arXiv 论文提出 DCAT：在多模态 LLM 中实现方向性跨模态对齐迁移
arXiv 论文（arXiv:2610.04580）提出 DCAT（Directional Cross-modal Alignment Transfer）框架，将数据充足、对齐良好的源模态 MLLM 的文本对齐迁移到数据稀缺的目标模态，无需进一步微调即可提升目标模态性能。
#多模态
新闻、仓库与研究，按时间排列。
arXiv · cs.CLAI 评分5151 arXiv · cs.AIAI 评分1010 Surya 太阳基础模型跨模态适配：从 He I 10830 Å 合成 EUV 图像与冕洞分割
研究人员将 Surya 太阳基础模型适配，从 He I 10830 Å 全盘氦线观测生成 SDO/AIA 94、193、304 Å 图像及冕洞概率图。在留出的观测数据上，三个 AIA 通道的日盘内相关系数分别达 0.8196、0.8885 和 0.8398，冕洞分割 IoU 为 0.4360。可选残差精修器将合成 AIA 304 与 SOHO/EIT 304 参考的相关性从 0.6511 提升至 0.7085，支持用氦线观测重建历史太阳 EUV 形态。
arXiv · cs.CLAI 评分2424 HSA-HER：面向放射报告生成的同质语义对齐与层级专家路由框架
论文提出用于放射报告生成（RRG）的两阶段框架 HSA-HER（Homogeneous Semantic Alignment and Hierarchical Expert Routing）。该框架先在潜在空间引入同质分布约束消除视觉与文本特征的跨模态分布偏移，再以疾病语义锚点引导层级专家路由，动态激活专家网络并对多源证据自适应分配融合权重。在三个主流基准数据集上达到 SOTA 表现。
arXiv · cs.CLAI 评分2323 基于 Twitter 数据的 Emoji 情绪排序系统研究
一项 arXiv 研究基于 2020-2025 年间收集的 100,000 条含 emoji 的 Twitter (X) 回复，构建 emoji 感知情绪分析框架，对每条消息分类 Happy、Angry、Sad、Fear、Surprise 五种基本情绪，并聚合情绪分数建立 emoji 情绪排序系统。
arXiv · cs.AIAI 评分4141 SNAP：更少 Decoder 更强 Encoder——从新视角合成学习几何表示
论文提出 SNAP，一种自监督 encoder-decoder transformer，通过位姿条件局部 decoder 和潜空间重建目标，解决新视角合成中空间表达力过强的 decoder 稀释场景 encoder、低层像素目标阻碍特征学习的问题。
arXiv · cs.AIAI 评分4545 4DCodeBench：通过代码生成评测智能体动态场景逆向图形能力的基准
4DCodeBench 是一个面向 4D 逆向图形的基准，要求智能体从视频中重建动态场景并生成可执行的图形程序，涉及形变、流体流动和断裂等物理现象。基准包含真实视频与合成场景，对前沿模型的测试显示，静态重建能力强并不代表能可靠重建复杂动态。
arXiv · cs.AI精选AI 评分5454 EyeRobot 2.0：用主动注视实现无需腕部相机的精准操作
研究者提出 EyeRobot 2.0 框架，仅用单个立体相机通过主动注视实现精细双手操作：双目视点转向对准 3D 注视点，图像按中央凹方式分配更多视觉 token。
推荐理由：原文给出主动注视框架在 1000 次真实与 1800 次仿真试验中的成功率对比数据，可据此评估去掉腕部相机后的实际代价与补偿效果。
arXiv · cs.AIAI 评分2424 转录组信息驱动的多模态 AI 从乳腺癌活检预测新辅助治疗疗效
研究者开发两阶段 AI 模型，从乳腺癌活检病理切片预测新辅助治疗的病理完全缓解（pCR）。第一阶段基于 8,742 名患者、32 种癌症数据从组织病理学推断转录组，第二阶段用推断表达和临床变量预测 pCR，在 1,412 名患者九个队列中达到合并 AUROC 0.79（95% CI 0.73-0.85），优于组织病理学标志物。
arXiv · cs.AIAI 评分3030 面向海洋环境监测的星载异常检测方案
研究者提出一套用于搭载多光谱/高光谱传感器的对地观测卫星的海洋事件检测管线，利用自监督神经网络编码器将卫星图像压缩到低维潜空间，再用机器学习异常检测模型识别海洋环境异常，并与 Isolation Forest、One-Class SVM、Local Outlier Factor 等传统算法对比。
arXiv · cs.AIAI 评分4141 LoGo：用局部-全局奖励实现长时程一致的视频生成
LoGo 是一种面向相机控制视频模型的后训练方法，将全局奖励与空间局部奖励结合：局部奖励提供细粒度 credit assignment，显著改善 3D 一致性，全局奖励则保持相机跟随与视频质量。在三个基础模型上，LoGo 在 DL3DV 与新基准 TrajectoryBench 上表现更优，有效减少局部物体偏移、伪影和全局场景变化。
arXiv · cs.AIAI 评分4848 HyperBrowseComp：面向网页浏览智能体的多语言多模态压力测试基准
研究者推出浏览智能体基准 HyperBrowseComp，包含 423 道人工编写并经人工校验的题目，覆盖 13 种语言，答案需通过多步线索链或检查视频、扫描文档、图像、地图等异构证据才能得出。团队在统一智能体协议下用厂商原生搜索与共享外部检索工具评估多个模型，并对部分题目做了人类评测作对照。
Google · AI 博客AI 评分2525 
Google 2026年9月AI动态汇总：Gemini 4 Argon、Gemini 3.8 Flash 与 WeatherNext 3
Google 发布9月AI动态汇总，主打新前沿模型 Gemini 4 Argon，具备高级推理与 1-million-token 输出上限，正通过 Fairwind Program 向可信网络防御者分阶段推出。
arXiv · cs.CLAI 评分4444 研究单语 RAG 中推理语言与查询语言对齐的作用
一项 arXiv 研究构建了基于桌游 The Dark Eye 的全德语单语 RAG 问答测试床，发现让 agentic RAG 系统的推理语言与查询和检索文档对齐能提升效果：强制德语推理优于强制法语，且检索上下文越丰富、越具结构感知时优势越大；但德语推理仅达到模型原生英语推理水平而未能超越，表明仍需原生多语推理。测试床与 QA benchmark 已公开。
Hugging Face Blog精选AI 评分7070 
Hugging Face 推出 Open TTS Leaderboard：多语言 TTS 与语音克隆的可扩展评测
Hugging Face 推出面向开源与多语言 TTS 的 Open TTS Leaderboard，用客观指标替代难以扩展的 arena 式人工投票。评测维度包括基于 Qwen3 ASR 的 WER/CER 可懂度、H200 GPU 上的 RTFx 与 TTFA 速度、以及 WavLM 嵌入余弦相似度（SIM）衡量说话人相似度，将单模型评测从数周缩短到数小时。
推荐理由：用 WER、SIM、TTFA 等客观指标把评测周期从数周缩到数小时，并解释了开源模型在 arena 榜单上代表性不足的原因。
Hugging Face · 趋势模型精选AI 评分5252 
复旦与腾讯混元等开源 Prism 动态稀疏注意力框架，支持 2K 原生视频音频联合生成
复旦大学、腾讯混元与浙江大学团队发布 Prism，一个面向 2K 分辨率原生视频音频联合生成训练的动态稀疏注意力框架，相比全注意力训练提速 2.5 倍且生成质量更高。项目页、训练/推理代码、技术报告与 preview 模型权重已在 Hugging Face 开放，预览模型支持 720p、1080p 和 2K 原生联合生成，训练需 32 至 64 张 NVIDIA 80 GB GPU，技术报告为 arXiv:2610.05416。
推荐理由：项目放出了预览权重并完整公开训练与推理代码，还给出各分辨率的 GPU 需求，便于读者评估复现成本。
Google · AI 博客AI 评分1515 
Google 展望 AI 的社会影响：从科研走向现实应用
Google 盘点了 AI 在社会影响领域的落地成果，涵盖疾病检测与防治、自然灾害预测、拓展学习机会和创造经济机会四大方向。这些能力已从理论研究转变为可衡量的现实影响，Google 正与全球社区和研究者合作，推动 AI 机遇惠及更多人。
Google · AI 博客AI 评分2727 
Google 用 AI 加速科学研究并改善生活
Google 宣布其技术现已支持超过 300 种语言，覆盖全球 86% 人口（70 亿人），并发布 AI 与经济 ATLAS 交互洞察。近期科学进展包括：AlphaGenome Atlas 开放预测人类基因组全部 90 亿种单碱基变化的影响；WeatherNext 3 全球天气模型降水预报提前一天以上准确度提升 50%；Planetary Prediction Engine 已用于刚果（金）埃博拉疫情并按 21 项 CDC 健康指标识别美国脆弱社区。
Hugging Face · 趋势模型精选AI 评分5858 
Google DeepMind 开源 EmbeddingGemma 2 多模态嵌入模型
Google DeepMind 在 Hugging Face 开源 EmbeddingGemma 2，一个 740M 参数的多模态嵌入模型，将文本、代码、图像、视频和音频统一映射到 768 维向量空间，支持 100+ 语言和 8K token 上下文。模型采用 MRL 支持截断到 128d 至 512d，可在 256d 内接近无损地降低向量存储成本，并允许按需加载视觉（170M）与音频（300M）编码器；文本编码基准 MTEB code 得分 78.68，较一代的 68.76 明显提升。
推荐理由：官方模型卡给出各维度基准分数、MRL 截断表和部署配置，对想在端侧做多模态检索的开发者是可落地的选型参考。
GitHub · Blender AI 插件AI 评分5656 xiaohai-uid 开源 blender-mind-mcp：MCP 服务器与 Blender 插件实现自动 3D 建模
xiaohai-uid 在 GitHub 发布 blender-mind-mcp，一套生产级 MCP 服务器加 Blender 3.x/4.x 插件，支持自动化 3D 建模、程序化资产生成、PBR 材质编写和多模态视口检查，提供 10 个 MCP 工具。针对 bpy 非线程安全的问题，插件用 queue.Queue 配合 bpy.app.timers 保证场景修改在主线程执行，并每次 AI 代码执行后支持 Ctrl+Z 回滚；架构上采用六边形架构，支持 Live Socket、headless CLI 和离线 glTF 模拟三种驱动，测试覆盖 4 级 Truth Ladder。
Ollama Blog精选AI 评分7575 Meta Superintelligence Labs 首个开放模型 Muse Glimmer 上架 Ollama
Meta Superintelligence Labs 首个发布的开放模型 Muse Glimmer 现已登陆 Ollama。该模型为 30B 多模态模型，专为本地运行的 Agent 工作负载构建，支持 128K+ 上下文，采用 Apache 2.0 许可证。
推荐理由：官方说明了在 Ollama 上运行该模型的具体命令、MLX 引擎的 DFlash 加速倍数和图像输入用法，可直接照做。