https://auratracer.kyleforge.com/ 科技事件深度追踪 · 忠实摘要 · 整合时间线 zh-CN https://auratracer.kyleforge.com/events/e34f096d306b https://auratracer.kyleforge.com/events/e34f096d306b Sun, 08 Nov 2026 16:19:44 +0800 新闻 据 InfoQ 中文报道，10月30日腾讯全球数字生态大会多模态应用专场上，腾讯云音视频 AI 产品 WAND 披露已帮助客户降低约20%内容生产综合成本，并介绍白模前置、擦除修复和生成式增强等减少返工的方案。漫森文化称接入 WAND 后镜头可用率从约30%提升至50%—80%，精品 AI 短剧单部成本节约约30%、整体效率提升约30%。 https://auratracer.kyleforge.com/events/e2b614b1093b https://auratracer.kyleforge.com/events/e2b614b1093b Fri, 06 Nov 2026 15:47:57 +0800 新闻 蚂蚁集团于11月5日发布Ling-3.2-flash原生多模态MoE模型，支持文本、图像和视频输入。该模型总参数量为5600亿，每步推理激活250亿参数，支持100万token上下文窗口。其专注于复杂视觉理解、3D交互及医疗多模态应用。用户可通过在线聊天界面及兼容OpenAI和Anthropic协议的API访问，发布后前两周可免费使用。 https://auratracer.kyleforge.com/events/316f7e7b03ca https://auratracer.kyleforge.com/events/316f7e7b03ca Fri, 06 Nov 2026 00:06:31 +0800 新闻 据The Decoder报道，腾讯发布了首款多模态大模型Hy4，该模型具备图像理解及自主操作软件的能力。腾讯自报称，在Artificial Analysis Intelligence Index基准测试中，Hy4以35分的成绩位居国产AI第二，仅次于Kimi K3.1 Pro。同时，腾讯承认该模型在复杂数学与图像分析任务上仍与顶尖商业模型存在较大差距。 https://auratracer.kyleforge.com/events/66e9b87e197a https://auratracer.kyleforge.com/events/66e9b87e197a Thu, 05 Nov 2026 09:00:58 +0800 研究 据Solidot报道，研究人员调查发现Google的Gemini 2.5 Pro与Gemini 2.5 Flash、OpenAI的GPT-Audio 1.5及Qwen 3 Omni等模型在评估英语语音时存在口音等级偏见。研究显示，尽管模型具备转录能力，但普遍给予美国和英国口音最高评分，而中国和尼日利亚口音评分最低。模型在解释中常将中国和尼日利亚口音描述为难以理解，研究人员认为这反映了模型对特定口音存在隐性等级观念。 https://auratracer.kyleforge.com/events/239fdccef5e5 https://auratracer.kyleforge.com/events/239fdccef5e5 Tue, 03 Nov 2026 17:15:00 +0800 新闻 在CNCC 2026大会“视频生成的智与情”主题论坛上，多位学者探讨了AI视频生成从画质提升转向叙事连贯与情感表达的趋势。专家指出，当前视频生成面临物理规律引入、情感强度调节及认知安全等挑战。针对长视频生成，研究团队提出了多智能体协作、工作流优化及事实核验智能体等技术路径。与会专家认为，未来视频生成的竞争焦点将在于内容进入传播链路后的社会影响与认知安全。 https://auratracer.kyleforge.com/events/5483aefd6930 https://auratracer.kyleforge.com/events/5483aefd6930 新闻 据钛媒体，美团11月3日发布LongCat-2.5，总参数1.6万亿，每token激活约480亿，训练全程基于国产算力完成。该模型原生支持多模态，并将视觉信号转为离散token与文本统一处理，面向长程智能体任务。官方数据显示其多项主流基准成绩介于Claude-Opus-4.8与Claude-Opus-5之间，部分超过Opus-5。美团基于主业推出AI经营工作台“妙手”，已落地古茗、益禾堂等连锁品牌。 https://auratracer.kyleforge.com/events/0a36928af912 https://auratracer.kyleforge.com/events/0a36928af912 Mon, 02 Nov 2026 22:48:56 +0800 新闻 据InfoQ中文报道，英伟达研究团队基于MiniMax开源多模态模型H3，开发视频生成模型Open-H3-Regenerate-2K。该项目先用H3生成低分辨率草稿，再通过额外训练的精修模块和三步去噪重生成高分辨率视频，并保留H3原始权重。报道引述称，这显示英伟达极少在多模态模型上投入如此多资源。 https://auratracer.kyleforge.com/events/ce-36cdb7f3d5af https://auratracer.kyleforge.com/events/ce-36cdb7f3d5af Mon, 02 Nov 2026 09:18:38 +0800 新闻 据凤凰网·科技和TechNode报道，美团发布了面向长程智能体任务的原生多模态模型LongCat-2.5。该模型总参数量为1.6万亿，每个token激活约480亿参数，强化了原生视觉理解与智能体编程能力。模型通过统一token形式处理视觉与文本输入，支持Visual Coding、创意设计和3D等任务。目前该模型可通过美团在线聊天服务和API平台使用，并计划在GitHub和Hugging Face发布。 https://auratracer.kyleforge.com/events/05f3d0773b9e https://auratracer.kyleforge.com/events/05f3d0773b9e Mon, 02 Nov 2026 09:18:38 +0800 新闻 据IT之家报道，美团龙猫发布了原生多模态模型LongCat-2.5，该模型总参数量为1.6万亿，每个token激活约480亿参数。LongCat-2.5在LongCat-2.0基础上强化了原生视觉理解与智能体编程能力，通过大规模长程强化学习提升了复杂代码库开发等端到端工程能力。目前，用户可通过官方提供的在线入口体验，API接入服务已开放，Github与HuggingFace资源即将上线。 https://auratracer.kyleforge.com/events/25e78b68df5d https://auratracer.kyleforge.com/events/25e78b68df5d Sun, 01 Nov 2026 07:51:09 +0800 新闻 据X平台用户@koltregaskes发布的消息，ChatGPT付费订阅计划将不再提供无限图像生成功能。 https://auratracer.kyleforge.com/events/4cc544446cb5 https://auratracer.kyleforge.com/events/4cc544446cb5 Thu, 29 Oct 2026 23:59:14 +0800 新闻 据Together AI公告，Phonic推出专为代理任务设计的语音转语音模型Phonic-1。该模型旨在解决传统语音模型在智能性上的牺牲问题，目前已在六大洲执行复杂通话任务。Phonic-1由Together AI提供训练与部署支持。 https://auratracer.kyleforge.com/events/a1fc1a35f025 https://auratracer.kyleforge.com/events/a1fc1a35f025 Thu, 29 Oct 2026 04:14:23 +0800 新闻 Sunra宣布将图像、视频、音频和3D模型等主要多模态模型统一到一个API密钥下，采用按使用付费模式。费用直接采用各模型厂商的API收费标准，不加任何加价，也不提供订阅套餐。对大批量使用的团队可享受最高40%的折扣。 https://auratracer.kyleforge.com/events/3fa621666e46 https://auratracer.kyleforge.com/events/3fa621666e46 Wed, 28 Oct 2026 15:58:00 +0800 研究 据雷锋网CNCC 2026报告报道，张长青介绍多模态融合研究：通过潜在表征重构保留模态特有信息，结合动态证据融合估计预测不确定性。其晶体结构识别实验准确率自约58%—59%提升至93.9%左右，作者称不能推及所有多模态任务。团队提出通用基座FAM，结合上下文样例完成预测，论文报告在18个数据集、12种模态、11类任务上平均准确率较专用融合基线提高约6.9个百分点。 https://auratracer.kyleforge.com/events/51a536fc877e https://auratracer.kyleforge.com/events/51a536fc877e Tue, 27 Oct 2026 17:32:26 +0800 新闻 据X平台用户Ronald_vanLoon发布，某应用支持用户通过自然语言描述日常习惯，并可根据伤病情况动态调整计划。该应用允许用户通过语音、图像或文档进行记录，并能针对睡眠模式等数据提供解释性回答，而非仅提供数值反馈。 https://auratracer.kyleforge.com/events/82e41e820769 https://auratracer.kyleforge.com/events/82e41e820769 Tue, 27 Oct 2026 15:43:00 +0800 研究 清华大学与智谱AI联合发布研究，揭示了多模态模型在图像生成与文字问答间的技术瓶颈。研究指出，模型虽能通过图像生成训练掌握视觉属性，但难以将其转化为语言答案，即“会画却不会说”。实验显示，GLM-Omni在图像生成任务中正确率达54%，但纯文字问答正确率仅14.57%。团队提出“图文交错对齐”方法，通过将图像生成与文字回答置于同一训练序列，使GLM-Omni的文字回答正确率提升至26.86%。 https://auratracer.kyleforge.com/events/17b7f4b83c79 https://auratracer.kyleforge.com/events/17b7f4b83c79 Mon, 26 Oct 2026 11:34:07 +0800 评测 据凤凰网·科技报道，可灵4.0于10月15日正式上线。该版本重点升级了复杂动态生成、参考控制及视频编辑能力，并将原生视频生成时长延长至30秒，相较于上一代15秒的生成能力有所提升。实测显示，该模型在处理高难度动作及视频局部修改方面仍存在挑战。 https://auratracer.kyleforge.com/events/c9e4a2f171f7 https://auratracer.kyleforge.com/events/c9e4a2f171f7 Mon, 26 Oct 2026 09:06:01 +0800 解读 SCMP Tech分析称，中国在AI视频生成模型领域已成为无可争议的领袖。短视频生态规模庞大且版权规则相对宽松，推动了模型的快速发展。与此同时，中国与美国在AI整体研发上的差距正在缩小。 https://auratracer.kyleforge.com/events/d9f6a33221d2 https://auratracer.kyleforge.com/events/d9f6a33221d2 Mon, 26 Oct 2026 06:46:08 +0800 观点 Gary Marcus在X平台发表观点称，尽管AI技术有所发展，但截至2026年，AI仍无法真正观看和理解电影。他认为当前AI生成的视频本质上只是虚假的动画。 https://auratracer.kyleforge.com/events/ce-c1c90875f513 https://auratracer.kyleforge.com/events/ce-c1c90875f513 Sun, 25 Oct 2026 10:29:30 +0800 新闻 据IT之家报道，Block推出全双工AI语音模型Dessa，支持M4 Max及更高配置MacBook本地运行，可模拟笑声、停顿、哽咽等情绪，宣称原生内置情绪表达。该模型基于人类语音数据，训练仅用一组英伟达GPU机架，知识来自训练对话数据。现阶段暂不开放试用，Block正向安全研究者邀请测试。 https://auratracer.kyleforge.com/events/751cff0518e4 https://auratracer.kyleforge.com/events/751cff0518e4 Sun, 25 Oct 2026 00:01:31 +0800 观点 X·@rronak_在推文中指出，最新语音模型通过模拟结巴、填充词以及不完美的用词提升了真实感，超越了以往仅关注情感、笑声和中断的研究。该模型的表现被形容为更像人类，却也更不完美。 https://auratracer.kyleforge.com/events/ce-75ec0440768d https://auratracer.kyleforge.com/events/ce-75ec0440768d Sat, 24 Oct 2026 22:09:46 +0800 新闻 Block宣布推出Dessa，一款全程在真人语音上训练的全双工语音模型，旨在实时捕捉情感、讽刺和停顿等细微信息。该模型可在MacBook Pro M4 Max等消费级电脑本地运行，但目前尚未向公众开放。 https://auratracer.kyleforge.com/events/ce-1da5b4daa5b811d95024 https://auratracer.kyleforge.com/events/ce-1da5b4daa5b811d95024 Sat, 24 Oct 2026 16:11:01 +0800 评测 据Business Insider报道，Canva于2026年10月24日推出首款AI图像生成模型Canva Craft。该模型通过Canva的Dream Lab提供服务，免费账户用户亦可访问，但受AI使用限额约束。Canva称该模型基于人类设计的模板进行训练，旨在优化设计布局、比例及文字生成。Business Insider在评测中指出，Craft在处理复杂设计任务时表现喜忧参半，在字体排版与物理逻辑呈现方面与ChatGPT及Muse等模型相比仍有提升空间。 https://auratracer.kyleforge.com/events/3514cdc692c5 https://auratracer.kyleforge.com/events/3514cdc692c5 Sat, 24 Oct 2026 01:47:20 +0800 新闻 据X账号@dingyi发布的信息，HeyGen发布Video 1文生视频模型，可生成最长30秒视频，定价为$0.01/秒。该模型支持通过MCP或skills安装到Bot，并可通过API一句话生成视频。 https://auratracer.kyleforge.com/events/2ac43c5c14b4 https://auratracer.kyleforge.com/events/2ac43c5c14b4 Fri, 23 Oct 2026 22:40:50 +0800 解读 据AI Business报道，总部位于德国的Neura Robotics推出了一款多模态具身基础模型。该模型整合了视觉、触觉和音频感知能力，旨在提升机器人对周围环境的理解。与仅处理数字信息的生成式AI不同，该模型强调机器人需实时感知物理环境、控制作用力并处理物体交互，以应对物理世界中数据采集难度高且成本昂贵的挑战。 https://auratracer.kyleforge.com/events/bfee9e9fd549 https://auratracer.kyleforge.com/events/bfee9e9fd549 Fri, 23 Oct 2026 12:00:00 +0800 研究 arXiv cs.AI发布综述，分析6G通信系统中的安全智能体AI与多模态智能的威胁模型、攻击面及缓解策略。该系统通过整合多模态智能、边缘计算和自主网络控制，支持沉浸式、意图驱动和低延迟服务。智能体AI能处理异构输入、使用工具、跨实体协调并适应动态环境，应用于语义通信、数字孪生和零接触网络管理，但也引入了超越传统AI和网络安全模型的安全和隐私风险。研究呈现了面向6G的系统视图，分析感知、记忆、工具使用和多智能体协调层的威胁模型与攻击面，并组织现有攻击为结构化分类，审查缓解策略如提示和记忆防御、智能体间信任机制、安全编排和隐私保护学习。 https://auratracer.kyleforge.com/events/273d959de423 https://auratracer.kyleforge.com/events/273d959de423 Fri, 23 Oct 2026 11:03:00 +0800 解读 钛媒体分析称，2026年内容行业正被多模态模型改写，AI被用于游戏营销、创作者视频等生产流程，推动成本重构与效率提升。MiniMax H3等模型支持企业及创作者，B站updream的一条AI视频播放量超六百万。平台纷纷布局互动内容创作工具，行业机会与焦虑并存。 https://auratracer.kyleforge.com/events/c474906bbd1b https://auratracer.kyleforge.com/events/c474906bbd1b Thu, 22 Oct 2026 15:00:56 +0800 新闻 IBM AI发布了开源语音模型Granite Speech 5.0 2B，支持6种语言转写与翻译。该模型在Open ASR排行榜上排名第二，平均英语WER为5.68%。模型包含语音编码器、窗口q-former和LLM，支持GPU、Apple Silicon和CPU部署。新功能包括语言ID提示、关键词列表和按需标点符号。同时更新了Turbo CTC和4.1 2B Plus模型。 https://auratracer.kyleforge.com/events/1dca0582bbf4 https://auratracer.kyleforge.com/events/1dca0582bbf4 Thu, 22 Oct 2026 12:17:37 +0800 教程 MarkTechPost发布教程评测了16.9MB的Cactus Whistle语音模型，对比Whisper Base在CPU上的表现。测试显示Cactus Whistle在LibriSpeech数据集上优于Whisper base，但在seeded test-clean和test-other样本上与Whisper tiny和base相比无显著差距，且速度优势随音频片段增长而减小。教程还探讨了30秒窗口内的音频处理、流式延迟、时间戳、关键词偏差、多语言支持、噪音、嵌入和语音到工具调用等问题。测试使用Apple M4进行，引用了已发布的完整分割数据。 https://auratracer.kyleforge.com/events/ce-75a9c1252dc6 https://auratracer.kyleforge.com/events/ce-75a9c1252dc6 Thu, 22 Oct 2026 01:52:48 +0800 研究 arXiv cs.CV和Hugging Face Papers报道，研究提出PAPAV统一能力中心框架，旨在分析多模态具身智能体（MMEAs）从电脑使用到机器人使用的能力差异。PAPAV定义了感知当前状态、预测动作效果、规划可行路径、通过接口或身体执行以及验证结果五项核心功能。研究指出，从数字环境转向机器人环境时存在五项物理约束，且在分析的64个基准测试中，评估主要集中在执行能力，而预测和验证能力被忽视。 https://auratracer.kyleforge.com/events/e10099a26e94 https://auratracer.kyleforge.com/events/e10099a26e94 Thu, 22 Oct 2026 00:59:51 +0800 研究 据arXiv cs.CV发布，Attn-Forcing框架通过学习全上下文注意力代理，在有限内存与计算下提升流式视频生成质量与性能。该框架引入注意力代理持续近似历史上下文引起的注意力响应，并使用Proxy Update Module整合历史latents的视觉上下文。Attention Matching Loss被提出以使用全上下文注意力监督约束代理的注意力行为。实验表明，Attn-Forcing持续提升流式视频生成质量，并超越现有基线方法达到最先进性能。