AI 编程实时动态与要闻

NVIDIA Robotics 官方账号在 CoRL 2026 宣布 GR00T 2，NVIDIA GEAR 实验室负责人 Yuke Zhu 同步发布技术细节。GR00T 2 是基于 Cosmos 的新一代世界动作模型（WAM）：一个扩散 Transformer 同时去噪未来视频和动作块，一套模型可驱动平行夹爪、灵巧手和人形机器人。预训练数据包括 40.27 万小时第一视角人类视频、1.02 万小时 UMI 手持夹爪示范和 2.35 万小时机器人遥操作。官方口径下，50 个目标机器人从未练过的任务零样本成功率 40%，每任务 5 条示范（不到 3 分钟机器人数据）在单张 RTX 5090 上 LoRA 微调 30 分钟后升至 95%。推理模型可通过 WAM API 把 GR00T 2 当工具调用。代码 12 月开放，已在 Hugging Face 放出 10 万小时人类视频数据集。

查看大图

Pika 于 10 月 29 日发布 Pika H3 Flex，这是在 MiniMax H3 基础上后训练的音视频一体生成模型，权重已上架 Hugging Face、代码开源在 GitHub，并支持 ComfyUI 和 Diffusers。官方称它把去噪步数从 50 步蒸馏到 6 步，在 768p 下 DiT 去噪平均比 Fal H3 Max 快约 1.8 倍，15 秒带配乐片段最快约 7 秒生成；托管 API 额外提供 1080p 到 4K 超分和对白、配乐、音效、拟音、环境声 5 条可导出音轨。以上速度与质量数据均为官方口径。

查看大图

扩散智能 DiffuSpace（成员来自推出 Dream 7B 的港大 NLP 实验室）10 月 28 日发布首个模型 Clover-35B-A3B-Preview：基于 Qwen3.6-35B-A3B 初始化的 MoE 扩散语言模型，总参 35B、激活约 3B、128K 上下文，按块并行去噪生成。官方口径下 SWE-bench Verified 73.6、Terminal-Bench 2.1 51.7、GPQA Diamond 83.8，单张 GB300 上 Agent 场景生成速度 680 tokens/s。权重 Apache 2.0，已上 Hugging Face、ModelScope 和 GitHub，支持 SGLang 与 llama.cpp。

查看大图

来自新加坡国立大学（NUS）、香港中文大学（深圳）等机构的研究团队在 arXiv:2610.28630 正式发布视频生成渲染框架 SolarRenderer。针对当前 3D 游戏引擎灰模、姿态骨骼、深度图与点云难以极速转化为高保真视觉视频的难题，SolarRenderer 基于冻结的 MiniMax-H3 33B 基础视频模型，引入轻量化控制 LoRA 与 4 步生成 LoRA。利用结构引导分布匹配算法，仅需 4 步去噪即可完成高质量渲染（比传统 50 步采样提速 12.3 倍），并提出块因果（Block-Causal）变体，成功实现 768p 高清视频的毫秒级实时流式生成，为下一代神经游戏引擎与虚拟制片树立了全新标杆。

查看大图

vLLM 官方项目组正式宣布将 PhysisServe 的核心推理加速架构整合至 vLLM-Omni 多模态全能推理引擎中。针对物理世界 AI、视频扩散生成与具身大模型在长程去噪阶段面临的高显存占用与高延迟痛点，PhysisServe 创新性提出去噪步与 Transformer 跨块流水线并行（Block Pipelining）、时间分片批处理与虚拟秩联合调度。在 200 张 GPU 集群上对 MiniMax H3 33B 展开实测，实现每 4.1 毫秒输出一个 Chunk（折合千帧/秒渲染），Wan2.2 5B 单卡单请求延迟从 173 毫秒降至 98 毫秒。

查看大图

三维与四维视觉生成迎来三项底层革新：Gen4P（arXiv:2610.22371）将预训练视频生成模型改造为无需迭代去噪的单次前馈 4D 感知器，在 WorldTrack 基准全面超越 MonST3R 与 Any4D；华科与华为团队推出 SUPRA-TEX（arXiv:2610.22352），将 DTC-Tex 渲染 PBR PSNR 推高至 32.08 dB（超越 TRELLIS.2 的 28.60 dB）；港科大 ForcingBooster（arXiv:2610.12625）通过自适应分块去噪将自回归视频扩散 Patch NFE 砍半（-50.19%），实现无损画质下 1.30 倍端到端加速。

查看大图

围绕交互式视频世界模型（Video World Models）与流式视觉智能体的“历史 KV 缓存膨胀、记忆衰退与工具调用僵化”三大难题，今日四项重磅成果集体亮相：新加坡国立大学王鑫超团队推出免训练 3D 视锥切片注意力路由器 Velox（arXiv:2610.22311），在 H200 上将第 48 块长序列注意力加速 4.36 倍、去噪整体加速 2.43 倍；南开大学侯淇彬团队开源流式视频智能体 DeltaStreamer（arXiv:2610.19849，HF 39 赞），通过变化感知记忆与定向回放斩获 OVO-Bench 66.07%；香港理工大学开源 CoWorld Reasoner（arXiv:2610.21910），通过自演化 VLM-VWM Harness 在 ERQA 上相对提分 13.0%；浙大则推出包含 260 个多回访用例的世界记忆基准 WorldMemBench（arXiv:2610.19063）。

查看大图

10 月 9 日 Ryan Dahl 宣布 Deno 全员加入 Cloudflare，未来研发转向 Workers/Durable Objects 编程模型与自托管版 celld。Deno 运行时再提供一年月度安全与 bug 修复后停止官方开发（保持开源），Deno Deploy 六个月后关停并为付费客户提供迁移到 Workers 的支持，JSR 继续运营。Dahl 明确把 Durable Objects 视为 Agent harness 的关键底座。

查看大图

掩码扩散语言模型（DLMs）凭借并行预测多个 Token 的能力，展现出数倍于传统自回归模型（AR）的生成吞吐量。然而，扩散模型长期存在着相对于同等体量 AR 模型的显著质量鸿沟。亚马逊科学团队（Amazon Science）敏锐指出，这一差距的核心根源在于“计算量与难度不匹配（Computation-Difficulty Mismatch）”：在任意部分去噪的序列中，简单 Token（如标点或常见介词）仅需浅层计算即可推断，而涉及核心实体与因果逻辑的关键 Token 则需要极深的算力推演；但现有的扩散模型在每一个去噪时间步中，对所有未确定的未知位置都盲目施加完全均匀的计算深度。为此，团队研发了创新架构 ALoDLM（Adaptively Looped Diffusion Language Models，arXiv:2610.04198）：以 Token 自适应的隐空间循环（Token-Adaptive Latent Recurrence）取代固定深度的均匀计算。在每个去噪步内，已就绪的简单 Token 立即固化为离散上下文，而未收敛的难题 Token 则在保留隐状态的基础上执行自适应循环深加工。团队在 1.7B 与 8B 参数级别完成了全量训练，在跨越常识问答、数理逻辑与编程的全部 11 项权威基准测试中，ALoDLM 的平均基准得分不仅碾压所有受测扩散模型，更全面超越了同等规模的自回归基线，同时在优化引擎下保持了极高的并行解码吞吐优势。

查看大图

世界动作模型（World Action Models, WAMs）通过从初始观察与指令中联合预测未来的视觉动态与动作流，被视为具身机器人自主操控的核心发展路径。然而现有 WAM 架构在面对长程复杂任务时面临难以克服的算力瓶颈：逐帧自回归生成稠密视频不仅计算极度昂贵且误差累积严重，而若简单退化为仅预测单一终态帧，又完全丧失了朝向目标渐进推进的中间视觉指导。Meta FAIR 联合上海交通大学团队提出了前沿渐进式世界动作模型 ProWAM（arXiv:2610.02508）：核心创新在于联合预测动作以及一组按序排列的“稀疏视觉子目标（Sparse Visual Sub-goals）”，为任务全生命周期的动作生成提供精准锚定的时空视觉脚手架。该架构通过单次前向传播将视频主干提炼的稀疏子目标特征进行高效缓存，彻底终结了重规划时重复生成完整视频的笨重开销，仅需轻量级动作去噪即可完成闭环控制。在仿真基准测试中，ProWAM 在 LIBERO-Plus 上斩获 85.8% 胜率（相对提升高达 +35.9%），在随机化 RoboTwin 上取得 75.7% 胜率，在 RoboCasa365 的 Composite-Unseen 挑战集上名列前茅；尤为关键的是，在零样本真实物理机械臂操作中，ProWAM 在陌生全新场景下达成 70.0% 的超高成功率，相对业界最强基线提升 27.3%。

查看大图