新闻、仓库与研究，按时间排列。
MoG-VLM 是一个运动自适应视频异常检测框架，用时间梯度幅度（TGM）做内容感知采样，仅在异常可能性升高的帧附近触发 VLM 推理。该方法在 XD-Violence、UCF-Crime、MSAD 和 ShanghaiTech 四个基准上分别取得 91.91%、84.30%、87.88% 和 78.96% 的 AUC-ROC，其中三个基准在 zero-shot、免训练设置下刷新 SOTA。在 XD-Violence 上较此前最佳提升 +0.57%，同时推理提速 1.31x，代码已在 GitHub 开源。
一篇 arXiv 论文提出“可争议治理”模式：基于 LLM 的专家智能体为有争议的元数据决策生成带评分和引用的论证，steward 可在提交前接受、拒绝、修改或补充论证，治理记录保留证据、干预与结果。工作流包含分级分诊路径、评分与记录模型及已验证决策的先例门控，版本化领域术语表为智能体提供术语与缩写定义。两个 HVAC 用例展示了基于 Brick Schema 的点位分类（附开源参考实现）和关联索赔字段、遥测与服务记录的保修失效模式决策。
开源仓库 UnifiedGroupGen 实现了群—轨道参数化与性质条件流匹配的材料结构生成，将空间群、层群和平面群编译为统一的结构展开、随机先验和训练接口，支持 MP20、C2DB、MPTS52 数据及两阶段 CFG 逆向设计。正式数据 102,608 条，联合划分 82,183/10,190/10,235；共享模型约 18,030,806 参数，1536 次采样中精确回收目标群 1526/1536。物理稳定性验证与公平基准比较仍待完成。
一项 arXiv 研究比较了 81 种语言中 196 个基本概念的关系结构，使用两个多语言模型的词嵌入进行量化。结果显示，社会文化语义的跨语言一致性高于自然与运动语义；社会文化领域内的差异随地理距离增大，亲缘更远的语言在所有领域差异都更大。
研究者推出 TRIAD 基准，用文本-图像-音频三元组评测全模态大模型的歧义消解能力，包含 327 个手写问题、86 个场景组和 18 类歧义。对 14 个全模态系统的评测显示，最佳模型的组级准确率仍落后人类 20 分以上；移除答案选项后模型组准确率跌至个位数，且现有系统在文本和图像并存时常低估音频线索。
研究者发布尼泊尔语-英语夹杂 ASR 基准，含 13,044 条自发播客语句（共 15.45 小时）。两阶段合成到真实适配框架中，仅用 0.95 小时 TTS 合成语音做 SFT，将 MER 从 23.40% 降至 21.52%，语言切换点错误率（SPER）从 35.89% 降至 28.77%；后续 GRPO 仅带来小幅统计显著调整。SFT 同时将尼泊尔语 MER 提升 2.71 pp，而英语词错率保持 3.38%。
论文提出 HFCMA 框架，用于细粒度图文检索，先通过动态粒度发现（DGD）将图像 patch 与文本 token 聚合为语义紧凑的视觉区域和文本短语，再把区域-短语匹配建模为熵正则化的最优传输问题，并引入背景去偏、文本重要性加权和原型一致性正则。在 Flickr30K 和 MS-COCO 上的实验表明，该框架在双编码器检索下提供了结构化局部对齐信息，提升了对细微语义差异的区分能力。
研究者提出视频中心深度研究报告生成任务，并发布技能工作流与评测基准 OmniDR-Bench。该基准包含 50 个中英文任务、覆盖 19 个真实子类别、共 6,414 条标准，并采用 Omni Atomic Rubric Trees（Omni-ARTs）从视听定位、多模态证据使用和交互式呈现三个维度评估。在 18 个智能体配置中，最佳系统仅得 63.3/100 分，代码与数据已开源。
研究者提出 RoSA，一个显著性感知微调框架，用于缓解长文本图文对齐中的「显著性坍缩」问题，即模型过度依赖视觉显著的文本而忽视非显著上下文。RoSA 将图文对分解为互补的显著与上下文视图，结合目标级视觉显著性估计与基于 LLM 的文本分解，并用辅助目标显式对齐两视图。该方法在多个 benchmark 上提升长文本检索性能，辅助目标即插即用，可为现有调优方法带来一致增益，代码与 checkpoints 已开源。
arXiv 论文提出 Dual Exam 评测框架，在物理、数字、社会和科学领域分别固定环境响应测试多模态智能体、固定动作干预测试世界模型。Agent 赛道含 1,088 项、15 类报告维度的 10 种配置，GPT 6 Astra 以 31.3 的 Agent Index 居首；World Model 赛道含 400 个案例、8 个场景，GPT-Image-2 以 21.7 的全覆盖总分领先。150 个案例的耦合试点任务成功为零，揭示了任务表现不均与任务相关状态保持失败的问题。
研究者提出 MQAScore，利用大型音频语言模型（LALM）对二元问题的肯定回答概率，沿流派、乐器、情绪主题、人声、用途五个维度逐一验证原子音乐概念。他们还基于存在/缺失标注和 LLM 引导的概念替换构建验证标签，并提出 Sensitivity-Invariance Ratio 衡量评估器对改变语义替换的选择性响应。实验显示概念级评分可提升问答式与相似度式评估器，MQAScore 可作为全局相似度的可靠、可解释细粒度补充。
研究者提出一种 codebook-free 方法，在 Fisher Kernel 框架内编码多尺度 CNN 特征的二阶信息，用于缺乏几何不变性的图像聚合。该向量的判别力在 INRIA Holidays 和 UKBench 两个困难基准上得到验证，检索精度较 state-of-the-art 显著提升，维度仅略微增加。
一项多语言研究发现，LLM-as-a-Judge 评估中的提示策略不可跨模型迁移：评测模型的选择比提示策略的选择影响更大，同一策略在不同 judge 上效果方向会反转，且低资源语言下稳定性下降。研究测试了 9 种提示策略、4 个开源 judge 模型、27 种语言、4 个任务共 13 个数据集，产出超 100 万条基于标准答案的点对评分，并经人类判断验证。研究建议提示策略应针对具体评估场景验证，跨研究比较需同时考虑 judge 与提示配置。
GitHub 仓库 raguram-3398/AI-engineer 通过一系列自包含、带 README 的可测试项目，展示如何构建可靠的 AI 软件，包含两个已上线的 AI 产品。Sales Call Intelligence 每通电话约 $0.06，代码测试覆盖 95%，隐私测试移除 27/27 项个人信息；Multimodal RAG Engine 基于 52 份 FDA 文档（2,313 页）问答，92% 的答案声明可由引用页面支撑，20/20 道陷阱问题被拒答，每次回答约 $0.001。
AuroraTTS-100K 是一个英文文本转语音模型，参数量不到 100K 即可生成基本可理解的语音。INT8 量化后仅占 127KB，在 CPU 上达 72 倍实时速度、GPU 上达 1120 倍；但遇到难词或长数字时可能含糊不清。
Microsoft AI 发布顺序诊断基准 SDBench 和 AI 诊断系统 MAI-DxO，相关论文发表于 Science。该组合用于评估和提升 AI 的顺序诊断能力。
Microsoft AI 的 MAI Diagnostic 系统诊断准确率达到急诊医生的 1.7 倍，即使医生可联网查资料时依然如此。该系统成本更低，得出诊断所需的医学检查也更少。相关成果已发表于 Science 期刊，由 Mustafa Suleyman 宣布。
HuggingFaceBio 发布 Carbon-X，一个 14.8B 参数的 decoder-only 模型，在 Qwen3-14B 基础上用 DNA 序列与自然语言联合训练，可在普通对话中直接分析原始 DNA 并用英文回答。混合 tokenizer 用 BPE 处理文本、以 6-mer 编码 DNA，无独立 DNA 编码器；五个 DNA 基准平均 66.7%（关闭思考），比 Qwen3-14B 高 27 分，接近 GPT-6.1 Sol 的 67.5% 而推理成本约其 1/1,800；估计分析 ClinVar 240 万个意义不确定变异约需 $300，而所测前沿模型需 $32,000 至 $400 万。
推荐理由：原文给出五个 DNA 基准的平均分、与基线模型的差距和成本对比，可据此评估这个 DNA 微调模型的实际水平。
参赛队「广州智行科技」开源千问杯多模态推理大赛最终第3名（获2万元奖金）的完整方案：在 Qwen3.5-0.8B 上先蒸馏 Qwen3.6-27B 的 113K 样本做 SFT（初赛 41.8 分压线晋级），再用 GRPO 30 步小剂量 RL（决赛榜 20.2 分，第 9/20），答辩后终评第 3。仓库公开训练/导出脚本、真实日志与技术报告，权重托管于 Hugging Face；核心发现包括 RL 剂量轴在 30 步达峰、同权重 ZIP CRC 消融证明采样解码白送约 3 分、0.8B 模型 RL 池内学习量与平台分强反相关。
推荐理由：作者用同权重 CRC 消融和剂量轴实验分离出每个增量的因果证据，0.8B 小模型 RL 剂量与遗忘的权衡刻画对类似场景可迁移。
Hugging Face 发布卫星嵌入模型 OlmoEarth v1.3，可读取一整年的 Sentinel-1 雷达与 Sentinel-2、Landsat 多光谱数据，为全球每个 10 米像素生成 128 维嵌入向量，并同步公开全球预计算嵌入及浏览器工具 Embeddings Explorer。在 27 项评测中，其 128 维嵌入在 20 项上领先 AlphaEarth Foundations（AEF）和 Tessera v2，64 维版本在 18 项上领先；模型权重、预训练数据与代码全部开源，复现一次最终训练约需 $2,720 的 H100 租用算力。
Picsman 可将两张人像转化为电影感的僵尸情侣视频，涵盖视觉效果对比、场景保真度与角色一致性等维度。文章还介绍了其具体的视频生成方法。
KAIST 团队开源了 MUNI（Multimodal Unified Latent Diffusion）的官方 PyTorch 实现，该工作已被 NeurIPS 2026 接收。MUNI 通过 product-of-experts 或 Hellinger 聚合结合模态特定高斯后验，并与基于 flow 的潜在先验联合训练，实验覆盖 image-text-audio、PolyMNIST-Quadrant-Labels 和 GMM 三类任务。代码需 Python 3.10 和 PyTorch 2.9.1，图像渲染默认使用 Stable UnCLIP。
OpenArt 宣布 Kling 4.0 上线，支持首、中、尾帧引导视频，最多可使用 10 张参考图。该平台支持文本或帧生成与视频编辑，All-in-One Reference 用一个模型完成生成和编辑。11 月 20 日前 Pro 和 Wonder 套餐享 50% 折扣。
可灵宣布 Kling 4.0 已在 OnSolo 上线。模型支持单次生成 30 秒原生视频，在大动作和运镜下保持稳定，配备立体声与更准的口型同步，并提供 21:9 宽屏。单任务可叠加最多 15 个参考图和 10 个关键帧，以保持角色、镜头与剧情一致。
Zeon7744 在 GitHub 开源 pic-workflow，一个面向个人创作者的“图片→视频→成片”多模态生产引擎，覆盖短剧、营销图与创意内容。工具含核心引擎与 SOP 模板，定价分 Free（¥0，每天 1 次生成）与 Pro（¥99/月，不限次，含角色一致性引擎与四维风格矩阵），通过爱发电收款，商用需遵守平台 AIGC 标注要求。
一项 arXiv 研究评估了三个 LLM 基于部分已知回答预测问卷缺失题项回答的能力，并与最大化 embedding 相似度的简单基线对比，数据来自两项关于自动驾驶或轻型电动车态度的调查。结果显示 LLM 大多优于基线，但随已知回答比例下降，其表现持续变差，在其中一个调查中降至与基线持平，表明其数据增强能力依赖足够的人类数据。
arXiv 论文提出 MPIXEL 像素语言模型系列，沿更多语言、更多文字、更大模型容量三条轴扩展多语言预训练，在覆盖 83 种语言的五项任务上评估。结果显示扩展呈局部效应：各轴仅提升新增语言与文字，更大容量可缓解多语言诅咒；对未见文字的迁移随多语言预训练改善但不随扩展继续提升。这些模型在多种文字系统的低资源语言上超过 subword 与字符级基线。
研究者构建了包含 60 余万条样本的罗马尼亚语-英/德/法/意混合语言讽刺检测数据集 CS-SeLeRoNa 及人工校验的 CS-SeLeRoNa-Gold 基准，采用随机替换、短语翻译、依存句法分析和 LLM 四种方法生成语料。评测显示，老一代开源模型 macro-F1 降至 37%-55%，Gemma 4 31B 零样本达 68.1%，接近 GPT-5 mini 的 69.5%；微调后 Gemma 4 31B 在 CS-SeLeRoNa 上达 77.5%、gold 基准上达 72.6%，超过前沿模型零样本基线。
研究者提出 MHG-Mem，一种多模态超图记忆，联合组织实体身份、状态演化及到视觉证据的溯源，并以超图智能体搜索进行跨层遍历与细粒度验证。在三个 benchmark 上，MHG-Mem 较最强基线提升 8.20-9.98%。
论文将 Gemini 3.8 Flash（temperature 0）作为事件触发跌倒筛查器的决策端，零样本判定 32x24 公开热成像数据集中的短片段：438 次摆拍跌倒中被叫出 67%（留出受试者 69%），499 个非跌倒窗口无一误报。在 160x120 有人居住房间 76 小时录音中，395 个日常片段零误报，9 次可见摆拍跌倒捕获 4 次；删除提示词中一句关于离开视野的警示后，敏感率在家用场景升至 9/9，但会把故意躺下误判为跌倒。8x6 像素下敏感率降至 34%，而两个传统检测器在实验室近乎全中却在家庭场景每天误报 14.2 和 23.9 次。作者公开了帧级跌倒标注和全部模型回答。
推荐理由：论文用真实部署口径实测多模态 LLM 做热成像跌倒筛查，给出了敏感率与误报数据，并指出提示词一句话对结果的显著影响。
arXiv 论文（arXiv:2610.30026）指出，主流文档转换器会丢失作者通过排版编码的含义，导致企业 Agent 自信地答错而非明显不完整。基于 76 份真实政策文档的任务上，格式盲摄取使 micro F1 从 0.690 跌至 0.150（docling）和 0.075（纯文本），差距在两个厂商的六个回答模型上复现；span 级 leave-one-out 将损失定位到高亮（+0.302）和颜色（+0.262），6,460 份文档中 32.8% 带有刻意颜色或高亮。结论是可靠性取决于摄取而非推理，修复方式廉价且可测量。
推荐理由：研究用 76 份真实政策文档量化文档摄取层丢失格式线索的程度，并给出低成本可测的修复方向，对 Agent 构建者有直接参考价值。
研究者推出 BatchBench，一个评估 AI 系统在生物医学图像上对未见实验批次和数据来源的鲁棒性排行榜。它基于最大的公开生物医学成像数据集之一 JUMP-CP 构建，该数据集由 Cell Painting 实验生成，存在明显的批效应和域偏移。摘要指出，尽管域自适应方法已有进展，域偏移下的性能差距仍然显著。
研究者推出 MOSAIC 基准，包含 923 个问题，覆盖 11-24 个会话的文本、图像、视频、音频人格化历史。该基准通过冻结问题、读取器、提示词与预算，对表示、检索、传递环节进行干预诊断，发现表示损失依赖模态、即使有金标准证据读取仍是主要瓶颈，且拒答能力弱。MOSAIC 将全模态记忆评测从排行榜转变为对写入、检索、传递、读取各环节失败的诊断。
研究者提出多模态海洋基础模型 YingLan，融合物理属性条件动态编码、Spatiotemporal Increment Coupling（STIC）与海洋状态演化感知预训练，统一处理卫星影像、网格化海洋场和浮标观测等异构数据。模型基于 MindSpore 实现，在华为 Ascend 910B NPU 上训练；在深圳近海七天海表盐度预报任务中，平均 RMSE 为 0.687508 PSU，较 LangYa、XiHe、GloNet2 分别降低相对误差 0.58%、5.31% 和 12.42%。
Johns Hopkins 团队提出 OpenMAP-HIE，一种病理引导的 score-based 扩散模型，无需体素级标注即可在 ADC 图像上无监督定位新生儿缺氧缺血性脑病（HIE）病灶。方法用扩散模型学习健康新生儿 ADC 分布，并以 ControlNet 条件分支保留患者解剖结构，在 BONBID-HIE 数据集上取得 Dice 0.283±0.244，加入群体 ADC Z-map 精化后 Dice 提升至 0.602±0.269。
研究者提出 LLMSeg，一种免训练管线，将支持视觉的多模态大语言模型直接变成文本提示图像分割器，无需分割头、mask 解码器或专门训练。方法将分割分解为 detect、segment、refine 三个 LLM 驱动阶段，用闭合周期 B 样条勾勒边界并迭代修正。基于现成的 Gemini-3.7-Flash，LLMSeg 在 ReasonSeg val 上达到 71.5 cIoU，与专门的 SAM 3 相当甚至更优，代码已开源。
MERP 框架通过将多模态序列映射到固定大小的潜在库进行推理，提升模态缺失时的情感识别鲁棒性。在 20% 测试期随机模态缺失下，它在 CMU-MOSEI 和 M3ED 上分别取得 0.563 和 0.780 micro-F1；在 CMU-MOSEI 仅音频的严重场景中保留 0.473 micro-F1，远超 LDDU 的 0.022。该方法无需训练时的缺失模态样本，代码已开源。
一项 arXiv 研究发现，大型音频-语言模型（LALMs）难以定位音乐中被描述的时刻，但这并非时间信息缺失，而是 prompting 提取方式的瓶颈。研究基于 Slakh2100 stem 激活构建配对查询探针，对同一段音频同时施加状态查询和变化查询，并改变模型可见的前置音频量。结果显示，状态查询无需上下文即高于基线，变化查询在多数短段模型中随前置上下文改善，而 30s padded 编码器无类似恢复；prompting 失败低估了模型可验证的内容，但未低估其可定位的内容。
研究者提出一套边缘可部署的蜂箱巢框检测流程：用目标检测器识别具生物学意义的巢房类别，将检测结果蒸馏为结构化事实模式，再转为受约束的事实文本并触发知识库，生成可解释、可执行的蜂群检查报告。系统基于开源 FAIRHiveFrames-1K 数据集构建，并额外发布将图像事实与文本解释互相对应的 FAIRHiveText-1K 数据集，便于后续基于 LLM 的研究。
一项 arXiv 研究显示，在 Director Task 中，先询问模型“导演能看到哪些方块”再让它执行“选最大方块”的指令，会使 GPT 六个模型选择被遮挡方块的比例上升 12 至 88 个百分点，Qwen3.8-27B 上升 17 个百分点，尽管模型大多能正确报告导演视角。原因在于该问题改变了模型对请求的解读方式；当提示词明确说明导演所知所指时，正确报告与误选隐藏方块同时出现的比例不足 1%。作者提出仅差这一问的成对提示词设计，作为任何视角采纳基准可用的无问题基线。