Gemini Omni將影片生成直接整合到Gemini多模態AI助手中，支援從文本或影像建立影片、動畫靜態影像以及編輯現有影片。文章透過實際測試展示了其能力，同時指出使用限制、版權問題和區域限制等不足。

本教程使用MONAI構建端到端3D醫學影像分割流水線，在Medical Segmentation Decathlon Task09資料集上進行脾臟分割。涉及CT體積資料處理、醫學影像變換（方向對齊、體素間距歸一化、強度窗寬、前景裁剪、基於補丁的取樣），訓練3D UNet模型進行二元器官分割。採用混合精度訓練、DiceCE損失、滑動視窗推理、Dice驗證及定性視覺化，從原始醫學體積到完整的訓練-驗證-視覺化分割系統。

這款全球流行的增強現實遊戲收集的位置掃描資料，被用於訓練人工智慧識別和解讀物理空間，未來可能幫助軍用無人機在戰區確定位置。

蘋果軟體主管 Craig Federighi 表示，新的 Siri 不會像其他聊天機器人那樣阿諛奉承或鼓勵使用者建立情感聯絡，而是專注於提供幫助。

Qursor 是一款創新工具，允許使用者透過指向任何使用者介面元素，將其精確上下文傳送給AI助手，從而簡化互動過程。該產品已在Product Hunt上釋出。

本文探討了AI領域中的“迴圈”概念，即設計自動迴圈來驅動代理，而非手動提示。文章涵蓋了Anthropic的Fable 5釋出及其引發的爭議、自動化AI研究系統、資料基礎設施瓶頸、推理速度最佳化以及代理工具的最新發展。

Sparse2Act是一種新的預訓練框架，利用任務空間末端執行器動作作為幾何監督來對齊稀疏點雲編碼器的觀察與動作。在LIBERO-10基準上達到86.9%的成功率，併成功跨域遷移至Meta-World-5（73.4%），真實世界實驗中達到72.5%的成功率。

EquiDexFlow是一種SE(3)-等變流匹配模型，能夠從物體點雲聯合預測腕部姿態、關節角度、指尖接觸點、表面法線和接觸力。該模型透過構造將接觸點投影到物體表面並將力約束到庫侖摩擦錐內，無需損失懲罰即可保證放置和摩擦合規。實驗表明，在200次旋轉測試中腕部殘差低於0.04°，關節偏差為零，且在所有消融變體中實現了零摩擦違規和最佳綜合分數。在物理機器人上，重定向後的抓取成功完成了所有六個測試物體的開環抓取保持任務。

EWAM是一種基於凍結核Cosmos3骨幹網路的閉環線上自適應架構，透過推理時協同推理機制（包含四個輕量級神經層）實現零樣本任務適應，無需微調或額外演示資料，顯著降低新任務佈局所需的部署資料量。

arXiv新論文提出DARRMS演算法，透過動態調整智慧體的注意半徑來降低計算資源需求，在保持效能的同時提升多智慧體系統的協調性和可擴充套件性。理論分析與實驗驗證表明，該自適應觀察方法在資源受限環境中有效提高了系統效能和決策魯棒性。

EgoEngine是一個可擴充套件的框架，能夠將自我中心的人類操作影片轉換為高保真的機器人觀察影片和可執行的動作軌跡，從而克服了從人類演示到機器人學習中的視覺和動作鴻溝。該方法在模擬和真實機器人上實現了零樣本的靈巧策略學習，無需真實的機器人演示資料。

本文提出FlowPilot，一種僅使用單目RGB攝像頭的無地圖長距離人行道導航策略。透過錨點流匹配進行預訓練，並引入人在迴路中的偏好學習，提升了社會合規性和反事實推理能力。模擬實驗中成功率達42%，路線完成率66%，真實世界實驗中干預率降低40.0%，非干預率降低52.1%。

本文提出G-MAPP框架，利用GPU加速世界建模和基於向量場的規劃，實現高達5倍的加速，並緊密耦合感知-行動迴圈，用於非結構化環境中的即時反應式運動生成。在7自由度Franka Emika機器人上的實驗驗證了其有效性。

本文提出Foresight框架，透過微調視覺語言模型在測試時迭代推演與修正運動規劃，實現稀疏語言指令下的無地圖導航。該方法利用人類反饋學習獎勵模型並強化學習後訓練，在真實環境中任務成功率提升37%，干預次數減少52%。

一種名為AEM的預訓練框架，透過從視覺-動作歷史中學習緊湊的時間表示，在模擬和現實世界的操作任務中優於基線方法。

本文展示了透過模仿學習端到端訓練的視覺-語言-動作（VLA）模型能夠支援協作操作。研究發現，動作分塊策略存在一個失敗模式——演示動作洩露，導致過早的輔助行為。提出了一種推理時轉向方法用於緩解錯誤。16名參與者的人機協作組裝任務實驗表明，轉向方法能夠實現更長的執行視野、更快的協作速度和更少的失敗。

VLADriveBench是一個新框架，用於評估視覺-語言-行動（VLA）模型中思維鏈（CoT）推理與駕駛軌跡之間的相關性、一致性和因果關係。它結合了觀測指標（提及、幻覺、矛盾、行動對齊）和CoT干預協議。應用於三個模型後，發現觀測分析與因果分析可能截然不同：ORION在觀測對齊上得分最高，但其CoT是附帶現象；而Alpamayo v1.5得分較低，但其CoT具有很強的因果性，視覺顯著性調節了CoT的影響程度。

SalArt-VQA是一個用於評估視覺語言模型（VLM）對AI生成影像中偽影的細粒度理解能力的診斷基準。它包含950張影像和3681個人工編寫的多選題，覆蓋存在檢測、語義定位、空間定位和基於證據的缺陷識別。透過對20個VLM的測試，該基準揭示了影像級檢測準確性所隱藏的失敗模式，例如最強模型在偽影影像上的檢測召回率達到99.37%，但僅有53.26%的影像能正確回答所有四個偽影相關問題，表明高檢測準確率並不等同於真正的偽影理解。

本文提出高效持續對齊（ECA）方法，用於開放影像到文本生成中的增量學習。透過引入持續對齊概念和三個核心機制（查詢混合模組、費舍爾動態擴充套件、字典回放），ECA在不依賴舊資料的情況下有效緩解災難性遺忘，並在新基準上取得優異效能。

提出一種名為上下文中心特徵融合（CCFF）的新型框架，透過區域性上下文融合模組（LCFM）和全域性上下文注意力模組（GCAM）處理自動駕駛中共同目標的檢測問題。在Cityscapes和BDD100K資料集上，類別級一致性策略（CCS）分別達到0.973和0.969，小目標檢測AP_S提升14.1%，併成功恢復稀有類別如“火車”。框架支援即時處理，僅增加0.2 FPS開銷。

本文提出雙狀態槽注意力（DSSA），一種完全自監督的影片物件中心學習框架。DSSA將每個槽分解為區域性狀態（每幀外觀）和身份狀態（時間穩定物件資訊），透過競爭調變聚合（CMA）減少弱匹配槽的虛假更新，從而解決現有方法中因單一槽向量編碼外觀與身份導致的槽交換問題。實驗表明，DSSA在MOVi-C、MOVi-D和YouTube-VIS上持續提升了分割質量和時間一致性，並在下游任務中表現更優。

醫學大型視覺語言模型（LVLMs）在醫學影像任務中表現優異，但仍存在事實不一致、視覺基礎薄弱等問題。現有對齊方法在醫學領域有三大侷限：序列級獎勵訊號無法區分關鍵臨床標記；依賴靜態監督微調導致分佈偏移；缺乏顯式視覺約束。本文提出一種細粒度、在策略的對齊框架，利用雙向逐詞KL正則化器和視覺對比基礎目標，透過最小限度編輯模型輸出構建偏好對，僅糾正臨床錯誤部分，同時保持語言風格。實驗驗證了該方法的有效性。

少步擴散蒸餾在4-8步生成中已日趨成熟，但進一步推至2步仍具挑戰。本文介紹Z-Image Turbo++，一個從8步Z-Image Turbo教師模型蒸餾而來的高質量2步影像生成模型，透過三個關鍵設計：分佈對齊對抗學習、步解耦引數化、以及帶有迭代正則化的端到端訓練，顯著縮小了2步與8步生成之間的質量差距。

提出了一種名為HairPort的3D感知髮型遷移框架，能夠處理大姿態和尺度差異，透過顯式分離移除和遷移，並在合成前強制執行幾何一致性。

本文提出一種基於AMD Kria K26 SOM的低功耗、行動式跌倒預測與檢測系統，利用Intel RealSense D455相機捕獲RGB和深度影像，透過量化YOLOX、Anchor-to-Joint（A2J）和CNN三級流水線實現隱私保護的即時跌倒檢測。系統在邊緣裝置上執行，無需雲端依賴，適用於老年人監護。實驗表明，多執行緒流水線幀率達4.5 FPS，YOLOX、A2J和CNN精度分別為74%、84.13%和75.85%。

該論文透過多智慧體模擬解釋了形態交替（如英語“go”的過去式“went”）的出現和永續性。交替形式源於音系變化或詞彙變體，並透過群體傳播動態擴散。為評估生成形態的真實性，作者引入了AI歷史語言學家——一個由大語言模型驅動的辯論系統，比較真實與模擬形態。結果表明，無標度社交網路和隨機伯努利採納有助於產生更合理的形態。三個案例研究驗證了替代歷史情景。

AfriSUD是首個大規模九種非洲語言句法標註樹庫集合，採用SUD框架，由社群推動並由母語者驗證。評估多種模型後發現顯著的句法差距，現有架構難以充分捕捉非洲語言的結構多樣性。

該研究對潛在推理模型（LRM）中的可觀察模式進行了因果與幾何分析，發現如BFS前沿和可解碼算術計算等模式在控制組中也出現，且並非總是因果影響行為。因果乾預揭示潛在思考的利用是分級的，幾何分析顯示效應集中在低秩方向。結論：可觀察模式不能作為內部推理機制的證據，LRM可解釋性需要匹配的控制組和因果測試。

一項新研究提出了MentalMARBERT，這是MARBERT的領域自適應版本，用於從阿拉伯語社交媒體文本中檢測心理健康障礙。採用自適應預訓練和分層微調的兩階段框架，該模型在一個包含50,670條推文（涵蓋六個類別）的新資料集上實現了0.861的宏F1和0.877的準確率，達到了最先進水平。

購物推理基準（Shopping Reasoning Bench）是一個由零售領域專家建立的新基準，包含525個任務（232個單輪、293個多輪）和10863條重要性加權的二元評分標準，旨在評估對話式購物助手在偏好細化、權衡分析和相容性評估等多輪推理能力。測試結果表明，GPT、Claude和Gemini等頂級模型的整體透過率僅為57-77%，且在多輪任務中表現顯著下降，表明當前模型在提供專家級建議方面仍有較大差距。