AI 编程实时动态与要闻

蚂蚁集团旗下具身智能公司灵波科技（Robbyant）11 月 9 日开源触觉基础模型 LingBot-Touch（Apache 2.0），用 JEPA 式潜空间预测和共享 Haptic Transformer，把压阻、磁感、视触觉三类传感器统一成同一套触觉 token。官方技术报告称：在 26 项双臂灵巧手真机任务上，接入冻结的 546 万参数 Tiny 编码器后，Diffusion Policy、π0.5、LingBot-VLA、T-Rex 的平均成功率分别提升 13.9–24.8 个百分点，而直接喂原始触觉信号最多只有约一半收益。Tiny 与 Small 两个权重已上 Hugging Face。

查看大图

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

Meta AI（@AIatMeta）于 11 月 5 日宣布，Connect 上预览的 Muse Realtime Avatar 开始在美国 Muse App 灰度：把 Muse Realtime Voice 变成可互动的实时形象。研究博客称系统为音频驱动的 Diffusion Transformer，与语音共享 speech token 流以同步口型与表情；单会话在 GB200 上可流式输出 448×768@25fps，用户话轮结束到音视频首字节约 870ms，并用 Meta Video Seal 做不可见水印。面向 18+ 用户；官方未公布全球时间表与开发者 API。

查看大图

Ricursive Intelligence 于 11 月 4 日（UTC 18:24）发布首个模型 Ripple-65B Preview，并在 Hugging Face 以 Apache 2.0 开源指令版（BF16、NVFP4）和基座版。官方模型卡显示：65B 稠密 Transformer、12T token 预训练、最长 1M 上下文，自报 TerminalBench 2.1 80.5、SWE-bench Pro v2.0 Hard 79.1、DeepSWE 1.1 44.3，在编码 Agent 任务上超过参数大得多的美国开源模型；可在 DGX Spark 等本地硬件运行。CEO Anna Goldie 称成本约为此前同类 SOTA 的十分之一。

查看大图

DeepSeek 旗下开源 Agent 应用 DeepSeek Harness（MIT 协议）11 月 2 日在 X 官方账号发布 Creator Mode：用户用自然语言描述想要的插件，Agent 把它做成可直接使用的插件，演示包括 3D 地标馆、Transformer 3D 可视化、视频剪辑台和论文阅读器。官方同时在 cdn.deepseek.com 公开了 7 个中英双语演示 Prompt，并提醒部分插件经过多轮对话打磨，单条 Prompt 未必能完全复现视频效果。原帖约 2 万赞、169 万次浏览。官方未公布任何跑分。

查看大图

商汤 10 月 30 日在官方 X 账号和 Hugging Face 发布 SenseNova-Loop-9B-Preview（Apache 2.0）。它把 32 层解码器里的第 4–27 层用同一套权重连跑两遍，每次前向执行 56 层计算，存储约 9B 参数、推理参数约 14.6B，并用两路 mHC（流形约束超连接）管理残差流。模型支持文本加图片输入，训练序列最长 262,144 token。官方图表显示它在 BIRD-Dev、WorkBuddy Bench 等多项 Agent 与数据任务上超过 Qwen3.5/3.6 同级模型，但 Terminal Bench 2.1 仍落后；技术报告尚未发布。官方 X 首帖约 910 赞。

查看大图

10 月 20 日，UCSD Hao AI Lab 的 FastVideo 团队开源 FastH3 Omni，这是 MiniMax H3 参考生成音视频（Ref2VA）模型的蒸馏版，可同时用文本、最多 9 张图、视频片段和人声参考生成带同步立体声的视频。采样从 50 步降到 8 次 transformer 计算，官方在 8 张 GB200 上测得端到端延迟降低 5.6–11.9 倍，训练代码一并开源，并提供面向 DGX Spark、RTX 5090 的 NVFP4 权重和 ComfyUI 支持。

查看大图

10 月 20 日 PyTorch Conference 2026 上，Google 宣布与 Meta PyTorch 团队共同开发的 TorchTPU 在 GitHub 开源，让 TPU 和 GPU、CPU 一样成为 PyTorch 原生设备：支持 eager 模式和 torch.compile、约 450 个 ATen 算子、torch.distributed 集合通信。同时开源 vLLM-TorchTPU、SGLang-TorchTPU 推理引擎，打通 TorchTitan、Ray、VeRL、Hugging Face Transformers v5（device_map="tpu"），并预览面向 Claude Code、Antigravity 等编码助手的 TPU agent suite。前一天 AWS 刚发布同类的 TorchNeuron。

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

Adobe Research 与布朗大学在 arXiv:2610.22744 中正式发布统一多模态多参考视频编辑框架 OmniXRef。针对现有视频编辑模型通常仅支持单一文本提示、难以精确解耦多参考源（如参考视频的运镜、参考图像的主体外观与自然语言指令）的行业痛点，OmniXRef 采用单流扩散 Transformer（Diffusion Transformer）架构，提出 Mix-Patchify 与参考相对位置编码（R2-RoPE）。实测显示在运镜轨迹迁移中旋转误差低至 0.874、平移误差 3.961，超越顶尖商用闭源系统达 5 倍以上。

查看大图

传统投机解码（Speculative Decoding）依赖目标模型的静态隐层特征，无法适应草稿模型随位置变化的动态上下文需求。香港大学团队发表 ReaDy（arXiv:2610.20503，HF 6 赞）。该框架首次为混合线性注意力模型（Hybrid Linear Attention，结合 Transformer 与 Mamba/RWKV 循环层）设计了以紧凑循环隐状态为动态上下文的投机草稿机制。在 NVIDIA B200 单卡上对 Qwen3.8-27B 展开评测，投机接受长度达 4.53，单卡解码吞吐飙升至 302.78 TPS，较标准自回归提速 2.4 倍。

查看大图

循环语言模型（Looped Language Models）通过在逻辑深度上反复复用物理 Transformer 块大幅缩减权重规模，但过往架构将循环位置、输入注入与隐状态设计深度纠缠。卡内基梅隆大学（CMU）与复旦大学联合发表 Looped Models Done Right 第一部分（arXiv:2610.23036）。团队提出“前奏-循环块-尾声（Prelude-Recurrent-Coda）”三明治架构，在 5000 亿 Token 严苛预训练中，仅含 8.0B 常驻/7.94 亿激活参数的 Huginn MoE 在 MMLU、GSM8K 与 MATH500 上全面追平 32.0B 常驻/32 亿激活的前馈 MoE 基线。

查看大图

现有连续扩散语言模型（CDLM）普遍直接套用自回归 LLM 或图像 DiT 架构，存在特征尺度失控与梯度路由紊乱问题。小红书、北京大学、香港中文大学（深圳）与 UCLA 团队联合发表 LangDiT（arXiv:2610.22330）。通过骨干网与 Q/K RMSNorm、展宽噪声条件调制、词表头残差截断解耦及置信度门控自条件引导，在 OpenWebText 基准上将 LangFlow 生成困惑度压至 21.72，适配 Plaid 架构后进一步取得 11.33 的全新 SOTA 困惑度记录。

查看大图

针对大模型数学证明缺乏步骤级验证标签与上下文精确复制存在 LM Head 梯度瓶颈的两大难题，今日两项基础研究给出突破：NYU/UCLA/Stanford 联合推出 LeanPRM（arXiv:2610.17697），利用 Lean 4 证明助手自动构建含 10,634 篇证明与 15.2 万个步骤标签的零人工标注数据集，将 Qwen3-4B 步骤验证准确率从 48.2% 拉升至 74.7%（远超 PRM800K 的 60.3%）；康奈尔大学提出复制粘贴语言模型 CPLM（arXiv:2610.19247），以仅约 3% 算力开销打破 LM Head 梯度瓶颈，使窗口仅 w=128 的滑窗模型追平全注意力困惑度并在 4 倍外推长度（16K）持续收益。

查看大图

Google AI Studio 正式宣布向 Google AI Pro 订阅开发者全面开放旗舰模型 Gemini 4 Argon 的 Build 与 Playground 交互构建能力；与此同时，Hugging Face Transformers 连发 v5.20.0 与 v5.20.1，免远程代码原生集成 Reflection AI 编码大模型 Beam、Meta 816B（42B 激活/1M 上下文）全模态编程模型 Muse Spark Open、蚂蚁 Ling 3.0 Flash 及面壁 MiniCPM-V 4.7。

查看大图