NEWS DESK·新闻资讯
人工智能日刊 · 第 31 页
最近发布的产品动态、研究进展与行业消息。
订阅
切换主题
- 视频·
arXiv·
ReLift 通过修补轨迹改善视频 3D 跟踪
ReLift 先利用现有二维跟踪器和几何模型得到初始三维轨迹,再专门修复深度错误、对应关系错误和被遮挡部分的运动。 这种设计把训练重点放在轨迹修补,而不是重新学习整套图像理解。作者报告它能够复用于不同跟踪器和几何组件,并在 WorldTrack 基准上改善表现;实际效果仍取决于输入几何质量。 配图为 GETAI.APP 原创编辑插画,采用主题示意设计,非新闻现场实拍、官方产品界面或实测图表。

- 开发工具·
arXiv·
研究回顾:Mem0 为智能体整理长期记忆
Mem0 从持续对话中提取、合并并检索重要信息,避免每次都把全部历史塞进上下文。论文还介绍了使用图结构表示记忆关系的变体。 这份较早公开的研究在 LOCOMO 上比较了多类记忆方案,报告了准确率、延迟和 token 成本的改善。结果针对特定基准及配置,不能直接当成所有应用都能实现的节省比例。 配图为 GETAI.APP 原创编辑插画,采用主题示意设计,非新闻现场实拍、官方产品界面或实测图表。

- 研究·
arXiv·
PaddleOCR VL 1.6 针对薄弱区域改进训练
PaddleOCR-VL-1.6 沿用紧凑文档解析模型的方向,先找出上一版中不稳定、覆盖不足或标注不可靠的区域,再针对这些问题增强数据。 技术报告结合精选数据和强化学习进行渐进式后训练,而不是单纯扩大语料规模。作者在 OmniDocBench v1.6 上报告了提升,为文档模型的小规模迭代提供了可研究的训练路径。 配图为 GETAI.APP 原创编辑插画,采用主题示意设计,非新闻现场实拍、官方产品界面或实测图表。

- 研究·
arXiv·
ARIS 用不同模型交叉审查自动科研结果
ARIS 是一个自动科研执行框架,默认建议由一个模型推进研究,另一个模型家族的审查者检查中间产物并要求修改。它特别关注看似成功、实际上证据不足的实验结论。 报告介绍了研究技能、持久化知识库、流程编排和三阶段证据审查机制,逐项核对原始证据是否支持论文陈述。框架改进也需经过审查,而不是自动接受智能体自己的判断。 配图为 GETAI.APP 原创编辑插画,采用主题示意设计,非新闻现场实拍、官方产品界面或实测图表。
- 研究·
arXiv·
SmolDocling 用小模型保留文档结构与位置
SmolDocling 采用约 256M 参数的视觉语言模型,把整页文档转换为 DocTags 标记,记录内容、结构和空间位置,覆盖表格、代码、公式与列表等元素。 这篇早期技术报告强调端到端转换,减少多个专用组件拼接的复杂度。作者在不同文档类型中进行了比较,但模型大小和基准成绩仍不能替代对真实扫描件的测试。
- 研究·
arXiv·
NCM 先生成概念层次,再细化文本
Next-Concept Modeling 把文本编码成多层离散表示,先确定较粗的概念,再逐层细化;同一层中的编码可以并行预测,减少逐字生成的串行开销。 论文在语言建模、摘要和数独等任务上比较了质量与计算次数。作者报告部分设置下比所比较的扩散语言模型更快,但速度结论依赖参数规模、任务和采样预算。 配图为 GETAI.APP 原创编辑插画,采用主题示意设计,非新闻现场实拍、官方产品界面或实测图表。
- 音频·
arXiv·
OmniFlatten 研究能打断、能接话的语音对话
OmniFlatten 探索全双工语音对话,让系统在接收声音的同时生成回应,更接近人类对话中的插话、简短回应和语音重叠。 研究通过模态对齐、半双工和全双工三个后训练阶段,将文字模型逐步转换为语音文字对话模型。这是一项较早公开的研究,此次在趋势列表中重现,并非今天刚发布的新语音产品。 配图为 GETAI.APP 原创编辑插画,采用主题示意设计,非新闻现场实拍、官方产品界面或实测图表。
- 研究·
arXiv·
SUPRA Tex 按参考图补全 3D 材质
SUPRA-Tex 将单图材质生成分成可见材质估计、表面对齐和未见区域补全,先保留参考图中已有的证据,再生成其余部分。 系统用图像编辑模型预测分离光照后的材质信息,并把可见区域作为后续生成的固定锚点。论文报告了纹理对齐表现;未被拍到的表面仍由模型补全,不能当作实物扫描数据。
- 安全·
arXiv·
研究尝试让 AI 文本检测结果可以解释
一项研究使用稀疏自编码器提取文本检测器内部的特征,再筛选可用人类语言解释的概念,训练一个较轻的分类器。目标是说明模型为什么把一段文字判为 AI 生成。 作者报告了分布外文本上的表现,但检测输出仍不是作者身份或作弊的直接证据。研究解决的是可审查性问题,并没有消除误判或取代人工核实。 配图为 GETAI.APP 原创编辑插画,采用主题示意设计,非新闻现场实拍、官方产品界面或实测图表。
- 视频·
arXiv·
Hy Nomas 让视频世界模型连续接受指令
Hy-Nomas 采用 8B 扩散主干,支持多轮文字指令与连续相机控制。模型结合当前输入和缓存历史生成不同长度的视频片段,并让动作指令只作用于对应时间范围。 团队将文字交互、相机控制和模型自产历史逐步纳入训练,同时公开权重、代码与评测。它研究的是交互式世界生成,不能把生成画面的连贯性等同于真实物理仿真准确度。 配图为 GETAI.APP 原创编辑插画,采用主题示意设计,非新闻现场实拍、官方产品界面或实测图表。
- 音乐·
arXiv·
YuE2 先写乐谱,再生成完整歌曲
YuE2 将符号音乐规划和音频生成放进同一个系统:先生成可阅读的旋律与和声结构,再展开为音乐 token,最后生成完整歌曲音频。 论文通过专家听评比较有无符号规划,并展示根据乐谱编辑调整歌曲的能力。作者也报告了从多个候选中选优的结果,这类成绩应与单次生成表现分开理解。 配图为 GETAI.APP 原创编辑插画,采用主题示意设计,非新闻现场实拍、官方产品界面或实测图表。
- 研究·
arXiv·
研究回顾:时间序列也能预训练基础模型
一篇时间序列研究借鉴语言模型的预训练方法,将大量序列切成片段交给解码式注意力模型,尝试不针对每个数据集单独训练就进行预测。 作者报告,零样本结果在多组公开数据上接近专门监督训练的模型,并覆盖不同历史长度、预测跨度和时间粒度。这是趋势榜重新收录的研究,不是对所有现实序列都有效的预测保证。 配图为 GETAI.APP 原创编辑插画,采用主题示意设计,非新闻现场实拍、官方产品界面或实测图表。
- 机器人·
arXiv·
CaPtain 训练小模型用代码控制机器人
CaPtain 将机器人控制表达为调用感知、几何和受保护运动接口的代码,再通过监督微调及多轮强化学习训练小型视觉语言模型。 研究在模拟器中利用物理状态帮助分配训练奖励,但执行模型本身不读取这些特权信息。作者报告了多组机器人任务和真实设备实验,并公开代码、数据与权重;真实部署仍需独立的运动安全保护。 配图为 GETAI.APP 原创编辑插画,采用主题示意设计,非新闻现场实拍、官方产品界面或实测图表。
- 安全·
arXiv·
AI Infra Guard 分层检查智能体安全
AI-Infra-Guard 将安全检查分成基础设施、工具协议、智能体行为和模型四层,分别采用规则匹配、代码审查和行为测试等方式,而不是用一种检测器覆盖全部风险。 论文介绍了对 AI 组件、MCP 服务及技能包的审查能力,并将框架开放。它适合用于授权的防御性检查,测试覆盖范围和发现结果仍需结合具体部署环境核实。 配图为 GETAI.APP 原创编辑插画,采用主题示意设计,非新闻现场实拍、官方产品界面或实测图表。
- 开发工具·
arXiv·
研究回顾:Transformers 如何统一模型接口
Hugging Face 的 Transformers 早期论文介绍了统一模型架构接口和预训练模型集合的设计,让研究者能够扩展新架构,也让开发者更容易复用已有模型。 这份材料此次重新进入趋势列表,适合了解模型库的基础思路。论文中的架构与功能描述属于历史版本,当前开发应结合实际版本文档使用。 配图为 GETAI.APP 原创编辑插画,采用主题示意设计,非新闻现场实拍、官方产品界面或实测图表。
- 开发工具·
arXiv·
COLLEAGUE.SKILL 把经验资料整理成可修改技能包
COLLEAGUE.SKILL 从某个角色或个人提供的材料中提取实践方法、判断习惯和沟通规则,生成带版本的智能体技能包,方便检查、修正和迁移。 系统把能力知识和有限的行为风格分开管理,支持通过自然语言反馈更新或回滚。它表达的是经授权材料中的经验,不等于完整复制某个人,也不应把包装后的技能视为天然准确。 配图为 GETAI.APP 原创编辑插画,采用主题示意设计,非新闻现场实拍、官方产品界面或实测图表。
- 研究·
arXiv·
WeVisOne VL 统一物体定位、分割和 OCR
WeVisOne-VL 将物体级和像素级感知接入同一个视觉语言模型,覆盖检测、定位、计数、OCR、分割和抠图。模型通过特殊对象标记连接轻量像素解码器。 技术报告介绍了三阶段监督训练及混合任务强化学习,并在多项基准上测试表现。团队同时关注目标不存在时的拒绝响应,希望减少模型凭空定位物体的问题。 配图为 GETAI.APP 原创编辑插画,采用主题示意设计,非新闻现场实拍、官方产品界面或实测图表。
- 研究·
arXiv·
InteractiveWorld 测试 AI 能否指导人完成实物任务
InteractiveWorld 让 AI 助手在模拟环境中指导一个会观察、理解并独立行动的人类代理,检验多轮建议如何影响后续结果。 配套 InteractiveBench 包含 120 项任务。作者发现,前沿多模态模型在长流程指导和规划中仍有明显不足;该环境是可验证的研究工具,并不等于已经证明可穿戴助手在真实场景中可靠。 配图为 GETAI.APP 原创编辑插画,采用主题示意设计,非新闻现场实拍、官方产品界面或实测图表。
- 开发工具·
arXiv·
RAG Anything 把图表公式一起纳入检索
RAG-Anything 将文字、图像、表格和公式视为相互关联的知识实体,通过双图结构组织跨模态关系与文本语义,再结合结构导航和语义匹配检索。 论文尤其关注证据散落在不同内容形式中的长文档问答。作者报告了基准上的改善并开放框架,实际知识库仍需要检查解析质量和引用是否真正支持答案。 配图为 GETAI.APP 原创编辑插画,采用主题示意设计,非新闻现场实拍、官方产品界面或实测图表。
- 开发工具·
arXiv·
Zep 用时间知识图谱组织智能体记忆
Zep 的研究通过 Graphiti 将持续对话和结构化业务数据整合进具有时间信息的知识图谱,在保留历史关系的同时更新新信息。 论文在记忆检索及长期对话基准上报告了结果,强调跨会话信息综合和时间推理。这是既有研究的趋势回顾,报告中的延迟和准确率提升应按其基线设置理解。 配图为 GETAI.APP 原创编辑插画,采用主题示意设计,非新闻现场实拍、官方产品界面或实测图表。
- 研究·
arXiv·
OmniEdu 将解题与教学支持一起训练
OmniEdu 面向基础教育,把训练能力分为学科知识、课程理解、学习困难诊断以及教学支架,而不是仅按资料来源堆叠样本。 团队整理了约七万条训练示例,并微调不同规模模型,在解题、课程定位和辅导任务中测试。研究报告的是基准表现,并不意味着模型能够替代教师或独立决定学生的学习方案。 配图为 GETAI.APP 原创编辑插画,采用主题示意设计,非新闻现场实拍、官方产品界面或实测图表。
- 研究·
arXiv·
PDFMathTranslate 翻译论文时尽量保留版式
PDFMathTranslate 将语言模型与版式检测结合,翻译科学文档的同时尽量保留原有布局,让读者更容易对照公式、图表和正文。 相关论文介绍了开源工具在精度、灵活性和效率方面的设计。它可作为阅读外文资料的辅助工具,但复杂公式、跨栏结构和扫描质量仍可能影响转换结果,重要内容需要对照原文。
- 安全·
arXiv·
安全研究关注正常任务中的危险输出
一项安全研究提出“内部安全坍塌”现象:在某些专业任务条件下,模型可能持续生成有害内容,即使任务表面看起来属于正常工作。 作者用多个领域的场景建立测试,并报告部分前沿模型在受控条件下的失败情况。研究强调工具用途和任务验证方式会扩大攻击面,其最坏情况指标不能直接当作日常使用中的发生概率。 配图为 GETAI.APP 原创编辑插画,采用主题示意设计,非新闻现场实拍、官方产品界面或实测图表。
- 研究·
arXiv·
Prime Agent 把长期任务的上下文留在外部环境
Prime Agent 使用持久化 IPython 环境处理上下文和计算,并保存历史、记忆、技能及子智能体配置,支持长流程评测与编程任务。 框架将执行、恢复、验证和资源记录标准化,也提供人工查看和管理会话的界面。论文报告了若干基准提升,但具体结果依赖模型、执行框架和计算预算,不能只按单个高分比较产品。 配图为 GETAI.APP 原创编辑插画,采用主题示意设计,非新闻现场实拍、官方产品界面或实测图表。




















