依意思最接近的 20 筆
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%；
明略科技與中國科學院自動化研究所聯合提出 VisionHOPE，稱其為首個以自修改學習系統為核心的通用視覺骨幹網路，程式碼、底層運算元與預訓練權重已按 MIT 協議開源。模型在單次前向計算中一邊讀圖、一邊更新決定特徵關聯、學習步長與記憶保留的規則，由五類可更新記憶協同完成。VisionHOPE-S 以 52.9M 引數在 ImageNet-1K 取得 85.2% Top-1 準確率，引數量不到 VMamba-B 的六成、準確率高 1.3 個百分點；
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。
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。
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。
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。
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。
班·艾佛列克在引述中表示，視覺特效工作流多年來一直包含機器學習，他把卷積神經網路（CNN）稱為 transformer 的前身，區別在於後者能同時做更多計算。他自述能寫「很糟糕的 Python 指令碼」，並解釋張量是畫面在數值上的翻譯——批次號、幀號，以及每幀每個畫素的紅綠藍值。CNN 在張量上做邊緣檢測與特徵提取，識別出窗臺在哪裡，就能更容易地把綠幕部分摳掉並替換成別的內容。
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。
Higgsfield AI 藉助 GPT-6 Astra，把 AI 生成影片的時長從原先約 1 分鐘提升到 10 分鐘以上，CEO Alex Mashrabov 稱這緩解了長影片中畫面一致性的難題。配合 GPT-Image-2.5，平台可穩定渲染影像上的文字與資訊圖，服務缺少製作預算的小商家。Codex 讓約 200 名創意人員把想法直接做成軟體原型，團隊還用 GPT-6 Astra 生成長度超 10 分鐘的教學影片。
一位使用者僅向 Opus 5.5 提供創意、工作資料夾和音樂檔案，模型便自主完成了從調研到成片的全流程。它檢索了四年 AI 發展資料與素材，擷取文章和介面截圖，編寫 HTML 與動畫程式碼，用 Playwright 渲染畫面、FFmpeg 合成並加入音效，最終輸出完整影片。
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。
舊金山初創公司 Industrial Next 在 TechCrunch Disrupt 2026 上宣布與 BMW 集團技術辦公室合作，評估其 AI 靈巧操作技術用於製造。該公司由兩位前特斯拉工程師於 2021 年創立，做的是基於自研基礎模型的機器人工作站，把視覺、任務上下文與運動控制打通，用高保真模擬訓練，產線換型從數週縮短到數分鐘，無需傳統程式設計。其工作站已在某款熱門手機的生產中使用，負責柔性排線穿線、聯結器扣合等此前難以自動化的工序；
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；
10 月 13 日，深圳視塔機器人完成天使輪融資，投資方包括華為旗下哈勃投資、深高新投旗下基金與高軒投資。公司由 1998 年出生的張偉創辦，團隊約 50 人、平均年齡約 23 歲，核心方案是把膽甾相液晶彈性體等柔性光子晶體與柔性 TFT 感光陣列結合，做成厚度小於 1 毫米、感知密度超 10,000 點/cm²的電子皮膚，量產感測器經 100 萬次測試誤差率均小於 5%。其自研的“外掛觸覺小腦”可與 VLA 等上層模型協同，在擦黑板、插孔等內部測試中任務成功率最高提升近 100%。
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。
Ben Affleck 本週因多段訪談影片走紅，他在其中講解神經網路、transformer、張量等概念，並稱自己會寫點 Python。他透露做法是拿開源模型微調：解凍權重、只訓練最後一層「電影感」層，讓劇組達到製片標準，該技術已用於其電影《Animals》後期。他創立的 AI 影視公司今年被 Netflix 收購，報導金額 5.87 億美元，他本人稱這個數字不準確。他還表示不擔心 AI 接管影視業，更擔心學生的習得性無助與大學 A 成績三年上升 30%。
Stripe 設計負責人 Katie Dill 在 2026 年 9 月 10 日舊金山 Lenny and Friends Summit 的演講中提出，AI 讓建置產品更容易，但產品容易淪為通用的殭屍 UI。她認為好設計仍取決於清晰的觀點、對使用者的理解和對細節的用心，並分享瞭如何把標準寫進 AI 工具、在初稿之外繼續編輯、用 AI 做出更原創的產品。該影片由 Lenny's Podcast 於 9 月 25 日發布，時長 21 分 47 秒。
Google DeepMind 官方帳號提到，Apptronik 的 Argon 能把影片變成物理 AI 的訓練場，將原本需要數週的人工建模壓縮到幾個小時。這條推文以回覆 @Apptronik 的形式發出，正文只有這一句說明和一個 goo.gle 短連結，沒有披露涉及的機器人平台、影片資料規模或可用範圍。資訊發布於 2026 年 10 月 13 日。
在輝達領導機器人平台產品營銷七年的 Amulya Vishwanath，如今轉而投資 Physical AI，並認為機器人行業仍處於“樂高時代”、尚未迎來爆發。這一判斷與“通用基礎模型將推動機器人突破”的流行看法相反：執行器、機械手、軟體與安全標準等基礎構件仍在重建，而 Physical AI 的內涵也不止於機器人。