Shenxiang Zeng 的论文提出 Asking the World（ATW），通过世界建模与世界探测两个自适应阶段，从视频构建并干预可执行的物理世界。基于 Gemini-3-Flash，ATW 在 CLEVRER 上达到 80.82% 问题级准确率，在 ContPhy 上达到 70.56%，并在三个真实场景中达到 71.67%。
推荐理由：论文将视频中的物理推理转化为可执行世界的建模与探测，并用多组基准展示了这种验证式流程相对直接 VLM 推理的提升。
Ruiqi Li 等人提出 MindWorldBench，评估图生视频模型根据心理状态生成行为的能力。该基准使用 Zero-Action Prompting 和包含 744 个提示的反事实设计，并对 11 个模型进行评测。结果显示，模型虽然具备视觉保真度和物理推理能力，但难以让行为与潜在心理状态一致，常出现偏向客观世界状态而非人的主观信念的 Omniscient Bias。
推荐理由：论文用 744 个反事实提示评估图生视频的心理状态到行为推理，并揭示模型偏向客观世界状态的失败模式。
一项机器人空气曲棍球防守研究表明，采用64维状态的纯线性循环模型（k=0）蒸馏DreamerV3教师策略后，在暂时失去冰球追踪时的表现可匹配GRU基线和教师策略。五个匹配随机种子的实验显示，增加非线性创新秩未带来测得收益；该模型循环参数更少、计算量更低。结论仅限于文中设定的模拟任务、教师、状态维度和 blackout horizon。
论文提出 Token 级感知落地优势估计（TPAE），利用 token 的视觉依赖与预测熵，为多模态推理生成细粒度强化学习监督信号。分析显示，正确推理链在视觉落地增强时熵下降更明显，关键 token 也是正确推理链联合分布中的统计异常点。TPAE 在七个基准上持续优于强基线，并带来更稳定、高效的优化。
LocoWM提出世界模型引导的预主动残差适应框架，提升机器人高精度运动控制能力。基础策略负责跟随运动指令，动作条件世界模型根据本体感知历史预测未来物理状态，残差适配器据此生成动作修正。地形调平、加速度补偿和推搡恢复实验显示，LocoWM相比端到端和反应式残差基线具有更高控制精度与抗扰性。
论文提出 MEND，用一个基于真实状态转移训练的条件 score network，在没有错误标签的情况下检测、定位并尝试校正冻结世界模型中的潜在幻觉。在两个导航环境中，MEND 的幻觉检测 AUROC 最高达 0.80，逐 token 定位 AUPRC 最高达 0.87，且不使用动作信息。推理时校正可降低单步潜在误差并改善预测，但部分误差位于数据流形切向方向，论文因此重点讨论检测与定位。
推荐理由：论文把世界模型的潜在幻觉拆成检测、定位和推理时校正三个可评估环节，并给出无需错误标签的指标结果，适合参考相关鲁棒性研究设计。
OpenAI 在 Dev Day 宣布让 ChatGPT 承担应用发现、启动和使用，并推出“Sign in with ChatGPT”、企业应用市场及 Dots 智能体。ChatGPT 将根据对话推荐应用，支持交互式扩展面板；Dots 可连接超过 4,000 个应用，企业市场首批有 30 多家合作方。OpenAI 尚未公布类似传统应用商店的计费或收入分成机制。
推荐理由：原文把 ChatGPT 的应用分发、身份层、企业市场与 Dots 串成一套路径，可用于判断 AI 入口如何改变软件发现和调用方式。
Destro AI 以 AI intelligence layer 协调物流场景中的机器人与人类工人，并凭此从 stealth 状态融资 $8 million seed round。
Google 发布 Gemini 4 Argon，称其面向编码、研究和写作等任务，尤其擅长防御性网络安全，并可自主发现、验证和修复关键软件漏洞。Argon 目前仅通过 Fairwind Program 向一组选定的网络安全合作伙伴开放。Google 还称其在多项基准测试中高于 OpenAI 的 GPT-6 Astra 及 Anthropic 的 Fable、Opus。
宝玉@doteyAI 评分88宝玉@doteyAI 评分1212
The story is crazy, started with Arnold on social and ended in Finland having F.02's jump into a 75-ton arc furnace Read about our journey here: https://www.figure.ai/news/f-02-decommission
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。
Flow Engineering 完成 $50 million Series B 融资，估值达 $750 million，Valar Equity Partners、Atreides Management 和 Sequoia Capital 参与投资。
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:
Google DeepMind 发布 Gemini 4 Argon，面向复杂软件工程、企业知识工作和网络安全防御，现通过 Fairwind Program 向一批可信网络防御者分阶段开放。
推荐理由：原文同时给出 1M tokens 输出上限、企业工作流评测与分阶段开放安排，可用于比较长程任务能力和接入门槛。
OpenAI在Dev Day上披露了Decisions API有限预览，可让模型在预设选项中快速作出决策，并支持图像理解、广泛语言和安全能力。该API被认为与TypeSafe AI面向软件自动化的Jev相似，后者可低成本、高速输出选项概率。QueryStory的演示显示，用Jev监控每次智能体行动的成本为$2.94，而使用frontier LLM为$372。
AI语音公司ElevenLabs宣布允许员工以$22B估值出售部分已归属股权，近期完成的$300 million要约收购由Wellington和T. Rowe Price联合牵头。该估值是公司今年2月以$500 million融资时$11B估值的两倍，也是其第二次为员工安排二次交易；公司曾于2025年9月以$6.6B估值完成$100 million要约收购。
Google 正在全球 Gemini 聊天中推出 Skills，用于保存和调用特定任务的详细提示词，并取代 Gems。用户可输入“/”加 Skill 名称调用，Gemini 还能从历史对话生成 Skills，并在检测到匹配提示时自动运行；Skills 支持文本文档、PDF 和图片作为参考材料。
推荐理由：这次迁移展示了 Google 如何把可复用提示词、自动触发和多份参考材料组织进 Gemini 的智能体工作流，便于比较不同厂商的 Skills 方向。
Comfy API 面向付费 Comfy plan 用户上线，可将 ComfyUI 工作流及其 custom nodes、LoRAs、models 和 Python dependencies 打包为可自动扩缩的 API endpoint。
推荐理由：它把 ComfyUI 工作流的环境封装、版本固定与弹性部署合并进同一流程，适合评估从本地创作到产品化 API 的迁移成本。
Runway宣布Praxis-1，这是其首个开放权重世界动作模型，目前正与早期伙伴在不同机器人具身和环境中测试，并计划未来几个月公开发布。Praxis-1基于大规模视频预训练，Runway称其在世界模型中模拟机器人策略与现实结果的相关性达到0.95。早期测试伙伴包括Noble Machines、Standard Bots和Ultra，模型将在各自硬件上运行。
推荐理由：Praxis-1将视频预训练用于跨具身机器人策略，并以0.95相关性仿真结果和多种硬件测试说明其开放权重路线。
Google DeepMind 发布 SynthID Bio，可将不可感知的签名嵌入蛋白质序列或预测的3D结构，并在合成后的实体蛋白质上验证来源。实验覆盖 VEGF-A、SARS-CoV-2 spike protein RBD 和 PD-L1 三种目标，水印设计保持了未加水印版本的命中率、结合亲和力和天然序列多样性。Google DeepMind 同时开放方法论文、代码、体外数据和研究权重。
推荐理由：文章同时给出蛋白序列与3D结构水印的实现路径、实验边界和开放内容，便于判断其在生物安全审查与科研数据库溯源中的落地位置。
宝玉@doteyAI 评分7171
沐阳@yyyoleAI 评分00
可灵发布一篇 2026 年 UGC 视频生成工具指南，对比 Kling AI、Higgsfield、Dreamina、HeyGen 和 CapCut 在场景生成、数字人呈现与视频组装等工作流中的适用方向，强调这不是基准排名。
推荐理由：文章按产品场景、脚本呈现与后期组装拆分工具差异，并给出从参考素材到审片修复的 Kling AI UGC 工作流，便于评估商品保真与制作成本。
Kling 4.0 通过 Multiple Keyframes 在视频时间线上设置多个视觉节点，单次生成最多支持 10 张关键帧图像，原生视频时长为 3 到 30 秒。官方指南还介绍了如何结合 Omni Reference、时间线提示词和一致性参考素材，控制商品广告或短叙事中的角色、产品、场景与镜头变化。
推荐理由：这篇指南把长视频控制拆成关键时间点、参考素材与过渡提示词，适合复用到商品广告和结构化短叙事的制作流程中。
可灵介绍了使用 AI 将静态图片制作成短视频的四步流程，包括上传图片、描述运动、设置时长并生成，以及检查和优化结果。教程以 Kling VIDEO 3.0 Omni 为例，支持使用 Start Frame、End Frame 和 Element 参考，单次生成最长 15 秒，并提供多镜头、原生音频和常见问题修复方法。
推荐理由：文章将图片转视频拆成选择运动对象、编写提示词、设置时长和复检四步，并给出起始帧与元素参考的使用方法。
Kling 4.0将于2026年10月正式发布，原生视频生成时长从3–15秒扩展至3–30秒，并支持最多10个关键帧。新版本还支持最多15个组合参考资产、10-bit HDR、双声道立体声和定向多模态视频编辑。Kling 4.0 Flash已于9月28日向有限用户开放提前体验。
推荐理由：这篇对比把时长、关键帧、参考资产和视频编辑放在同一框架中，便于按项目复杂度选择 Kling 3.0 或 4.0。
Kling 4.0完整模型计划于2026年10月发布，新创作体验自9月28日起向有限用户逐步开放早期访问。模型支持3至30秒原生视频生成、最多10个关键帧，以及最多15个组合参考素材，并提升运动稳定性、角色与商品一致性、音画同步和视频编辑能力。
推荐理由：文章梳理了从多模态参考、关键帧到时间线审片的完整链路，可用于规划商品广告和短叙事视频的生成与修订流程。
Hugging Face 发布 Open TTS Leaderboard，用客观指标评估开放源码 TTS 模型的可懂度、速度和说话人相似度，并覆盖多语言与语音克隆场景。排行榜使用 WER/CER、RTFx、TTFA 和 SIM，支持在 H200 GPU 与 CPU 上比较流式性能，并提供 Listen 标签页供用户试听和投票。
推荐理由：该排行榜把 WER/CER、推理速度和说话人相似度纳入统一评测，并保留试听投票，便于比较开放源码 TTS 在多语言和流式场景中的取舍。
ElevenLabs完成$300 million员工要约收购，估值达到$22 billion，是其2026年2月Series D估值的两倍。公司称企业客户已贡献55%的收入，ElevenAgents每周处理超过15 million次对话，较2月增长3x；其语音智能体平均比聊天智能体快31%解决问题。
推荐理由：企业收入占比、智能体处理量和多渠道部署数据，提供了观察语音智能体商业化进展的具体参照。
专业 AI 头像生成器的 5 个选项包括 Kling AI、Adobe Firefly、Dreamina、Aragon AI 和 BetterPic，差异集中在参考图、一致性与生成后编辑。
宝玉@doteyAI 评分6262Give your app real-time decision-making with Decisions API, powered by GPT-6 Luna. Define questions and possible answers to classify content, route requests, or choose an agent’s next action. Available in limited preview.
ComfyUI 发布 v0.38.0，新增多项模型支持与 Partner Nodes，并改进 KV cache、Transformer 编译、显存使用和资产扫描。
推荐理由：该版本同时覆盖模型接入、显存与编译优化、资产扫描和 HDR 处理，便于创作者评估升级对现有工作流的影响。
PRISM提出一个真实到仿真再到真实框架，用少量真实视频生成大规模多样的人体与物体交互训练数据。研究通过视频到视频生成数百条反事实视频，再重建并调整人和物体的运动轨迹，训练出无需真实世界微调的策略。搭载该策略的人形机器人仅使用机载深度观测，就能在不同物体实例、尺寸和初始配置下完成箱子、桶、箱体和球的拾取、搬运与放下。
推荐理由：PRISM展示了如何用少量真实交互视频生成反事实数据，并通过真实到仿真再到真实流程训练人形机器人的移动操作策略。
论文提出 LongLive-Plug，一种将蒸馏能力学习为基础模型 LoRA 的一次性框架，可免训练即插即用于兼容的下游视频模型。它覆盖单次 CFG、少步采样和长上下文错误校正，并在三类骨干网络、54 个下游模型和八类任务上进行了验证。
推荐理由：论文给出把单次 CFG、少步采样和长上下文纠错封装为可复用 LoRA 的方案，并以 54 个下游模型展示跨任务免训练部署路径。
FracGen 论文提出一种从单张完整物体图像生成可控断裂视频的模型，并通过物理信号建模撕裂与形变过程。作者构建 FracSim 生成带有密集像素对齐物理场的断裂视频数据，用联合预测和物理约束损失训练模型。实验显示，FracGen 在物理保真度和视觉保真度上均优于现有视频生成基线，并可控制撕裂位置、裂纹传播速度及失效前形变量。
推荐理由：论文将断裂模拟产生的物理场用于视频生成训练与约束，为可控物理动态建模提供了具体技术路径。
研究团队提出 LIFT 图像到视频生成框架，用最后一帧布局控制未来视图中应出现的内容及其位置。该方法通过在策略自蒸馏，将密集布局教师的控制能力迁移到最后一帧布局学生，并构建包含大视点变化、相机与时序一致布局标注的 LIFT-Vista 数据集；实验显示其视频质量、未来布局可控性和相机可控性优于其他方法。
推荐理由：论文把最后一帧布局引入大视点变化的视频生成，为未来画面内容与空间位置的联合控制提供了可复用思路。
论文提出HelixWorld，使视觉场景与基于相机的空间立体声音在用户交互下共同演化。研究通过6-DoF相机轨迹和用户动作进行训练，并将模型蒸馏为低延迟流式模型，在单GPU上以24 FPS生成无漂移的音视频轨迹。论文还提出空间声学一致性与HelixBench，用于评估声音场是否跟随动态视点变化。
推荐理由：论文将空间立体声纳入实时世界模型，并以24 FPS单GPU交互和HelixBench展示音画协同建模与评测路径。
沐阳@yyyoleAI 评分2222沐阳@yyyoleAI 评分1010Tibo的实体重置按钮曝光了！！ 我就知道，一定有实体的Reset按钮！ 不是按钮，而是个拉杆！ 万万没想到的是： 按下按钮之后，十秒钟之内，还可以撤销！！！ 谈话间，Tibo撤销了一次重置！
Guys, @thsottiaux’s reset button is REAL! 🤯 My full conversation with the man himself drops tomorrow on X and YouTube! Some massive updates are coming our way. I wish I could say more 👀