直在借用科幻的外殼來推銷 AI。全文見 The Verge。
NVIDIA 發布 AIOps 平台 Minerva，為 AI 工廠提供端到端可觀測性。它把 GPU、網路、儲存、排程器與工作負載的遙測匯入動態知識圖譜，每小時分析數十億資料點，用於發現異常、預測故障並把告警風暴聚合為帶根因的事件；平台還內建 AI 助手，可連線外部 agentic 工具，目標是提升 GPU 正常執行時間與 AI 工廠產出。
被 NeurIPS 2026 接收的 TerraVis 提出文生圖「世界一致性」評估框架，用物體、互動、場景三層共 18 類檢查衡量影像在結構、空間、物理與常識上是否合理，只輸入影像、不依賴提示詞。在 COCO-T2I 與 GenAI-Bench 上，它與人類評分的 Spearman 相關係數為 0.44 和 0.43，高於現有指標中最好的 RAHF（0.29 和 0.37）；
OpenAI 將於本月晚些時候在美國開始測試新的視覺廣告，在 ChatGPT 生成圖片時展示贊助商品的圖片。廣告與生成的圖片分開顯示，OpenAI 稱不會影響 ChatGPT 給出的回答。OpenAI 今年 2 月首次在 ChatGPT 投放廣告，此前廣告只顯示公司名、logo 和產品連結，位於對話下方的 sponsored 區域。訂閱 Plus、Pro 等方案的使用者不會看到廣告。
10 月 23 日，鈦動科技在廣州 TGC 2026 科技增長大會發布行業首個 Pro-Agent 產品 Navos Pro，面向跨境電商、外貿與營銷等場景提供結果導向的 AI for Work 能力。產品由 Professional、Proactive、Profitable 三大體系構成：輸入品牌官網即可搭建私有品牌知識庫，7×24 小時監測資料並主動給出預算、出價與素材迭代建議，以 GMV、ROI 等指標衡量產出。
輝達聯合 MIT 與牛津大學提出的 Physis-Lang，把物理原因、規律和結果寫進影片文字描述，並貫穿資料篩選、模型訓練與影片生成。其 Cosmos3-Super 與 Cosmos3-Nano 在 Physics-IQ Verified 榜單以 48.2 和 43.3 分列前二，Super 較此前最高分高出 5.5 個百分點。基於 Cosmos3-Nano 的版本在論文四項物理 benchmark 上取得開源最佳，三項總分超過 Veo 3.1。
OpenAI 官方帳號發布一條簡簡訊息，介紹用互動式視覺化來探索想法，畫面會隨著使用者學習、嘗試和發現而作出回應。帖文未披露具體產品名稱、功能形態、上線時間與適用平台，也沒有說明是否面向付費訂閱使用者或已進入測試。
何愷明團隊發布 NAT-ARC，用 ImageNet 上 MAE 預訓練的視覺編碼器解 ARC 抽象推理題，最佳單模型（0.6B 引數）在 ARC-1 上 pass@2 達 63.4%，整合後 70.2%。該方法不依賴 LLM，預訓練階段不使用 ARC 格子，僅複用 MAE 公開 checkpoint，測試時對每題做 LoRA 微調。論文稱這是純視覺方案首次逼近專用 LLM 系統水平，並顯示預訓練打通了視覺路線的 scaling 瓶頸。
南洋理工大學、清華大學、上海交大等十餘家機構聯合發布綜述，以「感知—推理—行動」為主線梳理近 200 篇具身智慧可供性學習工作。綜述將研究分為可供性感知（2D、3D、互動驅動、可泛化）、可供性推理（關係式、語言中心、智慧體式）與可供性引導行動（分層執行、策略學習融合）三個層次，並彙總五類資料集與 IoU、mAP、aIoU 等評測指標。作者指出視覺預測準確並不等於機器人能成功執行，未來評測需納入機器人本體約束與物理可行性。
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 展示開發者用 GPT-6 Astra 等前沿模型配合 Omniverse 庫，以自然語言指令搭建模擬應用。案例包括從全景照片與點雲重建可編輯的廠房模型、針對燃氣輪機與發電機的 what-if 分析應用（含 6 項測試流程），以及藉助 GTC Berlin 發布的 SimReady Central Library（2000 多個模擬就緒 USD 資產）組裝場景。
前輝達產品營銷負責人、現 Techable Ventures 創始人 Amulya Vishwanath 表示，物理 AI 目前仍處於「樂高時代」，機器人領域的 ChatGPT 時刻尚未到來。她認為，當前行業仍在搭建機械手、執行器等基礎構件，通用與專用機器人並行推進，只有這些模組成熟組合後才可能迎來突破。她同時強調人才是關鍵壁壘，大量人才正流向 Anthropic、輝達等大公司。
AI 可穿戴公司 Nirva 完成 2500 萬美元 pre-A 輪融資，加上年初的 800 萬美元，累計融資 3300 萬美元，首款產品是一隻只監聽佩戴者本人語音的 AI 吊墜。吊墜重約 8 克、續航 3 天、售價 249 美元，11 月開放預訂、年底發貨；它在引導流程中學習使用者的聲音，使用中過濾周圍其他人的說話聲，預設不保留音訊與轉寫，配套 App 輸出情緒、溝通風格等個人洞察。
開發者用一句提示讓 Claude Opus 5.5 在 Claude Code 裡以 three.js 製作卡爾維諾《看不見的城市》全部城市的互動視覺化，實際耗時 1 小時 25 分，由 6 個子代理並行完成，API 花費約 74 美元，成品被作者形容為令人著迷。同一提示交給 Codex 中的 GPT-6 Astra，53 分鐘、中等推理強度、約 10 美元即可端到端跑通，但混入了多餘概念與冗餘說明文字。
復旦 NLP 團隊發布主動式個人助手 A5，能在多次會話間積累對使用者與專案的理解，並在接入資料發生變化時主動提出後續建議。A5 Harness 通過 Context 索引、Memory 系統、Diff Engine 與 Proposal Engine 維護終身上下文：演示中它能把使用者對陶瓷的興趣遷移到新的旅行規劃，也能在需求文件從個人使用改為團隊共用時調整存取權限方案。技術預覽 v0.3.1 安裝包已開放下載，支援 macOS 與 Linux，程式碼將隨後開源。
NVIDIA 與 IIT Madras 的 AI4Bharat 實驗室聯合發布 Nemotron-pretraining-Indic-v1，約 2.8 萬億 token，覆蓋印度憲法列出的 22 種語言，即將開源，同時開放用於生成該語料、GPU 加速的資料生產流程。語料含 2,601.0 億原生文字 token 與 224.6 億羅馬化 token（按 Gemma-4 分詞器計），共 34 種語言—文字組合，其中 12 種語言另有羅馬化文字。
STEPX（階躍終端）推出旗下首款 AI 終端原生開發工具 Step Studio，創客只需使用自然語言即可生成 AI App、遊戲、智慧體和 Skill，並可通過 MCP、A2A 等協議連線外部服務與專業智慧體。