AI 编程实时动态与要闻

Randall Balestriero 与 Yann LeCun 10 月 29 日在 arXiv 发布论文《Proving and Improving the Platonic Representation Hypothesis with JEPAs》（2610.39302），署名单位为 Brown University、NYU 和 AMI Labs。论文证明：只要正样本对是同一场景的两次观测（「好视角」），分别在不同模态上训练的 JEPA 会学到只差一个旋转的相同表征；而 next-token prediction 相当于「坏视角」的 JEPA，所以语言模型只能靠堆规模才与视觉对齐。作者称，好视角达到同等对齐只需 next-token 的 1/42 训练样本，109M 文本 JEPA 在 DINOv2 对齐上得 0.184，高于 Qwen2.5-72B 的 0.154（论文作者口径）。代码与在线 Demo 已开放；Balestriero 的发布帖约 1,054 赞、7.2 万浏览。

查看大图

Canva 10 月 29 日发布 Brush，这是 Canva Research 做的首个面向设计的视觉语言模型，能读懂设计的版式、图层和风格，按指令改一行文案或整套演示文稿，并用写代码再检查页面的 agent 循环来迭代。官方称相比此前的设计 agent 最多快 69%、每任务成本低 46%（厂商口径）。即日起为 Canva Pro 用户驱动 Canva AI 的部分设计编辑。

查看大图

独立评测机构 Artificial Analysis 10 月 28 日发布 Intelligence Index v5，是 1 月 v4 以来最大一次改版：新增 Cognition 的 FrontierCode 2.0 和 Terminal-Bench-Science，用 HLE-Diamond 替换 Humanity's Last Exam，60% 的权重来自私有或答案保留的测试集。榜首为 Claude Opus 5.5（max）58 分，GPT-6 Astra 57、GPT-6.1 Sol 55；开源权重最高的 Kimi K3.1 Pro（权重尚未发布）46 分，与榜首差距从 v4.3 的 3 分扩大到 12 分。同时推出跨年代对比的 Progress Index v1。

查看大图

Liquid AI 10 月 27 日发布新一代基础模型 LFM3，采用卷积、滑动窗口注意力与全局注意力组成的「三混合」架构，预训练 22T token。首批 6 款模型都从 LFM3-1.7B-Base 分支，均约 2B 参数，权重已上架 Hugging Face（LFM Open License v1.0）。官方称文本模型 LFM3-1.7B 4-bit 约占 1GB 内存、支持 256K 上下文，在多项智能体基准上超过体量数倍的模型。

查看大图

Apple 10 月 26 日发布 iOS、iPadOS、macOS、watchOS 和 visionOS 27.2，基于 Apple Intelligence 重做的 Siri AI（Beta）在英语之外新增法语、日语、韩语、葡萄牙语和西班牙语。官方称繁体中文、挪威语、土耳其语和越南语将在年底前上线。按 iOS 27.2 发布说明，Siri AI 现在可以回忆过去的对话，并能从信息里的照片、日历参与者、语音留言等更多来源取材。Siri AI 仍不在欧盟（iOS、iPadOS、watchOS）和中国大陆提供，依赖服务器端模型的功能有每日用量上限，Apple 称未来将推出付费的扩展额度。

查看大图

韩国知名游戏巨头 Krafton 旗下人工智能研究院 Krafton AI 正式公开了其自主从头预训练的代码与智能体轻量级模型 Raon-1 mini。该模型采用总参数量 300 亿（30B）、单 Token 仅激活 40 亿（4B）的稀疏混合专家（MoE）拓扑，遵循宽松的 Apache 2.0 开源许可证。官方同步开源了专用的 DFlash 快速投机解码模型与可在线体验的交互沙盒。实测显示，Raon-1 mini 在复杂编程、命令行排障与多轮工具调用智能体基准上全面对标 Meta 最新推出的 Muse Glimmer，而单卡显存占用与推理延迟显著更优。

查看大图

加利福尼亚大学圣迭戈分校（UCSD）研究团队在 arXiv:2610.21783 中推出 3D 空间主动探索与推理智能体 ACT3D。针对传统 3D 具身模型依赖昂贵稠密多视角图像、多模态视频流或重型点云编码的痛点，该研究完整保留单目视觉语言模型（VLM）的原生单帧第一人称编码，将 3D 环境作为动作与交互观测场。经结果驱动强化学习（RL）优化后，在六大 3D 评测基准上取得 53.2% 的平均准确率（较基座 Qwen 跃升 22.0%），一举超越商业旗舰 Gemini 3.6 Flash，且输入帧数节省 50%~70%。

查看大图

Cloudflare 10 月 19 日发布 Clairic 预览版，定位为「System One 抽取模型」：不逐 token 生成，而是一次并行前向传播，从文本或最多 4 张图片里抽取、计算、估计和预测带类型的值，每个答案附置信度、字符位置和缺失概率，缺失时返回 null。模型以 @cf/cloudflare/clairic 上线 Workers AI，文档标注 64K 上下文、支持视觉、每百万输入 token 0.10 美元且不收输出费。官方示例中，Clairic+Clef+GLM-5.3 级联比全用 GLM-5.3 快约 3.2 倍、成本低约 49%（官方口径），权重将在之后开放。

查看大图

LMSYS 官方宣布在竞技场（Arena）中开放 OpenAI 旗舰图像模型 GPT-Image-2.5 Sunburst 的专属“直接测试模式”（Direct Mode），限时测试 14 天（至 11 月 2 日）。该模型当前在 LMSYS 文生图（Text-to-Image）、单图编辑（Image Edit）及多图编辑（Multi-Image Edit）三大竞技场全部霸榜第一。测试期结束后将继续保留在匿名双盲对战与 Agent 模式中，用于持续校准真实世界 Elo 积分。

查看大图

针对多模态大模型普遍依赖纯文本监督而欠缺像素级细粒度空间定位能力的瓶颈，小米 AI 实验室（Xiaomi AI Lab）发表技术报告 Xiaomi-Lens-0（arXiv:2610.23279）。该模型基于 Qwen3.5 4B 打造，通过轻量级掩码解码器将视觉编码器 Patch 特征、隐层表征与掩码 Token 状态深度融合，在 RefCOCO/RefCOCO+/RefCOCOg 目标表达理解（REC 达 94.6%/92.1%/92.5%）与表达语义分割（RES cIoU 达 83.4%/79.9%/81.1%）上全面超越 Florence-2 与 LISA，同时保持 69.7% 的通用多模态感知高分。

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

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

针对视觉-语言-动作（VLA）模型中高层语义特征、世界模型视频预测与底层高频动作控制相互割裂的难题，中关村学院与清华团队提出共享预测意图模型 PINT（arXiv:2610.16355），在无需具身预训练下将 RoboTwin 2.0-Hard 成功率从 StarVLA 的 3.2% 提升至 15.5%（4.8倍）；同日发表的 PAIR（arXiv:2610.09016）与北大 SimForcing（arXiv:2610.06598）分别通过训练期掩码动作自编码器桥接令牌与仿真运动先验蒸馏，实现零额外推理延迟下的真机操控跃升。

查看大图

针对前馈式 3D 高斯泼溅（3DGS）在大视角跨越下渲染质量骤降以及免训练扩散生成式压缩显存算力开销过大的痛点，今日两项重磅视觉与图形学成果给出突破：浙江大学周晓巍、鲍虎军、彭思达团队开源 InfiniSplat v2（arXiv:2610.20341，HF 118 赞），通过冻结几何分支解耦几何与属性预测并引入大角度目标视图监督，在 6 大三维数据集上将平均 LPIPS 与 DISTS 误差分别大幅降低 25.8% 与 32.9%；以色列理工学院推出 H-DDCM（arXiv:2610.18125），用隐式随机哈达玛（Hadamard）字典替代稠密高斯码本，将计算与显存降至 O(d log d) 与 O(d)，结合周期性 KV 缓存前缀重编码实现单 GPU 准实时流式生成视频压缩。

查看大图