全部 AI 动态

Backflip AI 发布第二代 CAD 生成模型，可将 3D 扫描和网格文件转换为完全可编辑的参数化 CAD 模型，耗时从数小时缩短至几分钟。与仅生成三角面网格的早期模型不同，该模型能生成拉伸、旋转等实际 CAD 操作，结果易于修改。工具以 Autodesk Fusion 插件形式运行，前四次重建免费，付费计划每月 20 美元起。

微信正在灰度测试朋友圈“AI 帮写”与“AI 点评”两项新能力，基于原生 AI 助手“小微”实现，目前小范围内测中。用户在朋友圈编辑页点击“AI 帮写”后会跳转至小微对话界面，小微可识别正在编辑的文字和配图，按指令生成“简洁”“调侃”“文艺”三种风格候选文案。当前灰测版本中，最终发布可能仍需用户手动确认。

MiniMax H3 技术团队在 Reddit AMA 和 ComfyUI 直播中回应开发者提问：模型不使用 MSA，稀疏注意力策略更接近 MoBA，默认仅对视频 token 做 3D sparsification，近期将发布保守版本。

本教程演示如何用 NVIDIA NeMo Retriever 构建多模态 RAG 流水线：先以 PDFium 离线提取 PDF 文本，再通过托管 NIM 端点检测页面元素、抽取表格/图表/信息图并生成稠密向量存入 LanceDB。随后实现稠密检索、视觉-语言重排序、元数据过滤搜索及带内联引用的 grounded 生成，并用 recall-at-k 评估检索质量。

🚨 AI News | TestingCatalog@testingcatalog

68

Atty Eleti: 📂 GPT-Live supports Files and Projects! You can now attach files and ask questions about them, or use GPT-Live in Proje...

KVAE 系列 tokenizer 覆盖音频、图像与视频，专为后续文本条件生成设计。其中 KVAE-Audio 为连续全频带 48 kHz tokenizer，具备 50 Hz 潜空间与 64 通道；KVAE-3D 提供 4x16x16 与 4x8x8 两种因果视频压缩方案；KVAE-2D 图像模型实现 8 倍压缩与 32 通道。

Suno 正面临使用受版权保护材料训练的指控，德国法院近期裁定其未经许可使用受版权保护歌曲进行训练，且美国合理使用原则不适用于此案。为此，Suno 推出新下载政策以限制批量分发，并强调其“原创创作”训练策略，包括从训练元数据中剔除艺术家姓名，以及与 Audible Magic 等第三方合作检查上传内容。

Databricks 发布 FILE 原生列类型，用于在 Lakehouse 中直接存储和管理多模态数据。该类型将文件作为一等公民纳入表结构，支持图像、音频、视频等非结构化数据与结构化数据统一处理，简化了多模态数据管线的构建与查询。

Paige 与微软联合打造的 PRISM2 通过感知器编码器联合训练组织切片与病理报告中的临床对话，将每张切片的数千个切片嵌入聚合为单一表征，进而生成回答诊断问题的文本，而非仅对像素分类。该模型训练数据涵盖 230 万张全切片图像。

MIT 研究人员与合作者发现，医疗领域的 AI 可解释性工具效果因使用者而异。在皮肤病诊断中，非专家借助 AI 辅助提升了准确率，但提升主要源于对模型的依赖；初级保健医生则表现出不同的使用模式。

SkyProduction天工短剧工作台正式接入Seedance 2.5，720P低至0.4元/秒、480P低至0.3元/秒，支持单段最长30秒视频直出、50个参考素材及10余种语言。同期推出“短剧出海转绘”功能，可将中文短剧快速本土化为欧美市场内容；三部通过该工作台创作的AI短剧已上线DramaWave，单部营收均达200万美元级别。

OpenBMB@OpenBMB

60

面壁智能开发者 @_Andresio 在 #BuildSmall 黑客松中打造 PAREIDOLIA，用 MiniCPM-V 4.5 识别物体特征并生成个性，结合 VoxCPM2 无需参考音频即可设计独特角色声音，让日常物品“活”成共享虚拟动物园中的角色。该项目展示了视觉与语音模型融合的趣味 AI 交互新形态。

Qwen@Alibaba_Qwen

28

Ann Nguyen: Qwen 3.8 Max is actually impressive Sent a sky pic to it along with Claude Opus 5, Kimi K3, and GPT 5.6 Sol, and asked t...

EffectLearner 提出一种语义推理增强的视频物体移除框架，结合基于 VLM 的 Object-Effect Reasoner 与基于 DiT 的 Video Eraser，通过结构化效果分析提示词提取效果感知上下文，并引入运动感知掩码引导与运动一致性监督。

影石 Insta360 今日为 GO Ultra 拇指相机上线 AI 语音助手，中国大陆接入阿里千问大模型，中国港澳台及海外使用 Google Gemini，翻译结果可通过机身扬声器播报。该助手以影石自研为核心，端侧完成声纹识别与意图判断，云端承担问答、模式切换等任务，集成面对面互译、拍图问答、语音问答三项能力，支持“Hey Kira”或长按拍摄键唤醒。

PaDoc 将预测布局视为共享页面表示上的分支结构，使布局流与区域内容分支并行推进，将解码深度降至最长布局-内容路径。在 OmniDocBench Full 上，PaDoc 取得 Overall 布局 F1 91.1，端到端解析器中 Overall 得分 94.24，Text Edit 0.038，Formula CDM 95.59。

ChronoVision 提出多模态框架，通过监督微调中的 Reconstructive Visual Head 预测最终变换状态的潜在表征，并借助 ROI Attention Locating 模块聚焦关键视觉证据，后训练阶段采用带隐式过程对齐的强化学习。在 Vbvr-VQA 上取得 74.8% 域内和 71.6% 域外准确率，在 IntPhys2 上达到 55.0%。

Rohan Paul@rohanpaul_ai

44

彭博社报道，OpenAI 首款消费设备是一款冰球大小的无屏 AI 音箱，定价 300-400 美元，计划 2027 年发布。设备采用环形设计，内置电池、麦克风、摄像头及灯光运动部件，以灯光和动作作为交互界面，并通过摄像头感知周围视觉环境、随时间学习用户偏好。该音箱是 OpenAI 设备家族首款产品，最终目标是取代智能手机的硬件。

MiniMax (official)@MiniMax_AI

40

GMI Cloud: MiniMax H3 is now available on GMI Cloud the #1 open model in Video Arena: across both Text-to-Video and Image-to-Video ...

Suno 宣布将实施新的水印技术和下载政策，以限制垃圾 AI 曲目传播并提高透明度。CEO Mikey Shulman 在博客中表示，新水印和指纹识别技术符合“新兴行业标准”，并计划与分发平台合作打击欺诈和滥用。去年与华纳音乐集团和解后，Suno 曾宣布下载将仅限付费订阅用户，并设置每月下载上限。

Adobe 将旗下创意软件插件引入 ChatGPT，用户安装后可直接在对话中调用 Photoshop、Premiere、Lightroom、Illustrator 等 70 多款工具。在提示词中输入“@Adobe”加具体任务即可操作，插件与 Codex 及 Work 套件配合效果最佳。不登录 Creative Cloud 也能用基本功能，登录后可保存进度并调用 Firefly 生成式 AI 模型。

Alibaba Cloud@alibaba_cloud

66

阿里云推出万相3.0（Wan3.0）公开测试版，主打“简单输入、智能创作”，支持原生30秒视频生成与真实感渲染。其Omni-Reference能力扩展至文档、表格、幻灯片、网页等多模态输入。API价格按分辨率计费：480p $0.05/秒、720p $0.10/秒、1080p $0.20/秒，完整API访问即将推出。

AYi@AYi_AInotes

66

字节跳动年中全员会上，CEO梁汝波公开承认大语言模型与海外领先差距被拉大，但明确继续自研、接受短期落后，并驳斥“因外部压力才自研”是瞎猜，称是为打牢技术地基。豆包被升格为公司级“主干”，飞书产品团队并入豆包，GTM与火山引擎整合成立“创造力服务平台”。会上披露飞书新增客户超九成同步采购AI产品，内部AI Token半年增长超十倍。

Black Forest Labs 正式上线 FLUX 3 视频生成模型，单次生成最长 20 秒视频并附带原生音频，支持原生 1080p 分辨率及文生视频、图生视频、视频生视频、多镜头串联等功能。