AI 编程实时动态与要闻

以 Sora、Gen-3 与 MiniMax 为代表的视频生成大模型虽然能够渲染出逼真流畅的视觉运动，但在面对包含明确目标与先后次序的‘长程程序化任务（Procedural Tasks）’时（如复杂的烹饪烘焙、机械拆装维修、精细外科手术），现有模型普遍采用‘开环单向生成（Open-Loop Generation）’，导致致命缺陷：模型根本无法感知当前生成的画面到底执行到了哪一步，频繁出现步骤颠倒、无中生有、提前终止或无限死循环。阿联酋起源人工智能研究院（MBZUAI）与澳大利亚国立大学（ANU）研究团队在最新研究（arXiv:2610.12459）中推出了 WorldGuide 框架（项目主页：mbzuai-oryx.github.io/WorldGuide/，开源仓库：github.com/mbzuai-oryx/WorldGuide）。WorldGuide 首次将程序化视频生成形式化为‘视觉世界空间中的闭环任务执行（Closed-Loop Task Execution in Visual World Space）’。系统仅需一张初始静态图与一个高层目标指令，其内部耦合的规划器（Planner）与视频执行器（Executor）便能协同运转：规划器预测下一步原子动作，执行器生成对应动作的连续视频片段，随后规划器基于实际生成的视觉进展动态决策下一步骤或判定任务完成。针对缺乏单步对齐数据的痛点，团队构建了包含 5.9 万个分步标注视频的全新评测套件 WorldGuide-Bench。在任务完成率上，WorldGuide 达到了 33.33%，在无需参考计划的前提下显著击败了强基线 MiniMax-H3（29.90%），在 VideoCraft-Bench 上更是以 47.69% 遥遥领先于 MiniMax-H3（32.73%），官方代码已开源。

Perplexity 10 月 7 日发布 pplx-embed-v2-late 多模态后期交互（ColBERT）检索模型，0.6B（激活 340M）与 9B（激活 7.4B）两档，基于 Qwen3.5 双向注意力，每个 token 输出 128 维向量并用 MaxSim 打分，可直接检索文本、图片与渲染后的 PDF/幻灯片。两档共享嵌入空间，0.6B 可查询 9B 建好的索引。ViDoRe v3 图像 nDCG@10 为 62.3% / 65.2%，MIT 许可上架 Hugging Face。

社区报道阿里集团将内部 AI 代码审查助手开源为 Open Code Review（github.com/alibaba/open-code-review，npm @alibaba-group/open-code-review 现为 1.12.0）。CLI 读取 Git diff，经带工具调用的 Agent 生成行级结构化评论，并支持 ocr scan 全文件审查；可对接 Claude Code、Codex、Cursor。官方基准：50 仓 / 200 PR / 10 语言、1505 标注缺陷，同底层模型下 Precision 与 F1 高于通用 Claude Code，token 约 1/9，召回刻意换精准。

开源插件 dsh-ios（DeepSeek Harness）把 iOS 模拟器与 USB 真机直接接入对话：22 个工具覆盖构建、启动、日志、OCR、无障碍树与 UI 操作，侧栏可实时点按拖拽。真机签名按 Xcode 团队解析，传输走本机短期签名；需 macOS 与完整 Xcode（github.com/ZSeven-W/dsh-ios）。

LatentPress 提出第三种上下文载体：连续 memory tokens。小 writer（约 4.2M–26.2M 参数适配器，约等于解码器 0.1%）把对话史与长文档压成 4–16×，冻结 decoder 经输入嵌入接口直接读取，推理时无需重建文本。LongMemEval 上 7.70× 压缩准确率 0.504，高于未压缩证据 0.490，并明显优于文本摘要与 OCR 压缩；写入约 43ms/会话，读取比原始上下文快 5–9×，利于长上下文智能体记忆。

Cohere 正式推出专为企业级高通量 RAG 与文档 Agent 打造的解析模型 Parse 5。支持表格、复杂表单、图片及精准边界框输出，在 ParseBench 基准中斩获 79.2 分，超越 Mistral OCR 4 与 Azure Document Intelligence，价格仅为每千页 $1.50。