蚂蚁灵波（Robbyant）结束 LingBot 2.0 发布周，4 天内共发布 6 款模型。其中包括面向空间感知的 LingBot-Vision 与 LingBot-Depth 2.0、让同一大脑适配多台机器人的 LingBot-VLA 2.0、用于实时交互的 LingBot-World 2.0、高效视频生成的 LingBot-Video，以及压轴的 LingBot-VA 2.0。官方称 LingBot-VA 2.0 从零预训练，围绕动力学建模、因果预测与实时执行等与物理世界交互的需求设计。
匹配字段摘要
Hugging Face 发布 LeRobot v0.6.0，引入三种世界模型策略、多款新 VLA、统一奖励模型 API，以及由 lerobot-eval 支持的六个新仿真基准。新版还增加支持 DAgger 人工纠正的 lerobot-rollout、FSDP 与 HF Jobs 云训练，并为数据集加入深度数据、自动语言标注、自定义视频编码及最高约 2 倍的加载提速。
Hugging Face 发布 LeRobot v0.6.0，引入三种世界模型策略、多款新 VLA、统一奖励模型 API，以及由 lerobot-eval 支持的六个新仿真基准。新版还增加支持 DAgger 人工纠正的 lerobot-rollout、FSDP 与 HF Jobs 云训练，并为数据集加入深度数据、自动语言标注、自定义视频编码及最高约 2 倍的加载提速。 · Hugging Face released LeRobot v0.6.0 with three world-model policies, several new VLAs, a unified reward-model API, and six new simulation benchmarks supported by lerobot-eval. It also adds lerobot-rollout with DAgger-style human corrections, FSDP and cloud training through HF Jobs, plus dataset support for dep
匹配字段摘要
AI 视觉艺术家 Dream Relic（Broc Vaughn）借助 Suno 的 Create 功能，把积压多年的歌词变成歌曲，用于 TikTok、Hooks、Spotify 及一张即将发行的全长专辑。他此前与唱片公司和制作人合作，但作品未能打动观众；一条深夜发布的 Suno 歌曲视频引来数百条求歌名评论，让他重新重视音乐这条线。
匹配字段摘要
Google DeepMind 发布 Nano Banana 2 Lite（gemini-3.1-flash-lite-image）和 Gemini Omni Flash（gemini-omni-flash-preview）两款模型。Nano Banana 2 Lite 主打速度与成本，官方建议用它替换第一版 Nano Banana（gemini-2.5-flash-image），并将登陆 Search 的 AI Mode、Gemini app、NotebookLM、Google Photos 等消费端产品。Gemini Omni Flash 通过 Gemini API 和 Google AI Studio 开放，支持文本、图像、视频输入的高质量视频生成与对话式编辑，定价为每秒视频输出 $0.10，与 Veo 3.1 Fast 相同。
匹配字段摘要
洛杉矶舞者、编舞师兼 DJ Matt Steffanina 在采访中表示，他用 Suno 为一段市中心地下通道的舞蹈视频创作了一首 house 曲目，成为他表现最好的 Hooks 之一。他称 Suno 让创意从几天缩短到几分钟落地，同时仍会使用乐器和人声。他还提到，过去围绕他人音乐积累了数十亿播放量却不拥有底层资产，如今自己创作并拥有音乐后获得了更多机会与控制权。
匹配字段摘要
Odyssey 上周宣布完成 $310M Series B 融资，估值达 $1.45B，由 Natural Capital 领投，Amazon、GV、AMD Ventures、EQT 和 IQT 等参投。其世界模型产品包括实时生成同步音视频的 Starchild-1、维持多参与者共享状态的 Agora-1，以及通过主动探索缺陷来改进模型的强化学习智能体 PROWL。
匹配字段摘要
Replit 在纽约下东区举办为期两天的 vibecon，现场由参与者实时 vibe coding 出可带走的作品，Spike Jonze、Refik Anadol、Reshma Saujani 等登台，Amjad Masad 称 AI 是继摄影、电影、互联网之后的新媒介。Replit 表示活动视频将陆续发布，用户可在 replit.com 开始构建。
匹配字段摘要
Air Street Capital 领投 Macrodata 400 万美元种子前轮融资，这家机器人数据公司同时结束隐身状态。其首款产品 Refiner 是开源 Python 库，可将 LeRobot、HDF5、Zarr、MCAP、原始视频及 Hugging Face 数据集转换为训练就绪的数据集，并支持在托管云算力上运行相同管线。文中称，一项在笔记本电脑上耗时 8 分钟的管线可在 5 张 H100 上于 1 分钟内完成，费用约为 0.27 美元。
匹配字段摘要
最喜欢的发现：物理失败会迁移。一个策略在真实世界里抓取失败，在世界模型里也会失败。 与 @nvidia 的新工作：完全在世界模型内评估机器人策略。策略行动，模型想象后果，想象出的评估能预测真实世界结果。🧵 真实 vs 世界模型 rollout 并排📷 为什么重要：评估对进步至关重要。随着我们的模型变得更通用、更强，评估它们能做的各种事情耗时越来越长。世界模型评估只需几小时 GPU 时间。 设置： • 用我们的机器人数据训练的世界模型生成摄像头会看到的画面 • VLA 在环：看到生成的帧，输出动作，世界模型预测接下来发生什么 在我们的桌面收拾基准上，跨不同性能的 VLA checkpoint，世界模型评估复现了真实世界的策略排名。 相关性图：预测 vs 真实成功率 我们发现让这件事奏效的关键是自一致性：模型被训练成在前向与逆向模型之间自一致（即用逆动力学预测的动作导向与 ID 输入一致的状态），跨不同摄像头一致，并通过中止分布外的 episode 在训练与测试之间一致。 有与无自一致性对比视频 模型也知道何时不该信任自己：它的不确定性估计能追踪生成偏离现实的程度。 不确定性准确预测模型生成何时退化 与 NVIDIA Cosmos 团队合作。 论文：https://t.co/S28urlDXd6 网站：https://t.co/8cA1K5R85w
象后果，想象出的评估能预测真实世界结果。🧵 真实 vs 世界模型 rollout 并排📷 为什么重要：评估对进步至关重要。随着我们的模型变得更通用、更强，评估它们能做的各种事情耗时越来越长。世界模型评估只需几小时 GPU 时间。 设置： • 用我们的机器人数据训练的世界模型生成摄像头会看到的画面 • VLA 在环：看到生成的帧，输出动作，世界模型预测接下来发生什么 在我们的桌面收拾基准上，跨不同性能的 VLA checkpoint，世界模型评估复现了真实世界的策略排名。 相关性图：预测 vs 真实成功率 我们发现让这件事奏效的关键是自一致性：模型被训练成在前向与逆向模型之间自一致（即用逆动力学预测的动作导向与 ID 输入一致的状态），跨不同摄像头一致，并通过中止分布外的 episode 在训练与测试之间一致。 有与无自一致性对比视频 模型也知道何时不该信任自己：它的不确定性估计能追踪生成偏离现实的程度。 不确定性准确预测模型生成何时退化 与 NVIDIA Cosmos 团队合作。 论文：https://t.co/S28urlDXd6 网站：https://t.co/8cA1K5R85w
匹配字段摘要
我们发现，让这项工作奏效的关键是自洽性：模型被训练成在前向模型与逆向模型之间自洽（即用逆向动力学预测的动作，会导向与 ID 输入一致的状态），在不同相机之间自洽，并通过中止分布外的回合来在训练与测试之间保持自洽。 有与无自洽性的对比视频
我们发现，让这项工作奏效的关键是自洽性：模型被训练成在前向模型与逆向模型之间自洽（即用逆向动力学预测的动作，会导向与 ID 输入一致的状态），在不同相机之间自洽，并通过中止分布外的回合来在训练与测试之间保持自洽。 有与无自洽性的对比视频
匹配字段摘要
Runway 新模型 Aleph 2.0 已在 Figma Weave 上线，支持最长 30 秒视频片段和帧级创意控制。用户可导入参考图统一画面风格，关键帧编辑会跟随主体贯穿其出现的每一帧，并能在画布上改变机位、加入新角色或彻底转换环境而无需重拍。
匹配字段摘要
Qwen 团队发布 Qwen-Robot Suite，包含 Qwen-RobotNav、Qwen-RobotManip 和 Qwen-RobotWorld 三款面向物理世界智能的基础模型。Qwen-RobotNav 基于 Qwen3-VL，用 1560 万样本统一指令跟随、目标导航、目标跟踪与自动驾驶五类任务，在 VLN-CE RxR 上达 76.5% SR，并零样本部署到 Unitree Go2 四足机器人。Qwen-RobotManip 基于 Qwen3.5-4B VL 与 flow-matching DiT 动作头，用超过 38,100 小时开源数据训练，在 RoboChallenge Table30 v1 通用赛道取得第一。Qwen-RobotWorld 以自然语言作为统一动作接口，在 8.6M 视频文本对上联合训练 20 多种本体，在 EWMBench 等基准排名第一。
匹配字段摘要
Google Research 在 Nature 发表研究系统 PHRM，利用手机前摄在面部解锁后的数秒内拍摄面部视频，通过深度学习在后台估算心率与静息心率。在自由生活研究中，PHRM 心率整体 MAPE 为 6.09%，静息心率相对 Fitbit Charge 6 的 MAE 为 4.39 bpm，是唯一在所有肤色组均达到 MAPE < 10% 的 rPPG 方法。团队同时公开了迄今规模最大、最多样的智能手机视频数据集和预训练 PHRM-mini 模型，符合 IRB 与数据保护要求的研究者可申请访问。
匹配字段摘要
MiniMax 正式发布 M3，采用自研 MSA 稀疏注意力架构，支持最高 1M token 上下文，并原生支持图像与视频输入、可操作桌面电脑。官方称 M3 是目前首个同时具备这三项能力的开源权重模型，在 SWE-Bench Pro 得分 59.0%、Terminal-Bench 2.1 得分 66.0%、MCP Atlas 得分 74.2%。M3 已通过 MiniMax Code、Token Plan 和 API 开放使用，官方表示将在未来 10 天内发布技术报告并开源模型权重。
匹配字段摘要
📸cambrian 系列最新成果：cambrian-p，p 代表 pose。 我认为 pose 很可能是我们需要的、用于稳健视频多模态模型的最小充分 3D 信号（而且它很容易获取！）——联合建模帧与 pose 能把图像序列转化为全局有根基的结构。
📸cambrian 系列最新成果：cambrian-p，p 代表 pose。 我认为 pose 很可能是我们需要的、用于稳健视频多模态模型的最小充分 3D 信号（而且它很容易获取！）——联合建模帧与 pose 能把图像序列转化为全局有根基的结构。
匹配字段摘要
Google 在 I/O 开发者大会上宣布重新设计沿用 25 年的搜索框，将其从关键词输入框改为可接受文本、图片、PDF、视频和 Chrome 标签页的多模态对话入口，并立即在支持 AI Mode 的所有国家和地区上线。Google 同时把 AI Overviews 与 AI Mode 合并为一条连续搜索流程，用户可在传统结果页直接追问，无需切换界面。新体验由 Gemini 3.5 Flash 驱动，Google 称 AI Mode 上线一年月活已超 10 亿，AI Overviews 月活超 25 亿。
匹配字段摘要
Google 发布 Gemini Omni，将 Gemini 的智能与 Veo、Nano Banana 的能力结合。官方称其支持跨场景角色一致性、文生视频编辑以及动态物理与环境表现，当天开始推送。
匹配字段摘要
Google DeepMind 推出 Gemini Omni，其首款模型 Gemini Omni Flash 可接收图像、音频、视频和文本输入，生成高质量视频，并支持通过多轮自然语言对话编辑。该模型正向 Gemini app、Google Flow 和 YouTube Shorts 推出，未来数周将通过 API 面向开发者和企业客户开放；初期音频输入仅支持语音参考，生成视频均含 SynthID 数字水印。
Google DeepMind 推出 Gemini Omni，其首款模型 Gemini Omni Flash 可接收图像、音频、视频和文本输入，生成高质量视频，并支持通过多轮自然语言对话编辑。该模型正向 Gemini app、Google Flow 和 YouTube Shorts 推出，未来数周将通过 API 面向开发者和企业客户开放；初期音频输入仅支持语音参考，生成视频均含 SynthID 数字水印。 · Google DeepMind introduced Gemini Omni, whose first model, Gemini Omni Flash, accepts image, audio, video and text inputs to generate high-quality videos and supports multi-turn editing through natural-language conversation. It is rolling out to the Gemini app, Google Flow and YouTube Shorts,
匹配字段摘要
Google 将内容透明与验证工具扩展至 Search、Gemini、Chrome、Pixel 和 Cloud，并在 Gemini Enterprise Agent Platform 推出 AI Content Detection API。SynthID 已为逾 1000 亿张图像和视频及 6 万年音频添加水印，其 Gemini 验证功能全球使用 5000 万次。Pixel 8、9 和 10 将在未来几周为视频加入 C2PA Content Credentials。
Google 将内容透明与验证工具扩展至 Search、Gemini、Chrome、Pixel 和 Cloud，并在 Gemini Enterprise Agent Platform 推出 AI Content Detection API。SynthID 已为逾 1000 亿张图像和视频及 6 万年音频添加水印，其 Gemini 验证功能全球使用 5000 万次。Pixel 8、9 和 10 将在未来几周为视频加入 C2PA Content Credentials。 · Google is expanding content transparency and verification tools across Search, Gemini, Chrome, Pixel and Cloud, while launching an AI Content Detection API on the Gemini Enterprise Agent Platform. SynthID has watermarked over 100 billion images and videos and 60
匹配字段摘要
xAI 宣布即日起可在 Nous Research 的开源自我改进智能体 Hermes Agent 中直接使用 Grok 订阅。接入后可用 Grok 4.3 进行文本对话与高级推理、Grok Text-to-Speech 生成语音回复、Grok Imagine 生成图像和视频，所有订阅档位均可使用。Hermes Agent 可持久运行在任意电脑、沙箱或 VPS 上，跨会话建立长期记忆，并能连接 WhatsApp、Discord、Telegram、Signal 等消息平台；用户通过 hermes model 选择 xAI Grok OAuth 并浏览器登录即可启用。
匹配字段摘要