论文提出 SemanTok，一种将冻结的 DINO 特征输入编码器并由各保留 token 前缀独立重建的可变长度视频 tokenizer，用于自回归视频生成。201M SemanTok AR 模型的表现可匹配或超过参数规模为其 3.4 倍的 VideoFlexTok AR 模型。SemanTok 的短 token 前缀预测成本更低且生成保真度更高，像素细节则延后到后续 token。
推荐理由：论文通过让每个保留 token 前缀独立重建冻结的 DINO 特征，提升自回归视频生成的语义对齐，并降低短前缀预测成本。
研究者系统评估短视频 VLM 标注中的采样、图像网格和单模态等启发式方法，比较分类准确率、下游推断有效性与每视频 token 成本。结果显示，准确率最高的配置可能导出错误结论，文本单模态也可能取得较强表现；通过简单镜头切换检测构建的单个 2×8 图像网格，其 κ 值与全视频理解相差不超过 .05，token 成本约为后者的 15%。
研究提出一种动作条件网络世界模型，用于在复杂系统中评估干预行动并辅助算法设计。在 8 个网络任务和 5 个扩散模型的 141 个设置中，设计出的算法在 138 个设置达到或超过最强基线，rollout 速度最高为 Monte Carlo simulation 的 14.5 倍；代码将在接收后发布。
Ideogram 发布 Ideogram 4.5，声称局部编辑时只修改用户指定区域，减少对人物体型和背景的影响。该模型现已在 Ideogram 平台和 API 提供，支持原生 2K 分辨率，四档价格为每张 0.8 至 22 美分；公司称开放权重版本即将推出。
论文提出 DecoMoE，通过 Sample-Adaptive Visual Boundary 和 Routing-Calibrated Expert Prefix 分别压缩视觉传播与专家计算，并在 Qwen3-VL-MoE 和 InternVL3.5-30B-A3B 上进行六项基准评测。
Lingyu Liu 提出不确定性感知一致性蒸馏方法 UACD，通过局部不确定性估计降低高难度时空区域的一致性监督权重。结合特征空间对抗训练、语义对齐和 LoRA 适配后，50步 Wan 模型实现了4步视频生成，在 VBench 2.0 上取得 0.556 mean score，并在用户研究中获得更高偏好。
Google 发布前沿模型 Gemini 4 Argon，支持文本、图像、视频和音频输入，输出文本，初期仅向 Fairwind 计划中的“trusted cyber defenders”和内部团队开放。
推荐理由：文章同时给出独立评测、价格与 token 消耗，能帮助读者区分 Gemini 4 Argon 的性能追赶、成本优势和效率代价。
宝玉@doteyAI 评分7474谷歌发布新一代旗舰模型 Gemini 4 Argon，在 19 项对比测试中 13 项第一，输出上限从上一代 6.4 万 token 提升到单次最多 100 万 token。
Lots of discussion out there about our next model(!), so I wanted to give an early look as soon as possible. Introducing Gemini 4 Argon! It shows frontier performance in complex workflows, cyber defense and software engineering. Teams are using it extensively at Google, from coding to quantum computing, great feedback. Here’s a look at the benchmarks:
H 公司发布 Holo4 系列智能体模型，含 27B dense 与 35B-A3B MoE 两个版本，并推出基于 Nemotron 3 Nano Omni 的 Holotron4 Nano，均已上线 H Models API，权重以 BF16、FP8、NVFP4 和 4-bit GGUF 在 Hugging Face 开放。
推荐理由：Holo4 给出跨 GUI、代码、MCP 与 API 的统一智能体方案，并公开轨迹与权重，便于评估开源电脑操作智能体的成本与能力边界。
Liquid AI 为视觉语言模型 LFM2.5-VL-3B 发布实验性 DSpark 草稿模型，通过投机解码在不改变输出质量的前提下提升推理速度。该草稿模型增加 280M 参数（约 8.9%），在设备端解码最高加速 3.13x、H100 上最高 2.66x，端到端最高提升 2.62x 和 2.27x。
Parallel 借助 GPT-6 Astra 让智能体研究并综合劳动力市场数据，耗时和成本均降至此前模型的一半。
H Company 发布 NeoMME 多模态多语言编码器，提供 260M 和 800M 两种规模，并以单一双向 Transformer 同时处理文本 token 与原始图像 patch。
推荐理由：NeoMME把多模态编码与视觉文档检索结合，给出模型规模、检索质量、吞吐和索引压缩之间的可复用权衡。
Google DeepMind 推出智能体视频理解功能，覆盖 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite，官方称分析成本最多降低 66%、token 消耗最多降低 88%、准确率最多提升 7%。
推荐理由：官方给出 token 与成本降幅及可用入口，可据此评估长视频分析方案的选型与改造成本。
Hugging Face 在 Diffusers 中引入 Nunchaku Lite，可直接用 from_pretrained() 加载 Nunchaku 的 SVDQuant 4-bit 检查点，无需自定义 pipeline 或本地 CUDA 编译。
推荐理由：原文给出 Nunchaku Lite 在 Diffusers 中的加载方式、显存与延迟数据，可据此判断消费级 GPU 跑扩散模型的量化选型。
Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和面向网络安全的 3.5 Flash Cyber。
推荐理由：官方给出三款 Flash 系列的 token 效率、价格与基准对比，可用于智能体选型和成本估算。
Google DeepMind 发布 Nano Banana 2 Lite（gemini-3.1-flash-lite-image）与 Gemini Omni Flash（gemini-omni-flash-preview）两款模型。
推荐理由：两款模型的延迟、单价与限制条件都写明了，可据此判断图像到视频链路的选型与成本。
FLUX VTO 公开发布，主打面向大规模商品目录的虚拟试衣，单次生成耗时低于 4 秒。模型可保留人物身份以及服装的 logo、印花、缝线和五金细节，支持一次应用最多四件衣物并进行叠穿。精准的身体和服装尺码仍在演进，输出更适合用于视觉造型参考；默认政策不支持泳装和内衣。
推荐理由：原文同时给出速度、商品细节保真和多件叠穿能力，可帮助评估虚拟试衣在商品目录与交互购物中的落地条件。
Recraft 发布图像生成模型 Recraft V4，主打所谓“设计品味”，在构图、光线和色彩上做出更接近美术指导的视觉决策。
推荐理由：四个版本在分辨率、速度与价格上的差异，以及原生 SVG 输出，可作为图像生成选型与设计资产工作流的参考。
Replicate 公开了其 FLUX.1 Kontext [dev] 实现的优化方法 TaylorSeer，用缓存的特征导数配合 Taylor 级数近似被跳过的去噪步，把模型调用从约 30 步降到 10 至 15 步，同时尽量保持质量。
推荐理由：Replicate 公开了 FLUX.1 Kontext 的 TaylorSeer 缓存加速实现，读者可据此理解扩散模型跳步近似与质量取舍。
Replicate 发布 AI 视频模型对比，列出 Google Veo 3、字节 Seedance 1、MiniMax Hailuo 02、快手 Kling 2.1。
字节跳动 Seed 团队发布 Seedream 3.0 技术报告，该原生高分辨率中英双语图像生成基础模型相比 2.0 在分辨率、结构准确性、小字生成与排版、美感等方面提升，可原生 2K 直出、1K 分辨率端到端约 3 秒出图，已在豆包、即梦全量开放。
推荐理由：技术报告披露了缺陷感知数据扩充、跨模态 RoPE 与推理蒸馏等做法，可借鉴到高分辨率文生图的数据与加速方案。
Replicate 宣布 Stable Diffusion 3.5 已上线，提供 Large、Large Turbo 和 Medium 三种版本，分别侧重画质、速度与消费级硬件运行。
推荐理由：文章同时给出三种规格、API价格和Medium权重入口，便于按画质、速度与本地运行条件选择模型。
Black Forest Labs 发布 FLUX1.1 [pro]，这是 FLUX.1 [pro] 的更快版本，生成速度为前代 6 倍，并提升图像质量、提示词遵循度和输出多样性。
推荐理由：文章同时给出 FLUX1.1 [pro] 的速度、质量与价格变化，并展示 Prompt upsampling 对图像生成工作流的影响。
Fal.ai 发布 68 亿参数开源文生图模型 AuraFlow，性能对标闭源方案。研究者推出 llama.ttf，将完整语言模型推理引擎嵌入字体文件。Google DeepMind 提出 JEST 方法，数据筛选效率比随机采样高 13 倍，可用 10 倍更少算力训练高质量多模态模型。