多模态

中国物理AI大突破：PhysBrain 1.5登顶全球开源榜一，空间智能与GPT-6 Astra并驾齐驱

这家中国公司，刚跑完了物理闭环里最难的一段路

NUS Show Lab 寿政教授：打通自回归与离散扩散，打造下一代具身大模型底座｜ECCV 2026

告别模型拼贴套路，自回归与离散扩散的融合，正在开启 AI 的体验时代。 作者丨 张璐 编辑丨岑峰 “理解”和“生成”真的无法在同一个模型底座中完美融合吗？ 不同于拼接独立模型的传统做法，NUS Show Lab 选择了一条更原生的架构路线：在单个 Transformer 中同时打通自回归预测与离散扩散生成。 作为多模态领域的重磅成果，Show-o 系列不仅打

TUM 教授 Angela Dai：放下完美数据执念，「逆向自监督」重构 3D 空间智能 | ECCV 2026

2D去噪范式在真实3D遮挡前失效，破局关键在于将物理机制转化为结构先验。 作者丨 张璐 编辑丨 岑峰 大模型在文本与 2D 图像上的狂飙，归功于互联网上近乎无穷的干净数据。但当 AI 试图跨越屏幕、理解真实的 3D 物理世界时，这套经验法则瞬间失效。 真实扫描数据充斥着噪点与死角，物理遮挡造成的几何缺失既非随机发生，更无法用简单的去噪算法抹平。面对这一死结，

Elevenlabs通过应用程序和API提供Music v2.5，并提供免费和专业层选项

ElevenLabs为其人工智能音乐生成器发布了Music v2.5。在一项包含近48，000个比较对的盲测试中，听众更喜欢新版本而不是其前身。该公司表示，该模型仅接受了许可音乐的培训。文章Elevenlabs通过应用程序和API提供Music v2.5，并具有免费和专业层选项，首次出现在The Decoder上。

今年外滩最特别Agent：能干活，能陪聊，还会朋友圈拉黑你

Agent的下一步是关系型生产力

半世纪前的AI画作到AI歌手线下开唱，2026外滩大会AI艺术节勾勒人机共创新图景

当AI开始绘画、拍电影，甚至“出道”成为艺人，艺术的边界在哪里？ 9月9日，随着2026 Inclusion·外滩大会在上海开幕，大会首次设立的特色板块——AI艺术节同步亮相。围绕AI概念艺术展、AI影像展映、AI音乐会三大单元，这场由AI与人类共同参与的艺术实践，将原本更多发生在线上的AI创作带到线下，呈现一个可看、可听、可互动的艺术现场。 9日下午，AI

不堆 Transformer，斯坦福吴佳俊如何用物理重新定义多模态融合？｜ECCV 2026

视觉、听觉、触觉三种数据，其实是同一组物理属性在不同感官通道上的投影。 作者丨 陈淑瑜 编辑丨岑 峰 2026年9月8日，欧洲计算机视觉会议 ECCV 在瑞典马尔默召开。在 9 月 9 日的“ Embodied Multimodal Reasoning in Physical Environments（物理环境中的具身多模态推理）”专题分场上，斯坦福大学计算

不简单，“吃货快乐榜”也全面AI化了

Cohere发布North Small Translate：218 B MoE翻译模型，在50种语言的WMT26上获得83.6分

Kohere发布了North Small Translate，这是一个开放权重的专家混合模型，专为50种语言的机器翻译而构建。它每个代币使用了218 B参数中的25 B参数，在Kohere的WMT 26评估中得分为83.6。重量可免费用于非商业用途，可通过Kohere Model Vault或RWS Language Weaver进行商业访问。Coere发布

世界模型如何走向物理世界？看看这些专家怎么说

当人工智能从屏幕中的对话、创作与编程，走向真实环境中的感知、决策与行动，它需要面对一套更复杂的考验。无论是自动驾驶车辆应对动态路况，还是机器人完成取物、洗衣等日常任务，都要求AI理解空间关系、预测行动后果，并根据环境变化及时调整。 正因如此，世界模型被寄予厚望。它有望为AI提供在行动之前，推演未来的能力。从生成逼真的视频，到预测行动后果，再到驱动机器人完成真

吹爆开源！RunningHub让MiniMax H3满血提速12倍，本地部署照样起飞

15秒视频，50秒出片

使用Marengo 3.0在Amazon Bedrock知识库中搜索视频和图像

DeliverveLabs Marengo Embed 3.0现在作为嵌入模型普遍适用于Amazon Bedrock知识库，为视频、图像和音频内容带来完全托管的自然语言搜索。此演练展示了如何构建由Marengo 3.0支持的知识库并针对媒体运行语义查询。

边缘可部署视觉语言模型可以识别物种吗？

作者：William Zhou、Mayukha puram、Xia Yan|摄像机陷阱通常在边缘硬件上运行，连接性有限或没有，这使得小型、可本地部署的视觉语言模型（VLM）（而不是前沿规模的模型）成为评估物种识别的实际相关类别。我们测试这个与部署相关的2--8B范围中的模型是否携带真正的分类知识，评估四个此类VLM（Qwen 3-BL 2B/4 B/8B，G

TART：一种用于技术意识的音频到乐谱吉他抄写的模块化工具

作者：Akshaj Gupta、Hwi Joo Park、Andrea Guzman|吉他的自动音乐转录（AMT）仍然受到三个挑战的限制：现有的系统通常无法捕捉表达技术，例如幻灯片、弯曲和敲击;它们经常将音符分配给错误的弦音组合;而且它们通常接受干净的录音训练，限制了它们对嘈杂的现实世界音频的概括。为了应对这些挑战，我们建议

MindTopo：基金会模型可以在布局空间中推理吗？

作者：葛云飞、刘安邦、王其能|空间推理不仅取决于距离、角度和形状等度量属性，还取决于在连续变形下保持不变的拓扑关系。认知科学将这些关系确定为空间理解的基础，但基础模型评估主要关注指标或观点依赖关系。我们引入MindTopo，topolo的基准

环球音乐将与ElevenLabs推出人工智能音乐平台

据周四宣布，环球音乐集团正在推出一个新的人工智能平台，该平台将允许用户从其授权音乐目录中提取歌曲混音、混搭和新曲目。该唱片公司正在通过与ElevenLabs签订的多年许可协议开发该平台，ElevenLabs是一家专门从事[.]

智象未来 vivago R1 全球上线，国内版本「够搭」全新升级发布：从 15 秒到5 分钟，AI 视频创作进入单反级交付时代

2026年9月8日，智象未来（HiDream.ai）旗下内容创作智能体 vivago R1 全球上线，国内版本 「够搭」 全新升级发布。（雷峰网） 今年7月，vivago R1 于 WAIC 2026 首次亮相。作为全球首个无限时长内容创作智能体，R1 引起 AI 视频领域广泛关注。今天，R1正式面向全球用户开放。 vivago R1 的核心突破，在于实现了

ECCV上，顶尖学者们开始研究如何让AI做生意了

多模态AI大牛轮番登台，全球64支团队组团解题

中国公司牵头ECCV Workshop！多模态AI大牛轮番登台，全球64支团队组团解题

9月8日至12日，计算机视觉顶级会议ECCV 2026在瑞典马尔默举行。大会由欧洲计算机视觉协会主办，汇聚了Google、Meta、Apple、Amazon等全球科技巨头作为主要赞助商。9月9日，MARS2 Workshop（2nd Multimodal Reasoning and Slow Thinking in the Large Model Era）由

AI 开始学习「想象未来」：ECCV 2026背后，中国学者如何卡位世界模型

世界模型开始合流，中国团队正在进入核心问题。 作者丨吴思梦 编辑丨岑 峰 2026 年 9 月 8 日，全球计算机视觉顶级会议 ACM 与 ECVA（European Computer Vision Association）主办的 ECCV 2026 将在瑞典马尔默的 Malmö Arena 和 Malmömässan 两个相邻场馆开幕。 这个两年一届、与

3D 重建下半场开幕，ECCV 首场14篇Spotlight 把高斯泼溅推到了哪儿

3D 重建的下半场，比的不再只是精度。 作者丨陈淑瑜 编辑丨岑 峰 9月8日，第19届欧洲计算机视觉大会（ECCV 2026）在瑞典马尔默拉开帷幕。 这场两年一届的视觉顶会创下历史之最：组委会收到超过一万篇有效投稿，最终接收2883篇论文，约6000名研究者从全球各地赶来参会。翻看议程不难发现，Gaussian Splatting （高斯泼溅）与 3D 重建

浙大 × 字节 × 港中深最新研究：告别高斯堆砌，终结 3D 冗余｜ECCV 2026

为什么字节要把“空间表示”的体积压掉 90%？ 作者丨吴思梦 编辑丨岑 峰 如果有一天，沉浸式直播里的每一个主播都拥有一个实时跟随的 3D 分身，观众可以在任何角度切进去和他对话，看到他的表情、衣服褶皱、头发飘动的细节，那么这个 3D 分身究竟应该有多大？ 这不是一个凌空蹈虚的问题，已经逐渐落定变成一个非常具体的工程问题。 过去几年，3D Gaussian

中科融合亮相CIOE 2026：以MEMS智能光学连接空间显示与具身智能

2026年9月9日至11日，第27届中国国际光电博览会（CIOE 2026）在深圳国际会展中心（宝安）举行。中科融合携Iris Green、Iris Color、Iris AR及NANO微小型多模态高速扫描模组亮相2号馆2A157展位，展示自主MEMS智能光学平台在骑行HUD、车载投影、AR近眼显示及机器人3D感知领域的应用成果——以米粒大小的MEMS微振镜

全球首个3D原生城市世界模型ABot-Earth 0.7发布，构建AI理解真实世界的入口

9月10日，阿里巴巴集团旗下高德正式发布全球首个3D原生城市世界模型ABot-Earth 0.7。

Astra 非机器人验证 48 关全通，再见 reCAPTCHA！

GUI 已难拦机器，防线转向身份与权限校验。 作者丨 郑佳美 编辑丨岑 峰 一个 AI，刚刚在网页上证明了自己不是机器人。 9 月 7 日，OpenAI Labs 成员 Sharif Shameem 展示 GPT-6 Astra 连续完成《I’m Not a Robot》全部 48 关。 前面还是图片识别、文字判断这些熟悉的人机验证，后面很快变成拖拽、停车、

打造10万卡国产算力集群推出JoyAI世界模型，京东发布物理AI建设最新成果

9月9日，以“JoyAI · 跃迁物理世界”为主题的JDDiscovery-2026京东全球科技探索者大会在北京举行

.blend URL查看器

工具：.blend URL Viewer我继续使用GPT-6 Astra和Blender（请参阅我的TIN）玩得很开心。作为帝国法贝热复活节彩蛋的忠实粉丝，我一直认为制作一些庆祝流行文化的新彩蛋会很有趣。昨天我决定通过运行这个提示来尝试新的ChatGPT Images 2.5：生成一张以电视节目Pluribus为主题的神话般的鸡蛋的照片-首先研究它给了我这个

Show-Buttons：VLM代理就可以玩机器人

作者：陈彦哲、白泽晨、曹之军|基金会视觉语言模型（VLM）展现了有关世界的广泛智能，但将这种智能转化为机器人控制仍然具有挑战性。我们介绍了Show-Buttons，这是一个同步的Buttons，使VLM能够通过将意图与动作联系起来的紧凑语义界面“扮演”机器人。Show-Buttons暴露了离散的语义动作单元，VLM可以自然推理，而emb

逐帧重现70年爱情故事

一对老夫妇坐在电影院里。叠加的是“Teulluride电影节”和“爱，渲染”