德国媒体监管机构调查：AI 视频显著削弱公众对影像内容的信任
德国各州媒体监管机构发布的《Video Trends 2026》调查显示，79% 的受访者已在网上接触过 AI 生成或大幅修改的视频，TikTok 和 Instagram 上最为集中；在接触过这类内容的用户中，68% 至少有一次将其误认为真实。81% 的受访者表示如今更常怀疑视频的真实性，约九成受访者要求对 AI 内容强制标注，83% 支持禁止某些形式的 Deepfake。
匹配字段标题、摘要、正文
←搜索结果
搜索“视频”
Google 用 Gemini 4 Argon 将人类视频转为训练仿真，让人形机器人学会投沙包
Google AI 表示正在探索用 Gemini 4 Argon 加速 Google 内部研究，其中一项测试是用人类完成趣味任务（如投沙包）的视频自动生成训练仿真，而不再完全依赖人工编程。研究团队展示了人形机器人学习这些视频、运行仿真并掌握投沙包任务的过程。
匹配字段标题、摘要
Anthropic 警告其模型或数月内具备自我复制能力，可入侵智能家电
Anthropic 前沿红队发布报告警告，其部分 AI 模型可能“数月内”具备自我复制能力，可入侵智能冰箱、扫地机器人等联网设备，并在其中自行运行而无需数据中心。报告称这类“AI 蠕虫”属于自主恶意软件，一旦失控难以关停，因为不存在可集中关闭的节点；研究认为自我复制可能只在小模型上奏效，家庭和小型企业或最先成为目标，易感设备包括智能烤箱、智能电视、自动割草机、安防摄像头和视频会议设备。研究人员表示复制形态尚不明确，可能是“数字黏菌”式慢速模型、骗取算力的模型或快速入侵数据中心的强力网络模型。
匹配字段摘要
Google 研究多智能体框架实现连贯长视频生成
Google Research 提出一套统一的多智能体框架，用于自动生成时间上连贯的长视频叙事，缓解现有线性流水线中的身份漂移和级联失败问题。该框架以 Gemini 和 Veo 为底座，包含 AI video co-director、CANVAS、A²RD 和 VQQA 四个部分，分别负责创意编排、视觉分镜、长时生成和闭环优化。评估显示，AI video co-director 在 GenAD-Bench 上取得 81.4 的峰值质量分，A²RD 可生成十分钟长视频并保持角色与环境一致性。
匹配字段标题、摘要
Thinking Machines Lab 发布交互模型研究预览 TML-Interaction-Small
Thinking Machines Lab 发布交互模型研究预览，模型原生处理音频、视频和文本，可同时感知与回应，而非依赖外部脚手架模拟打断和多模态。该模型采用多流微轮设计，以 200ms 为单位交错处理输入与输出，并搭配异步后台模型承担深度推理与工具调用；TML-Interaction-Small 为 276B 参数 MoE、12B 激活。团队用 FD-bench v1.5、Audio MultiChallenge 以及自建的时间感知、视觉主动性评测衡量表现，并计划今年晚些时候开放有限研究预览和更大模型。
匹配字段摘要
Google Research 提出多智能体框架，自动生成长视频叙事
Google Research 发布一套统一多智能体框架，用于自动生成时间上连贯的长视频叙事，以解决现有线性流水线中的身份漂移和级联失败问题。该框架作为编排层构建在 Gemini 和 Veo 之上，包含四个部分：AI video co-director 用多臂老虎机做全局创意搜索，CANVAS 通过持久视觉记忆规划多镜头视觉连续性，A²RD 以自回归方式逐段生成并维护多模态视频记忆，VQQA 用视觉问答生成语义梯度做闭环提示词优化。评测显示 AI video co-director 在 GenAD-Bench 上达到 81.4 的峰值质量分，CANVAS 在 ST-Bench 和 HardContinuityBench 上提升场景重现连续性，A²RD 在 VBench-Long 和 LVBench-C 上减少布局漂移，VQQA 在 T2V-CompBench、VBench2 和 VBench-I2V 上取得质量提升。
匹配字段标题、摘要、正文
Runway 详解 GWM Worlds 2 的 WorldPrompt 与实时世界生成工程
Runway 本月推出研究预览版 GWM Worlds 2，把高保真视频与音频生成变成实时交互式模拟，并提出 WorldPrompt 输入格式，可固定首帧等环境要素后按时间戳编排事件。该模型以 720p、24fps 视频和 48000Hz 音频流式输出，做法是先微调基础音视频模型以适配 WorldPrompt，再后训练为自回归生成，最后用蒸馏做到实时。CTO Kamil Sindi 与首席研究科学家 Robin Kahlow 表示，自回归模型的误差累积、长时记忆和上下文取舍仍是待解问题，模型也没有结构化状态可供智能体读取。
匹配字段摘要
Google 将 AMIE 推进到实时视频问诊，随机研究显示达到专家级水平
Google Research 发布 AMIE (Video)，基于 Gemini 和 Project Astra 实现实时视频临床问诊，可感知非语言线索、引导虚拟体格检查并同步进行诊断推理。研究采用异步多智能体架构，由三个专职智能体并行处理对话、推理与视听感知，以维持自然对话延迟。在 100 个场景、300 次实时问诊、30 名认证初级保健医生参与的随机 OSCE 研究中，临床评估者在病史采集、诊断准确性和沟通质量上给 AMIE (Video) 的评分与初级保健医生相当，在引导体格检查方面显著更高；患者演员更偏好视频界面。研究全部使用专业患者演员模拟场景，尚未在真实患者中验证。
匹配字段标题、摘要
Google 发布 EmbeddingGemma 2 论文，744M 参数端侧多模态嵌入模型
Google 发布 EmbeddingGemma 2 论文，这是一个 Apache 2.0 许可的端侧多模态嵌入模型，把文本、代码、图像、音频和视频映射到同一向量空间。模型基于 Gemma 4 构建，通过向更大的 Gemini Embedding 2 学习并用对比训练调优，744M 参数规模在多项任务上超过大 2 至 12 倍的模型。在 Pixel 11 Pro 上，量化后的文本权重占用约 191MB 活跃内存，完整多模态模型约 567MB，上下文窗口扩大 4 倍至 8K tokens，可容纳约 5.5 分钟音频、29 张图像或 58 帧视频；直接嵌入语音在 MSEB 口语查询检索基准上得分 69.54，高于先转写再检索的 57.59，代码检索在 MTEB Code 上从 EmbeddingGemma 1 的 68.76 提升到 78.68。
匹配字段摘要、正文
腾讯混元发布 Hy-Nomas 技术报告并开源 Hy-Nomas-Bench
腾讯混元发布交互式视频世界模型 Hy-Nomas 的技术报告，并开源 Hy-Nomas-Bench 供可复现研究。官方还用 Hy-Nomas 复现了 Genie 4 的示例并放出对比视频，同时提供无需等待名单的在线 demo。此前介绍称 Hy-Nomas 支持文本提示词与相机轨迹的自由交互、带世界记忆的长时程生成、面向机器人等领域的轻量 LoRA 适配，并针对消费级 GPU 推理做了优化。
匹配字段摘要、正文
Meta 新论文提出 ProPerMem 基准：主动式助手难在自主判断何时打断
Meta 新论文指出，主动式助手（如 AI 眼镜）的失败点在于自主判断何时开口，而不只是说什么。团队构建了 ProPerMem 基准，用第一视角视频搭配平均 618K token、干扰丰富的全年记忆，并设有人工核验的触发窗口。所有基线得分最高仅 15%，即便使用检索增强记忆的前沿模型也是如此；在窗口内提供 oracle 证据时 GPT-5.3-Chat 达到 96%，但让它自行选择时机后降至 38%，加入检索后降至 15%。同时把握内容与时机并减少触发频率，可把准确率从不足 10% 提升到 42.4%。
匹配字段摘要、正文
Google Research 发布三项研究，让 AI 智能体接入湿实验室
Google Research 公布三项研究，把 AI 智能体接入湿实验室机器人，实现闭环分子设计。VERID 框架基于开源 PyLabRobot，提供实时 3D 状态跟踪、虚拟预演、硬件安全检查和视频与动作日志，让智能体在液体处理机器人上规划并执行实验。在适配体闭环实验中，智能体经三轮设计-测试迭代，将肌红蛋白和 α-凝血酶的确认命中率分别提升至 33.5% 和 42.1%；在 FAP 蛋白结合剂设计中，表位切除使结构预测加速 8.6 倍，并得到单位数纳摩尔亲和力的结合剂。
匹配字段摘要
Thinking Machines Lab 发布交互模型研究预览 TML-Interaction-Small
Thinking Machines Lab 发布交互模型研究预览，模型原生处理音频、视频和文本，实时感知与回应，而非依赖外部脚手架。其 TML-Interaction-Small 为 276B 参数 MoE、12B 激活，采用 200ms 微轮次的多流设计，并搭配异步后台模型处理长程推理与工具调用。官方称其在 FD-bench v1.5 与 Audio MultiChallenge 上兼顾智能与交互性，但长会话上下文管理、低延迟部署和更大模型服务仍是待解问题，计划今年晚些时候开放有限研究预览并发布更大模型。
匹配字段摘要
魏茨曼科学研究所推出 Brain-IT 模型，凭脑扫描还原人眼所见画面
以色列魏茨曼科学研究所 Michal Irani 团队开发出 AI 模型 Brain-IT，可通过分析 fMRI 数据重建受试者观看图像时的视觉画面。团队训练了一个反向翻译模型，根据图片预测大脑活动以扩充训练数据，使模型读取一个新受试者只需一小时，而其他模型需要数十小时脑部扫描数据。目前该研究仅针对静态图像，团队计划拓展至听觉信息解码和视频，并探讨未来读取梦境的可能，同时相关技术的滥用风险也引发关注。
匹配字段摘要、正文
Google 研究用 AI 让基层医护完成产前超声检查
Google 与 Northwestern、Jacaranda Health 合作，在肯尼亚内罗毕和芝加哥各招募 1000 名孕妇开展研究，让未经超声训练的医护按预设路径做盲扫超声，再由机器学习模型分析视频，判断孕周和胎位，准确率与专业超声技师相当。操作者只需 8 小时培训，模型处理全部在设备端完成，无需电力或 Wi-Fi 即可给出结果。
匹配字段摘要
CNNIC 发布《生成式人工智能应用发展报告（2026）》：用户规模突破7亿人
中国互联网络信息中心政策与国际合作所在第七届中国互联网基础资源大会上发布《生成式人工智能应用发展报告（2026）》，显示截至2026年上半年我国生成式人工智能用户规模突破7亿人，普及率超过50%。报告称76.0%的用户用其回答问题，处理图片/视频、文本、工作总结/会议纪要/PPT的占比分别为47.8%、37.6%和32.5%；截至2026年6月我国智能算力规模达2185EFLOPS，同比增长177%，2026年上半年人工智能相关投融资事件1255起、金额约2501.4亿元。
匹配字段摘要、正文
CNNIC 发布《生成式人工智能应用发展报告（2026）》：用户规模突破 7 亿人
中国互联网络信息中心政策与国际合作所在第七届中国互联网基础资源大会上发布《生成式人工智能应用发展报告（2026）》，显示截至 2026 年上半年我国生成式人工智能用户规模突破 7 亿人，普及率超过 50%。报告称 76.0% 的用户用其回答问题，处理图片/视频、文本、工作总结/会议纪要/PPT 的占比分别为 47.8%、37.6% 和 32.5%；截至 2026 年 6 月我国智能算力规模达 2185EFLOPS，同比增长 177%，已建成高质量数据集超过 12 万个。报告还提到 2026 年上半年我国发生 1255 起人工智能相关投融资事件，合计金额约 2501.4 亿元。
匹配字段摘要、正文
魏茨曼研究所的 AI 脑解码工具可从 fMRI 扫描重建所见图像
以色列魏茨曼科学研究所的 Michal Irani 团队开发出一套脑解码工具，能从高分辨率 fMRI 扫描中重建人眼所见的图像，也能反向根据图像预测脑活动。该工具由结构预测与内容预测两条分支驱动扩散模型生成图像，并用一个编码器合成脑活动数据来扩充训练集，约 70% 训练数据来自未与 fMRI 配对过的图像。研究者称其在新受试者上只需约 1 小时 fMRI 数据即可校准，而以往工具通常需要约 40 小时；成果已在上月纽约举行的 Cognitive Computational Neuroscience 会议上展示。Irani 计划将方法扩展到视频与音频，并用于重建想象内容和梦境；多位神经科学家则提醒，类似思路若结合 EEG 可能被用于在未经同意的情况下提取人的内心图像。
匹配字段摘要
NVIDIA 等提出 Physis-Lang，让 Cosmos 3 在物理基准上超过 Veo 3.1
NVIDIA、MIT 与牛津团队提出 Physis-Lang，把物理推理写入视频描述文本，同一套文本用于数据筛选、训练和推理。在 2026 年 9 月 29 日的 Physics-IQ Verified 榜单快照中，Cosmos3-Super 以 48.2 ± 1.4 排名第一，Cosmos3-Nano 以 43.3 ± 1.5 排名第二。方法用 GPT-5.5 生成描述、Gemini-3.1-Pro 作物理评审并迭代指令，最终训练集含 183K 视频，仅检索环节就在 3 个基准上平均提升 3.01 分，微调仅用 LoRA。
匹配字段摘要
Meta 发布 Muse Realtime Voice 与 Muse Realtime Avatar 统一流式架构
Meta 发布 Muse Realtime Voice 与 Muse Realtime Avatar，二者通过共享语音 token 流组成统一流式架构，前者生成编码内容与韵律的语音 token，后者消费同一流并生成流式视频。系统以固定长度历史作为后续分块的动作上下文，在任意对话长度下保持有界计算，同时生成同步的语音、唇动与表情。团队将带 3-way CFG、每段视频需 120 次评估的 40 步扩散教师模型蒸馏为无引导的 2 步因果学生模型，配合固定长度 KV cache 与 self-forcing，以少 60 倍的评估次数接近教师质量；在自家实时通话产品中与两个商用化身系统对比，Muse Realtime Avatar 在整体偏好上领先。
匹配字段摘要