资讯
谷歌 DeepMind 发布 GenCeption，旨在打破专用模型桎梏并处理五大视觉任务
本文介绍谷歌 DeepMind 发布的 GenCeption 模型，如何以单一生成式视觉模型同时完成深度估计、图像分割、3D姿态估计等五大任务，并凭借少量合成数据实现对真实多人、动物和机器人的强泛化与高效率处理。
498 
0 
WAIC世界模型六小龙都在谈物理AI，我更关心一个问题：世界模型的预测究竟如何转化为机器人动作？
文章围绕WAIC论坛上“世界模型如何真正驱动机器人动作”这一核心问题，解析Kairos通过控制充分状态、视频与动作联合训练、多阶段数据课程及力触觉采集方案，把对未来的预测逐步转化为可执行机器人控制的技术路径与挑战。
Anthropic Fable 5训练成本为开源模型三倍，未来面临挑战
文章分析了 Anthropic Fable 5 在与 Kimi K3、Qwen 3.8 等模型竞争中面临的成本压力，指出其推理成本约为 OpenAI 和开源模型的三倍，并强调数据中心、算力与基础设施将决定 AI 公司未来的商业模式和市场竞争力。
小鹏发布TuringViT视觉编码器：仅用十分之一数据，性能超越SOTA基线
文章介绍了小鹏发布的TuringViT高效视觉编码器，重点解析其在线性注意力架构、数据治理流水线和动态分辨率训练上的创新。该模型仅用约十分之一训练数据，便在多项零样本分类与图文检索任务中超越主流SOTA基线，并面向智能驾驶、智能座舱和人形机器人落地。
110亿参数塞进六类科学大脑：上智院开放“神珍”多模态模型，从蛋白质到气象场一个模型全读懂
文章介绍上海科学智能研究院开放的多模态科学基础模型“神珍”，其以约110亿参数统一处理DNA、RNA、蛋白质、小分子、气象场和医学影像六类数据，并在理解、生成与分割等任务中取得有竞争力表现，同时开放权重、代码与文档，便于科研复用与共建。
千问发布语音合成大模型Qwen-Audio-3.0-TTS：支持自然语言直接控制，实时版首包延迟降至300毫秒
文章介绍千问发布语音合成大模型Qwen-Audio-3.0-TTS，主打用自然语言直接控制语气、节奏与风格，降低语音生成门槛。同时推出实时交互的Flash版和高音质的Plus版，分别覆盖语音助手、实时问答及有声书、配音等场景。
谷歌研发“Frozen v2”专用芯片，将 Gemini 集成进硅片，单位功耗 Token 处理能力提升 6 到 10 倍
文章聚焦谷歌研发代号“Frozen v2”的AI专用服务器芯片，计划将Gemini部分架构固化进硅片，以减少计算和数据传输开销，实现单位功耗下Token处理能力提升6到10倍。文中还分析了其背后的算力压力、灵活性代价及对谷歌AI战略的意义。
通义千问Qwen-Audio-3.0-TTS正式开放：首包延迟300ms 支持20种方言
阿里通义千问发布Qwen-Audio-3.0-TTS，首包延迟仅300ms，支持Flash和Plus双版本。Plus版在Artificial Analysis Speech Arena全球第一，平均说话人相似度82.75；Plus版覆盖16种语言及20种中文方言，通过自然语言指令实现细粒度语音控制，支持高噪声鲁棒性与48K高清音频。已全面开放，助力实时语音交互与内容创作。
Kairos 3.1 发布定义具身世界模型新范式，原生统一架构打通底层技术壁垒
大晓机器人正式发布Kairos 3.1原生行动一体化开悟世界模型，通过原生统一架构打通理解、生成、预测技术壁垒，构建“理解-推演-执行-反思”全链路自进化智能闭环。该模型融合生成智能、物理智能与认知智能，基于第一性原理实现高密度信息提炼与行动代价最小化，为具身智能从实验室走向家庭、工业等真实场景提供完整落地路径，标志物理AI进入开悟时刻。
阿里云百炼上线HappyOyster 1.0 支持实时交互的开放世界模型开启灰测
阿里云百炼正式上线HappyOyster1.0开放世界模型，支持实时构建、探索与交互的数字世界。模型通过海量视频训练，学习世界状态转移规律，提供世界探索与实时导演两大模式，用户可输入文字或图片生成互动场景，支持1分钟连续位移与3分钟+高清视频生成，已开放Android、iOS、Web三端SDK并启动灰测。
Google DeepMind发布GenCeption：基于视频生成模型实现多项计算机视觉突破
Google DeepMind发布GenCeption，基于预训练视频生成模型Wan2.1实现深度估计、图像分割、3D姿态估计等经典计算机视觉任务，在多项基准测试中接近或超过当前领先水平。模型仅需简化的架构即可通过一次前向传播完成任务预测，训练数据规模远低于传统专用视觉模型，展现出强大泛化能力与多任务潜力。
美团LongCat推出的LoHoSearch被刷至90%后，前沿模型整体跌回三成出头
美团LongCat推出的LoHoSearch基准测试通过自动生成的762万实体维基百科知识图谱出题，将搜索智能体性能从BrowseComp的90%集体拉回34.74%，暴露出搜索agent的真实短板。544道问题覆盖11领域，已开源，为下一代搜索技术提供硬核试金石。
阿里新一代大模型千问3.8将至，预览版已上线阿里云Token Plan、Qoder及QoderWork，用户可提前体验，正式版拟近期推出并开源。
阿里新一代大模型通义千问3.8即将正式发布并开源。Qwen3.8-Max预览版已上线阿里云、Qoder与QoderWork，用户可立即体验其能力边界。阿里采用预览先行、正式版紧随开源策略，提前释放信号并让模型在真实场景中验证。国产大模型开源节奏加速，新一代模型或重新界定开源天花板。
面壁智能开源MiniCPM-Robot：1.5B参数VLA模型完整发布 个人开发者可在真实机器人上运行操作
7月19日，面壁智能开源MiniCPM-Robot系列首个1.5B VLA模型，让个人开发者在真实机器人上直接运行操作与目标跟踪。从此具身智能不再是实验室专属，模型权重和代码已完全开放，效率与实用性大幅提升，推动AI机器人应用走向大众。
神珍科学多模态基础模型在沪亮相：110亿参数打通六类科学数据，一个模型读懂DNA到气象场
上海科学智能研究院在2026世界人工智能大会上发布神珍科学多模态基础模型（110亿参数），首个统一模型支持DNA、RNA、蛋白质、小分子、地球系统和医学影像六类科学数据跨领域融合理解与生成。模型开源开放，兼容Qwen3-VL-8B主干与1500+科学工具，标志着AI原生时代科学发现从方法论重构的里程碑，推动多学科协同创新。
