新闻、仓库与研究，按时间排列。
研究者推出全模态视频定位与理解 benchmark OmniCompass，含 OmniCompass-VL 与 OmniCompass-AV 两条评测轨道，各含时序定位（TG）、空间定位（SG）和问答（QA）三类任务。OmniCompass-VL 含 820 个视频、2,460 个实例，OmniCompass-AV 含 240 个视频、720 个实例。对 50 个 MLLM 的评测显示开源模型仍落后闭源模型，尤其在视听理解方面，时序与空间定位对领先模型仍是挑战。
Varest 提出基于语义可替换性的图像 token 压缩方法：对象与文本定位器引导变分辨率合并以保留边界和文字细节，学习型 [REL] 寄存器在解码器早期处理后剪枝视觉 token。该方法在每个预算下的平均性能保留率均超过 15 个基线，在 3 个 backbone 和 13 个 benchmark 上仅用 5.56% 的原始图像 token 即保留 86.10-92.33% 的全 token 性能。
Rong Li 等在 arXiv 发布 GeoReader 框架，训练轻量 Geometric Reader 生成连续几何 token 注入 VLM，几何描述仅作训练目标，推理时无需生成几何思维链。用 RGB 图像预测几何后，Qwen3-VL-4B 在 MindCube-Tiny 达 94.3，Qwen3.5-9B 配多源 QA 混合数据在六个空间基准平均得 72.5；论文还发现已有特征对齐模型清零对齐 latents 后准确率不变。
论文提出 AesCode，通过将设计目标表示为可归因属性的 design graph，结合确定性校验器与 VLM judge 的 Visual Graph Rubric 构建解耦跨模态奖励并用强化学习优化，以代码生成幻灯片、海报、仪表盘等视觉产物。AesCode-8B 和 AesCode-32B 相对同规模 Qwen3-VL 基线将视觉质量分别提升 31.1 和 22.4 个百分点，达到接近 GPT-5.5 与 Claude Opus 4.8 等闭源前沿模型的水平。
Hugging Face 上出现 gbuzhf/MiniCPM-V-4.7-35B-A3B-Uncensored-Sangreal-ICE 模型仓库，归类于“新模型：uncensored”。仓库公开可访问，但用户需登录并同意分享联系信息、接受相关条件后才能获取模型文件与内容。
GitHub 仓库 AbrahamPaulJ/nightmare-mobile 发布，一个安卓节点图应用，在 Qualcomm Hexagon NPU 上离线运行文生图、图生图、inpaint、放大、图像编辑与文生视频，无需服务器或账号。
推荐理由：README 详细列出了各芯片档位支持的模型、显存与授权条件，安卓用户可以直接判断自己的手机能跑哪些本地生成流程。
AffectWorld 基准通过 Emotion-Action-World State 链条评估世界模型，涵盖世界状态一致性、情绪-行动一致性和因果一致性三项任务，共含 1,498 个日常视频样本及 233 个反事实样本，并定义八项指标加一项反事实指标。对 Cosmos3 等五个 SoTA 世界模型的评测显示，其世界状态变化分数仅 0.100-0.280，反事实情绪敏感度 0.027-0.070，表明模型在情绪驱动后果生成上仍有较大差距。
ShoeFit 提出 MVShoes 多视角鞋类试穿数据集（7305 组标注图像三元组）与双流 DiT 架构，通过 Multi-View Conditioning 结合 3D Rotary Position Embedding 缓解视角错位，并利用 LayeredRefAttention 借助背景特征调制鞋类 latent 以减少背景导致的色彩失真。实验表明该方法在真实商品鞋的高保真试穿合成上显著提升渲染保真度与鲁棒性，已被 NeurIPS 2025 接收。
EgoOmniWorld 提出以 Ego-Action-World 交互回路统一第一人称视频理解，基准按 Node、Edge、Chain、Loop 四种交互结构组织，包含 24,166 组 QA（20,284 训练、3,882 测试）。实验显示开源与闭源多模态大模型在各交互结构上存在明显且不均衡的短板；用该基准训练可提升域内交互理解并泛化到既有第一人称基准。数据、代码与模型将开源。
arXiv 论文提出 PACT，一种面向目标空间的提示词框架，用于保留语音者身份与情感、语调、节奏等语用信息的语音到语音翻译。该框架从源语音提取语用线索，投影到目标语言表达空间并校准后，转化为连续提示词驱动冻结的语音生成器。在双向西班牙语-英语 TOPI 评测中，PACT 在内容保真、音色保留与表达保留指标上综合表现最佳。
研究者提出 PAINT 多语言疼痛表征框架，包含覆盖英语、西班牙语、葡萄牙语和日语的九个数据集分区，全部配有临床医生标注。该框架借助 LLM 集成策略提取疼痛相关性、存在性、解剖部位与人口学信息，集成标签在疼痛相关性与存在性上 macro-F1 达 0.91-1.00，人口学信息准确率 92-100%。相关标注数据、抽取流程与验证脚本已随 WorldMedQA-Pain 公开发布。
一项 arXiv 研究将多语言语言模型的颜色表示分解为两个几何维度：与感知颜色空间（CIE-LAB）的对齐程度和跨语言对称性。研究发现感知基础较弱——对齐在中间层达到峰值后在输出层坍缩，且跨语言对称性随深度下降。模型在 P1 对齐峰值层的颜色分类准确率达 96.7%，P1 对齐与下游能力显著相关（r=0.70），表明纯文本模型学到的是通用的颜色-语言几何而非颜色-感知几何。
arXiv 论文 2610.18343 用 BAVGROUND 基准在巴伐利亚语、标准德语和英语上评估 14 个开源 7B–10B 指令模型的量化鲁棒性。8-bit GPTQ 接近 BF16 且基本保持三语相对行为；4-bit GPTQ 与 AWQ 使平均准确率下降约 1.4–1.5 个百分点，改变 11.9–16.0% 的 BF16 决策，且 5 个模型的自由文本评测显示 4-bit 压缩在选择题准确率变化不大时也可能劣化生成回答。受影响最大的语言随模型、量化方法和校准数据而变，不能仅凭聚合多语言准确率衡量。
作者在 arXiv 发布技术报告，宣布从零训练出 2.5B 参数的泰米尔语-英语模型 Agaram 2.5B 并开放权重。
推荐理由：作者公开了从训练配置到评测弱点的完整细节，包括约 13300 美元成本和知识能力的短板，可作为小语种模型从零训练的参照。
一项 arXiv cs.CL 研究提出用语音 LM 直接从语音信号估计 surprisal，摆脱依赖文本转录的瓶颈。该工作引入重要性采样估计器，通过 TTS 模型对抽象语言单元的多种声学实现边缘化，在瞳孔测量听感实验中，发现该方法比逐实现估计更准确预测瞳孔扩张，亚词汇单元的 surprisal 也有预测力；但整体上 surprisal 对瞳孔变化的预测力不强。
多语言稠密检索器将所有语言放进一个共享向量空间，但同一问题用不同语言提问会检索出明显不同的文档；各语言单独排序表现一致，分歧仅在共享索引下出现，正确答案被同语言或英文的无关文档挤到靠后位置。研究提出 disagreement-guided steering 方法：对比各语言一致文档与该语言特有检索文档的表示差异，得到语言专属方向并在推理时加到对应语言查询上，相比 language-mean removal、subspace removal 和 per-language rotation 等基线最能减少同语言挤占，同时在 recall 上保持竞争力。
arXiv 论文 arXiv:2610.16135 提出全模态大语言模型（Omni-LLMs）存在 knows-but-cannot-say 现象，即模型能正确感知视觉、音频、IMU 等非文本模态信息，却无法在回复中表达出来。作者提出 token 级模态对齐指标 TMA，发现非文本表征与回复 token 的对齐度和获得的注意力都低于文本表征，并提出 perceive→infer 策略 OmniCatalyst，用模型自生成的文本补充原始模态输入；在七个 Omni-LLM 上平均提升 7.29%，使模态偏好更均衡，知识提取阶段会提高 TMA。论文共 36 页、25 图、14 表，代码已开源。
arXiv 论文提出 Choice2Seq 诊断基准，用序列构造保持率（SCR）衡量模型选对答案后能否通过局部决策序列正确构造出该答案。Jev 在算术和词法检索上的选择准确率达 97.1% 和 99.5%，但串行构造下正确率仅保留 33.0% 和 2.1%；StartLux 与 Qwen 也存在明显差距。限制局部候选字符可改进构造，显式位置索引可提升复制保真度。
RunAnywhereAI 开源 runanywhere-sdks，一套 C++ 核心加八个 SDK（Swift、Kotlin、Flutter、React Native、Web、Electron、Python、wally CLI），在手机、浏览器、桌面和服务器上本地运行 LLM、VLM、语音、RAG、嵌入和 Stable Diffusion 图像生成，默认离线。
推荐理由：用一套 C++ 核心和八种语言 SDK 把 LLM、语音、视觉与图像生成统一到本地推理，还给出 Snapdragon NPU 上的实测吞吐数据。
Google 发布 Gemini 4 Argon，面向开发者、企业和消费者全球开放，API 定价为每百万输入 token 2 美元、输出 token 10 美元，支持 1M 输入输出 token 上限。模型在 Vals Index 排名第一，ERQA 具身推理基准得 87%，在 Antigravity 中使智能体代码提交量增加超 35%、回滚减少近三分之一；安全方面对抗性违规减少近 2 倍，Gray Swan 间接提示注入基准下 15 次自适应攻击成功率降至 0.7%。
推荐理由：官方发布给出工程、科学与机器人三线的实测数据，可用于评估该模型在长程复杂任务上的真实表现。
作者发布 Basalt，一个面向 Qwen 3.8 Flash Next 的推理引擎，从 Strata fork 并针对 Blackwell 深度调优，仓库在 github.com/jesdga95/basalt。新增 --vision dynamic 模式让图像编码器平时驻留 RAM、空闲时几乎不占显存，图像到达时借用 expert cache 槽位上传编码器（约 30 ms）编码后再回填（约 60 ms），不发图即零开销且不影响文本性能；编码器用 Basalt 自带 kernel，速度最高达 llama.cpp 的 3 倍，并给出移植用的 commit（9bfb90a、a704c65、efd23d9）。
推荐理由：作者给出动态视觉编码器的具体显存与耗时数字，其他引擎可按提供的 commit 直接移植这套做法。
Black Forest Labs 在 Hugging Face 开放 FLUX 3 Image Klein 权重，这是一个 5.6B 参数的文生图与图像编辑模型，支持最多 10 张参考图，以 Qwen3-VL-4B-Instruct 作为文本编码器。仓库含 BF16 蒸馏版及 FP8、NVFP4 量化变体，B200 上 1024x1024 推理峰值显存 BF16 为 31 GB；蒸馏版 16 步采样供自托管与 BFL API 使用，未蒸馏 Base 版用于微调与 LoRA 训练。模型采用 FLUX Kommunity License v.1.0，年收入低于 500 万美元的 Qualifying Users 可商用输出。
推荐理由：模型卡同时给出蒸馏与未蒸馏两个检查点的定位、显存占用和许可证门槛，方便自托管者判断选哪个版本。
开源工具 VidLens-YouTube-Summarizer 支持粘贴 YouTube 链接后自动提取字幕、音频与画面，并调用阿里云百炼的 qwen-plus、qwen-vl-max 和 paraformer-realtime-v2 生成结构化中文总结。工具采用字幕优先的降级链、按文本密度（阈值 1.2 字/秒）自动触发视觉识别，长音频切段并发识别可将 38 分钟音频的处理从约 10 分钟压到约 2 分钟。提供 Gradio 网页界面与 CLI，结果可一键打包下载，仅在 Windows + 国内网络环境完整验证。
mightymax-vscode 扩展将 MiniMax M 系列模型接入 VS Code，支持流式对话、思考过程展示、图像分析和智能体工具调用，通过 .vsix 文件安装，需配置 MiniMax API key。API key 本地存储，仅聊天消息和上传图片发送至 MiniMax 处理；要求 Windows 10/11、4GB 内存和 VS Code 1.80.0 以上版本。
GitHub 开源项目 AI Podcast Clipper（ApcH）可自动将长播客视频转为竖屏短视频。系统用 Gemini 2.5 识别 30-90 秒的精彩问答片段，WhisperX large-v2 提供词级时间戳，Columbia ASD 追踪说话人实现智能裁剪，输出 1080x1920 竖屏视频并叠加英文或韩文字幕。后端运行在 Modal.com 的 L40S GPU 上，前端采用 Next.js 15。
开源项目 springboot-ai-integration 基于 Java Spring Boot 与 Maven 构建，集成 Ollama 实现文本与图像生成，提供 REST API 和网页界面，前后端分离。应用面向 Windows 10 及以上系统，要求 4 GB 内存、JRE 11 及以上，可从 releases 页面下载 .exe 或 .zip 安装包。
开源项目 CineMatch 结合 LLM 增强的向量嵌入与基于图的协同过滤（XSimGCL），提供跨文化、多语言的个性化电影推荐。系统将 MovieLens 32M、TMDB（约 137 万部）与 IMDb（约 73.8 万部）合并为统一目录，用 BAAI/bge-m3（1024 维）编码并采用 FAISS 检索，评分质量门控仅使用 IMDb 数据并配合 DPP 多样性重排序。前端为 Next.js 16，后端为 FastAPI，并配备每周自动更新管线以纳入新片。
教育工具 AskCyph Health Explorer 通过双模型架构解析单字母 DNA 突变如何致病、改变 3D 解剖与遗传概率：调用 Google DeepMind 的 AlphaGenome API 预测调控变异效应和剪接破坏，MedGemma 1.5 4B 经 WebGPU 与 ONNX Runtime Web 100% 在本地浏览器内运行做隐私解释器。变异细节、OMIM ID 与药物审批来自 NCBI ClinVar、openFDA 和 ClinicalTrials.gov 注入提示词；权重约 2.8 GB 压缩存储、本地缓存，无需登录、免费。
开发者发布开源工具 AlphaVision-Bridge，用 Python 和 WebSockets 将 MateEngine 桌面伴侣接入 Google Gemini 多模态视觉 API 与 SillyTavern，实现本地屏幕画面捕获和摄像头视频帧的实时采集并流式传输给 Gemini，使屏幕伴侣能动态响应用户操作。项目已在 GitHub 开源，作者征求对帧处理循环和提示词时序的反馈。
MiniCPM-V 4.7 系列发布 1B 版本，官方称在 Instruct 模式下基础能力较 MiniCPM-V 4.6 提升，整体得分和推理效率均优于 Qwen3.5 0.8B。该模型基于 LLaVA-UHD v4 的 intra-ViT 早期压缩技术，支持 4x/16x 混合视觉 token 压缩，支持 iOS、Android、HarmonyOS，提供 Rockchip、后摩、Intel、AMD、Arm 等芯片 day-0 支持，兼容 SGLang、vLLM、llama.cpp、Ollama，提供 GGUF、BNB、AWQ、GPTQ 量化及 FP8 支持，并发布 Self-Replay Fine-Tuning 微调方法。
openbmb 在 Hugging Face 上线 MiniCPM-V 4.7 35B-A3B，帖子称其在 iPad Pro M4（16GB）上跑 17+ tok/s、iPhone 17 Pro Max 上 13+ tok/s、内存占用约 3GB。新引入的 LES（Lookahead Expert Scheduling）通过预测并预加载 MoE 专家减少推理停顿，宣称在输出一致的前提下最高提速 5 倍。其他要点包括 34 项多模态基准、OCRBench 90.4 分配合 16 倍视觉压缩、新的 1B 轻量 VLM、Self-Replay Fine-Tuning 低成本定制，以及支持 Apple、Intel、AMD、Arm、Rockchip 平台。
面壁智能发布 MiniCPM-V 4.7 系列最新模型，其中 35B-A3B 是该系列首个 MoE 模型，官方称其为首个可在端侧无损流畅运行的开源 MoE 模型，在 iPhone 17 Pro Max 上解码速度达 13+ tokens/s。模型基于 LLaVA-UHD v4 的 intra-ViT 早期压缩技术减少视觉 token 计算，支持混合 4x/16x 视觉 token 压缩，覆盖 iOS、Android 与 HarmonyOS，并对 Rockchip、后摩、Intel、AMD、Arm 芯片平台提供 day-0 支持；官方称 Instruct 模式下整体得分高于 Qwen3.6 35B-A3B 且推理时间更短。
推荐理由：原文列出了 LES 调度、视觉 token 压缩和各平台量化支持，可了解这款端侧多模态 MoE 的部署路径。
LlamaIndex 发布 ParseBench，评估文档解析工具将 PDF 转为可供 AI 智能体使用的结构化输出的能力。基准覆盖约 2,000 张人工核验的企业文档页面（保险、金融、政府），按表格、图表、内容忠实度、语义格式、视觉定位五个维度评测，排行榜前十中 LlamaParse Agentic Plus 以 90.20 分居首。数据集已在 HuggingFace 开源，支持 180+ 条 pipeline。
aisa-group 在 GitHub 发布 MoonMapBench，用 equirectangular 网格对每个像素中心提问月球高程（米，相对 1737.4 km 参考半径），以 NASA LRO LOLA DEM 为真值计算 MAE。2° 网格低推理档榜单：Claude Opus 5.5 MAE 1,192 m（比常值基线好 28%）、GPT 6 Astra 1,490 m（+10%）、Grok 4.7 1,695 m（−2%）。模型地图能画出月海、Orientale、Crisium 和南极-艾特肯盆地的大致轮廓，但普遍低估背面高地、缺乏陨石坑尺度粗糙度；Grok 4.7 因 refusal 多改用更强制的提示词，并以 --stride 2 只测 4,050 点节省成本（约 $19 vs 约 $75）。
NVIDIA 在 Hugging Face 发布 Nemotron 3.5 Super VL 的 NVFP4 量化版本，这是一个 120B 总参数、12B 激活参数的视觉语言模型，采用 Mamba-2 与 MoE 混合架构加 C-RADIO 视觉编码器，支持最高 1M token 上下文和原生 MTP 投机解码。量化通过 BF16 模型的量化感知蒸馏完成，模型卡给出了 BF16 与 NVFP4 在 GPQA-Diamond、SWE-bench Verified、Video-MME v2 等数十项基准上的对照结果，并提供 vLLM、SGLang、TensorRT-LLM 在 DGX Spark、H200、H100、GB200 上的部署配置，许可证为 OpenMDW-1.1，可商用。
推荐理由：模型卡同时给出 BF16 与 NVFP4 的完整基准对照和多种硬件部署配置，读者可以据此评估量化损失与所需显存门槛。
Tether 在 GitHub 发布 QVAC，一套本地优先 AI 开发工具，支持在 Linux、macOS、Windows、Android 和 iOS 上运行 LLM、语音、视觉和图像/视频生成等负载。提供 JavaScript/TypeScript 与 Python SDK，内置 HTTP 服务器以 OpenAI 兼容 API 供 OpenCode、OpenClaw 等工具调用，快速示例使用 LLAMA_3_2_1B_INST_Q4_0 模型；能力表覆盖 RAG、LoRA 微调、Whisper 转写、TTS、OCR、VLA 等，并支持 P2P 模型分发和 NAT 穿透中继。
推荐理由：Tether 官方仓库文档，覆盖 JS/TS 与 Python SDK 和 OpenAI 兼容本地服务的完整接入方式，适合评估本地优先 AI 应用方案。
作者发布推理引擎 Gewell v0.2，新增 Gemma 4 26A4 支持，prefill 比 vLLM 全面快 10-74%，上下文越长优势越大；还提到上下文仅需 0.625x 显存。同版将全精度 EmbeddingGemma 2 的文本+图像总占用（含 8k 上下文）压到 1.13 GiB 显存和 0.93 GB 主机内存，图像嵌入与 sentence-transformers 参考实现的 cosine 达 0.99970（均值），优于 llama.cpp 和 vLLM。31B 模型也获小幅改进：极短上下文大批量 mtp-on 场景 tg 提升 20-24%，多数 kernel 达理论峰值 80-85%。
推荐理由：作者给出了与 llama.cpp、vLLM 的逐项 cosine 对比和 prefill 吞吐数字，可以据此评估这个推理引擎的实际表现。
justl9169 在 GitHub 开源 minimax-skills，将 MiniMax 开放平台能力封装为 4 个技能：minimax-speech（语音合成、克隆、设计）、minimax-image（文生图、图生图）、minimax-video（视频生成，默认 5 秒 720P MP4）和 minimax-music（音乐与歌词生成）。技能支持配置 MINIMAX_API_KEY 与国内/国际区域，可复制到 ~/.claude/skills/ 或 ~/.openclaw/skills/ 后通过 /minimax-speech 等命令调用。
该 GitHub 仓库用参数高效音频-语言模型做泄漏安全的二分类抑郁症检测，主要模型为 Qwen2-Audio-7B / Qwen2-7B 与 Gemma 4 12B，比较 audio+text、audio-only、text-only 三种模态，覆盖 D3TEC、Turkish、Androids、DAIC-WoZ、CMDC、E-DAIC 多个数据集。仓库统一了多语言评估协议：以 candidate-label likelihood 作为规范决策规则（按受试者 argmax 平均 dep/non 分数），headline 指标为 Macro-F1、Positive-F1 与 UAR，无效解码标签计为错；teacher-forced 结果仅作单独标注的诊断视图，不与 likelihood 混入同一比较列。
GitHub 新仓库 mathsapp 上线 Grade Maths 平台，供 6–11 年级学生按年级注册、阅读 AI 生成的课程笔记、与 AI 导师对话并生成随机练习卷和测验。系统用 Gemini 2.5 Pro 将教材 PDF 按课切分并生成题目，题目须经管理员审核（Pending / Approved / Rejected）后才会呈现给学生，练习卷和测验只从已批准题库抽样。针对斯里兰卡旧版僧伽罗语字体 PDF，系统对乱码页改用 Tesseract OCR 识别，技术栈为 Next.js 14、Tailwind CSS、MongoDB + Prisma、NextAuth.js 和 Gemini API。