AI 编程实时动态与要闻

腾讯优图实验室（Tencent ARC）联合清华大学在 arXiv:2610.29989 正式发布并开源基于自回归（AR）架构的长视频生成新范式 Looking Ahead（TencentARC/Looking-Ahead）。针对传统自回归视频模型采用逐帧、逐 Token 单向外推导致误差呈指数级累积、在数十帧后画面严重变形崩溃的行业顽疾，Looking Ahead 提出前瞻注意力（Lookahead Attention）机制。系统在保持自回归高效流式生成特性的同时，引入全局规划前瞻流对未来时空锚点进行宏观锁定，反向约束当前局部帧的微观生成，全面终结自回归视频的时空漂移与纹理闪烁，树立了开源自回归视频生成新标杆。

查看大图

现有视频世界模型评测通常将场景记忆与动作执行揉合为单一最终得分，导致模型因未能生成动作而产生的状态缺失被错误归咎于记忆遗忘。香港大学与清华大学团队发表 MIST（arXiv:2610.23542，HF 12 赞，开源代码与主页上线）。该基准首次将“前置动作是否执行”与“后续场景是否记忆”彻底解耦，实测表明在主流视频世界模型中，高达 70% 的表面记忆失败本质上是动作执行失败；引入 M3 执行感知提示与多阶段分离评测后，世界模型真实长程记忆准确率提升 11.8 至 29.6 个百分点。

查看大图

生成兼具电影级画面质感与高保真音效的音画同步视频，是多模态生成式 AI 的终极前沿之一。以往行业方案往往采用分离流水线——先由视频模型生成无声画面，再由外部音频模型进行后处理打轴配音，导致动作节奏脱节、环境音失真以及嘴型对齐（Lip-Sync）完全失效。Kandinsky 团队在最新成果（arXiv:2610.05608）中正式发布并开源了重磅视频基座大模型 Kandinsky 6.0 Video（开源仓库：github.com/kandinskylab/kandinsky-6，Diffusers 集合已上线）。Kandinsky 6.0 Video 采用全新的双流 CrossDiT（Dual-Stream CrossDiT）扩散变换器架构，将预训练视频流与高保真音频流通过双向交叉注意力层紧密耦合，原生支持文本生音视频（T2AV）与图片生音视频（I2AV）。模型包含 3B 参数的轻量版 Lite 与 29B 参数的旗舰版 Pro，原生输出 5 秒长的高清动态画面与 44 kHz 广播级立体声音频，完美支持面部嘴型同步，并内置专属超分辨率模型直升 Full-HD（1920×1080）全高清画质。全套代码、检查点权重与 Diffusers 生态均已在 MIT 协议下完全开源。

查看大图

AWS 于 10 月 7 日发布开源 Agent 沙箱 Strands Box v0.1.0（Rust，Apache 2.0）。它把操作系统级隔离与 Dogwood 策略语言结合：Shell、Python、出站网关和 MCP 调用都先经过同一个默认拒绝的策略引擎，并共享事件历史，规则可以依据“之前做过什么、过了多久”来放行或拒绝。凭证由网关注入，Agent 拿不到明文密钥。目前仅支持 Apple 芯片 macOS，Linux 开发中。

查看大图

在长记忆智能体（Memory-Augmented Agents）与伴侣型 AI 领域，学术界通常依赖合成人物画像与人工编造的问题进行记忆评测，导致测试集存在严重的“线索泄露（Cue Leakage）”与虚高得分。为了还原真实的长期人机交互真相，研究团队重磅发布了首个基于真人长达 120 天真实私密交互的权威评测集 RealCompanion（arXiv:2610.01780）：涵盖 10 段完全真实的伴侣对话，跨越 27,218 条真实历史消息，并由人工逐级校验还原出精准的用户档案、人物画像、问答基准与严格对齐的推理思考链（Reasoning Traces）。实测揭示了三大颠覆性技术真相：其一，“过去的记忆极少被需要，且相隔遥远”——95.9% 的交互仅靠近期滑动窗口即可解答，仅有 2.2% 的探针真正需要检索远期记忆，传统聚合指标产生了严重统计假象；其二，现存的所有记忆触发检测器（Memory Detectors）在真实消息中几乎完全失效，合成基准的人为提问严重泄露了检索意图，单纯给消息贴上“记忆”标签就会诱导模型调用率暴增 10~14 个点；其三，测试的多款 Agent 系统在画像重构 F1 分数完全一致的情况下，API 算力消耗差距竟然高达 31 倍之巨。

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

流式视频大语言模型（Streaming Video LLMs）必须在无法预知未来任务的前提下持续留存关键时空视觉证据，并在适当时机主动发起响应与干预。然而现存模型在实时低延迟感知与构建长效可复用事实记忆之间存在不可调和的矛盾：回溯高维原始视频帧会导致显存瞬时爆炸，而粗暴压缩又导致细节信息永久丢失。南京大学与上海人工智能实验室联合研发了 OneStreamer（arXiv:2610.01762，社区获近 200 赞）端到端流式架构：首创前瞻性层次化字幕记忆（PHCM），在时间线上持续自发生成时间锚定的局部细节描述与事件概括；配合主动状态转移学习（PSTL），有效化解长程监控视频中海量等待空闲状态对梯度的无用稀释；并开源了超百万条数据的 OneStreamer-1M 高质量流式交互基准。实测仅用 4B 参数规模的轻量模型，便在全部 8 个权威流式视频理解基准上斩获全项第一。

查看大图

在长达数小时的长视频理解与长程时序智能体决策中，模型必须通过数十步推理连续收集跨片段证据。然而现有方法普遍采用“仅追加”（Append-Only）的工作记忆模式，随着上下文不断塞入新观测，核心证据的注意力迅速坍缩，智能体无法有效调取先前已发现的关键事实——这种系统性记忆失调现象被正式命名为“语义抖动”（Semantic Thrashing）。罗切斯特大学与微软研究院团队推出 VideoLoop 双循环工作记忆智能体：设计了外层全局推理循环与内层工作记忆重写循环。内层循环在每一步后从无边界文件系统中按需检索历史观测与中间分析，并在有限大小的工作记忆中动态执行提炼与覆写。VideoLoop 作为即插即用框架覆盖四大主流大模型底座，在 VideoMME（长视频）基准上平均提升 4.2 个百分点，配合 Gemini 3.1 Pro 达到 88.3% 历史新高，彻底根治了超长时序智能体的上下文注意力崩溃难题。

查看大图