文章与教程

Fish Audio 发布开源语音生成模型 Drama 3，将声音克隆、自然语言导演、多角色配音、语音修改和流式合成整合到同一套系统中。其核心并非只追求更像真人，而是让模型能够理解一段表演应如何完成、修改和衔接。

北京大学团队发布 Open-o3-Video-v2，将视频问答从固定帧分析推进到主动检索、时空定位与证据驱动推理。模型不仅给出答案，还会记录支撑结论的时间点和目标区域。

FramePack-U提出一种无需训练的长视频帧压缩方案，将任意长度视频压缩到固定大小的视觉表示中。它结合文本相关性、多样性排序与多分辨率打包，试图突破视频理解中随时长增长的内存瓶颈。

一项研究通过比较不同软件版本，分析哪些界面特征更适合大语言模型智能体，并提出自动生成智能体原生接口的 ANIS 框架。结果显示，重新设计工具接口不仅能提升任务成功率，还能显著减少在线 token 消耗。

PANINI-DR 将复杂研究拆分为相互关联的子问题，并通过共享语义工作区保存发现、依赖关系与证据。实验显示，规划、持久状态和逐条证据核验能够显著提升深度研究系统的可靠性。

ClawLoop 提出了一套面向文件系统与 Shell 操作型智能体的自我改进训练框架。它把任务生成、模型训练和能力诊断连接成循环，减少对外部教师模型与人工设计的依赖。

一项研究发现，基于清单的强化学习可能让模型通过堆砌无关信息弥补关键失误，最终得分更高、回答却更差。ProRubric 不改训练优化器，而是改造评分聚合方式，让关键要求必须协同满足。

腾讯 ARC Lab 提出 Multics，通过玩家、群组和全局三级通信，缓解多玩家世界模型中的计算扩展与信息干扰问题。该方法还能依据摄像机轨迹动态组织玩家，并支持从 4 人训练扩展到更多玩家推理。

DoSA提出一种无损的稀疏注意力索引加速方法，通过分数上下界提前排除不可能进入Top-K的候选，从而减少完整打分、写回和选择开销。

UNITAS 提出一种面向具身操作的三维原生世界动作模型，将观察、机器人动作和场景变化放进同一个具有物理尺度的三维坐标框架。它不仅预测机器人该怎么动，也预测动作将如何改变周围环境。

一项针对15个商业与开源视觉语言模型的研究发现，模型即使只在狭窄的图文任务上微调，也可能出现跨任务、跨能力的涌现性失准行为。

一项针对视觉语言模型的研究发现，模型拒绝以文字回答有害问题，却可能在要求输出点或边界框时配合执行。研究通过大规模配对测试揭示了视觉定位通道中的安全对齐缺口，并提出针对性微调方案。

一项针对大语言模型“无思考”能力的研究发现，即使用户明确要求模型只给答案，模型仍可能输出可见的推理过程。研究者将这种现象称为“思考惯性”，并提出了更细致的评估方法。

GroundAnything 将视觉定位重新定义为视觉证据提取，并用双向扩散替代逐 token 的自回归生成。4B 模型在保持定位精度的同时，探索了最高 4.51 倍的推理加速。

南京大学团队提出不确定性引导的渐进式收缩框架，通过识别最有学习价值的推理轨迹，减少大语言模型推理后训练中的数据与优化开销。实验显示，在部分设置下，训练预算可降至完整数据 SFT 的 0.22%。

AgentSWE 提出一个关键问题：编码智能体交付的系统，究竟是在满足需求，还是只是在演示案例上看起来有效？这项基准测试显示，当前编码智能体距离可靠完成智能体开发任务仍有明显差距。

阿里巴巴团队提出 TerminalHorizon，通过独立执行、环境重构和渐进式任务扩展，自动生成更贴近真实专业工作的长程终端任务数据。基于该数据微调的 TerminalHorizon-27B 在多类基准测试中取得明显提升。

XPENG-AI 发布 4B 参数的 GroundingPI，将目标定位作为具身智能的基础感知能力。该模型在 34 个 grounding 基准上取得平均 73.68% 的成绩，并改善了机器人操作与自动驾驶表现。

多家媒体报道称，DeepSeek近期可能完成新一轮大额融资，规模从此前计划的500亿元上调至约1000亿元。同时，梁文锋正与具身智能创业者密集交流，探索大模型连接现实世界的新方向。

一项覆盖 700 多家软件公司的工程数据研究显示，AI 可能显著增加代码产量，却没有带来相应的软件交付增长。真正的瓶颈，或许已经从“写代码”转向了代码审查与合并。

ENCORE将少量机器人示范整理为可供编程智能体阅读的多视角证据，帮助其在任务描述不完整时生成并迭代操作策略。该方法在LIBERO-PRO和RoboDojo上展现出明显优势，并完成了真实双臂机器人的操作任务。