2026年10月13日,Nature Will 发布首个面向物理世界的基础模型 Natura-1。据 Testing Catalog 报道,该模型基于一百万小时人类操作不同场景与物体的第一视角视频数据训练,可处理此前未见过的物体和任务。报道称,Natura-1 支持细化到物体最终位置与朝向的指令,能在抓取姿态中途变化时保持控制,并可用左右手分别执行不同任务;在较长任务中,它能追踪已移动或已打开的物体,并判断下一步操作。目前尚无后续发展事实。
匹配字段摘要
2026年10月13日,Perplexity 创始人兼 CEO Aravind Srinivas 表示,公司营收同比增长 5 倍。他将这一增长归因于智能体热潮,并指出真正在电脑上执行任务的智能体需要网页搜索、浏览器以及能在多个 AI 模型之间切换的系统,而 Perplexity 在这波需求到来之前就已具备这三项能力。相关完整视频发布在 Molly O'Shea 的 YouTube 频道 Sourcery。目前该说法仅有这一条代表性证据,暂无后续发展事实。
匹配字段摘要
2026年10月14日,InternLM 发布面向多模态 LLM 流式空间智能的基准 OVO-S-Bench。据其官方项目介绍,该基准为全人工标注,包含 348 个源视频上的 1,680 道题,按瞬时自我中心感知、时空上下文追踪、空间模拟推理、异我中心建图四个层级划分。在 38 个闭源与开源 MLLM 上的评测显示,Gemini-3.1-Pro 以 59.2 分落后人类专家 86.6 分 27 分,异我中心建图被指为主要瓶颈;流式与空间微调模型反而不及自身基座,无流依据的思维链推理会放大空间错误。目前尚无后续发展事实。
匹配字段摘要
World Labs 于 2026 年 10 月 14 日宣布,其多模态世界模型 Marble 即日起向所有人开放,此前仅面向少量 beta 用户。据官方说明,Marble 支持从文本、图像、视频或粗略 3D 布局生成 3D 世界,并可交互式编辑、扩展和组合,生成结果可导出为 Gaussian splats、网格或视频;同时推出 Marble Labs 创作社区,提供案例研究、教程和文档。同一时间点的另一条官方信息显示,World Labs 曾推出 Marble 的有限访问 beta 预览,用户可在 marble.worldlabs.ai 查看和创建 3D 世界,给定图像或文本提示可生成可无限探索、无变形、无不一致的 3D 世界,相比此前结果更大、风格更多样、3D 几何更干净,并可将生成世界导出为 Gaussian splats,借助开源渲染库 Spark 集成到 Three.js 中,在桌面、笔记本、移动设备和 VR 头显上渲染。目前状态为正式开放。
匹配字段摘要
World Labs 发布了 RTFM(Real-Time Frame Model)研究预览,这是一个随交互实时生成视频的生成式世界模型,可用于探索生成的 3D 世界和真实场景,并已在浏览器中开放体验。据官方介绍,RTFM 基于自回归扩散 Transformer,不依赖显式 3D 表示,而是把输入帧转为 KV cache 作为隐式世界表示,并通过带位姿帧的空间记忆和 context juggling 实现长时间交互下的持久性。官方称其仅用单张 H100 GPU 即可达到交互级帧率,并预期更大模型随推理预算提升继续改进。目前该研究预览已开放浏览器体验,暂无后续发展事实。
匹配字段摘要
World Labs 发布 World API,开发者可通过该公开接口调用其多模态世界模型 Marble,从文本、单图、多图、360° 全景和视频生成可导航的 3D 世界。世界生成以异步方式运行,无需专有工具,生成结果可在浏览器渲染、导出到其他工具或接入交互系统与仿真管线。该 API 已用于游戏与沉浸式媒体、机器人仿真(可接入 NVIDIA Isaac Sim、MuJoCo、RoboSuite)以及建筑设计等场景,并通过 World Labs Platform 提供 API key 管理、用量计费和文档。目前尚无后续发展事实。
匹配字段摘要
2026年10月,World Labs 推出下一代世界模型 Atlas。据官方发布信息,Atlas 是一个从零预训练的多模态自回归扩散 Transformer,原生处理文本、图像、视频和 3D,所有输入被组合进共享的空间上下文。它支持像素级相机控制的图像与视频生成,可输出最长 1 分钟、1440p 的视频,并能从 1 到上百张输入图像重建真实场景,生成点云或 3D Gaussian splats。官方称其在相机控制生成和稀疏视图 3D 重建两项任务上优于专用模型。目前 Atlas 面向部分合作伙伴开放早期访问,并将用于 Marble 等后续产品。
匹配字段摘要
2026年10月14日,FireRedTeam 发布 DynamicPose 项目与预训练模型。据其介绍,DynamicPose 是一个由人体姿态序列驱动人像动画的框架,支持大幅动作与非写实场景,可从单张照片生成舞蹈视频;项目同时开源姿态服务器与姿态对齐算法,代码采用 MIT 许可。作者列出局限,包括侧脸易生成扭曲面部、复杂背景下难以区分人体与背景、手部持物时难以判断是否保留。后续将陆续放出数据清洗与预处理流程、训练脚本(DeepSpeed Zero2)以及 ComfyUI 和 Hugging Face Gradio 演示。同一时间点,FireRedTeam 还发布了 PhotoPoster 项目与预训练模型,该项目面向姿态驱动的图像生成,在 i2i 翻译中加入精修阶段,并已放出预训练模型和基于 FastAPI 的姿态服务器,同样采用 MIT 许可。
匹配字段摘要
哈啰 Robotaxi 推出生成式驾驶世界模型 HelloWorld。该模型围绕按需构建驾驶数据与交互式策略测试,整合场景控制、连续生成、多传感器观测与高效推理能力。据 IT之家·人工智能报道,模型支持用自然语言描述需求或直接编辑车辆、行人及运动轨迹,生成对应的多视角视频与激光雷达观测,并可切换雨雪、昼夜等条件,扩展真实采集中难以覆盖的长尾场景。目前尚无后续发展事实。
匹配字段摘要
2026年10月12日,Graylark Technologies CEO Daniel Heinen在LinkedIn宣布,其AI工具Raven(原GeoSpy)新增室内图像地理定位能力,可在全球数百万短租单元中定位室内图像。据404 Media调查报道,该工具可从Zillow、Airbnb等网站数据中识别照片对应的具体房产;演示视频显示,上传一张洗衣机照片后,Raven在数秒内锁定北卡罗来纳州夏洛特一处Airbnb房源。报道还称,洛杉矶警察局和迈阿密-戴德警长办公室此前已购买Raven访问权限。目前该功能已由CEO公开宣布,尚无进一步开发事实。
匹配字段摘要
Google Cloud产品管理总监Michael Clark在AI Business的Targeting AI播客中提出,企业要从AI中获得实际价值,应建立以信任、透明和互操作性为基础的AI工作流。他表示,系统间互联互通是生成式与智能体AI应用成功的关键,上下文(音频、视频、激光雷达、金融流数据等)决定智能体应用成败。他还指出,企业需明确业务成果与风险容忍度,并对超出阈值的环节保留人工介入。目前该观点由AI Business单一来源报道,尚无其他独立来源或后续发展。
匹配字段摘要
2026年10月13日,Apple 应用孵化器首期在北京举办最终展示日活动,Tim Cook 到场与学员庆祝成果。据少数派报道,AI 个人灵感购物助手 Viba 获得「加速先锋奖」,其产品已从美国拓展至墨西哥和巴西;为视障人士设计的无障碍应用豆芽看见在现场演示了视频通话与证件拍摄功能。该孵化器项目被视为已举办十年的移动应用创新赛的进阶版本。目前尚无后续发展事实。
匹配字段摘要
2026年10月12日,物理学家Alexander Unzicker公开批评数学家针对OpenAI 700篇数学预印本的声明,称其为“极其荒谬的胡说”,并将大部分批评指向转发该声明的Terence Tao。相关说法来自Rohan Paul发布的报道,并提到完整视频见“Unzicker's Real Physics”YouTube频道。目前没有后续发展事实,事件仍停留在该批评表态本身。
匹配字段摘要
2026年10月9日,Cloudflare 发布开源权重多模态决策模型 Clef-omni,可在一次调用中对文本、图像、音频和视频打分。据 MarkTechPost 报道,该模型基于 Qwen3-Omni-30B-A3B-Instruct 后训练,采用 30B 总参数、3B 激活参数的 MoE 结构,Apache-2.0 许可,定价每百万 token 0.15 美元。报道称其在意图分类任务上领先,CLINC150+OOS 达 97.7 macro-F1,但在推理与工作流评测上落后于 Clef,GPQA Diamond 为 47.4,而 Jev 为 78.3。同批更新还将 Clef-flash 价格降至 0.038 美元,并把托管 Clef 迁移到 SGLang,中位延迟从 262 ms 降至 152 ms。目前尚无后续发展事实。
匹配字段摘要
2026年10月11日,Odyssey 公开发布世界模型 Odyssey-3 的研究预览。据 The Decoder 报道,用户可用文本提示生成可实时探索的交互环境,开发者可申请 API 访问。免费在线演示基于 Odyssey-3 Flash,基础模型为 14B 参数、生成 832×480 视频,Pro 版支持 1280×720。公司称 Odyssey-3 Pro 在 Physics-IQ Verified 视频到视频基准得 66.1 分,但该成绩来自单次测试并采用八选一筛选,未满足基准要求的四次运行规则,四次运行平均为 63.37 分。目前尚无后续发展事实。
匹配字段摘要
2026年10月11日,Thinking Machines Lab发布从零训练的开源权重模型Inkling。据官方博客,该模型采用MoE架构,总参数975B、激活41B,支持最高1M token上下文窗口,预训练数据为45万亿token的文本、图像、音频和视频;原生支持文本、图像和音频推理,并可通过可控思考力度平衡性能与token效率。发布当日,Inkling在Tinker上开放微调,完整权重已上传Hugging Face。官方同时预览了12B激活参数的轻量版Inkling-Small,称其在多项基准上接近或超过Inkling,测试完成后将发布完整权重。同日另一篇官方博客提出开放权重模型的安全发布框架,披露对Inkling与Inkling-Small的评估方式,包括内部评测、四家外部机构红队测试和对抗性微调研究,结论是发布Inkling不太可能带来超出已有开放权重模型的实质性风险。
匹配字段摘要
2026年10月11日,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。官方博客介绍,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。官方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
2026年10月10日,Yuchen Jin发表观点,认为AI无法替代创意与判断力。其随后于10月11日发布的文章进一步阐述这一看法:一段AI生成的视频走红,但AI并非天才,真正关键的是懂得讲好故事的创作者;一款AI打造的产品起飞,关键也不是AI,而是知道该做什么的创始人和构建者。文章指出,AI是一项了不起的技术,但再多的技术也无法把坏点子变成好点子。目前该观点仅有Yuchen Jin本人的这一条代表性证据,尚无其他发展事实。
匹配字段摘要
研究人员开发出一种可从脑扫描重建所见图像的AI工具。据财联社报道,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
2026年10月10日,市场监管总局就《中华人民共和国食品安全法(修订草案征求意见稿)》公开征求意见。据上观新闻同日报道,此次修订涉及智慧监管、主体责任、重点领域监管、管理制度和法律责任五个方面。草案提出推动“互联网+人工智能”监管应用,要求企业在关键风险环节安装监控设备并将实时视频接入县级以上市场监管部门信息系统,同时赋予监管部门物联网监控、视频巡查等非现场检查权限。草案还增设“学校食品安全”和“网络食品经营”专节,明确校长(园长)负责制、集中用餐陪餐制度,以及平台、直播间运营者和直播营销人员的主体责任。目前该草案处于公开征求意见阶段,尚无进一步有证据支持的发展。
匹配字段摘要