FLUX 3是Black Forest Labs釋出的新一代多模態基礎模型，統一處理影像、影片和音訊，旨在學習世界的統一表示。模型支援文本到影片、影像到影片、影片到影片等多種生成任務，並在影片生成中實現了高達20秒的時長和原生音訊。初步評估顯示，FLUX 3在多項對比中優於其他模型，尤其在面部表情、聲音與事件關聯和多語言能力方面表現出色。模型還具備影像生成和動作預測能力，計劃逐步開放API、私有權重和開源權重。

Codex Slides 是一個開源 AI 幻燈片工作室，整合在 Codex 中，可將提示、程式碼倉庫或檔案快速轉化為精美的簡報。支援 10+ 張幻燈片在約 4-5 分鐘內並行生成，提供 45 個模板、73 種社群風格和 24 種場景，匯出為 PPTX/PDF，無需額外 API 金鑰。

瑞士聯邦理工學院蘇黎世分校（ETH Zurich）、洛桑聯邦理工學院（EPFL）和瑞士國家超級計算中心（CSCS）於2026年7月24日釋出了Apertus 1.5，這是全球最大的完全開放語言模型之一的最新版本。新版本增加了多模態能力（影像和音訊理解），改進了推理、指令遵循和工具使用功能。Apertus已在多個領域應用，包括政府翻譯、醫療AI和新聞業。專案旨在構建主權AI基礎設施，提供開源替代方案。

本教程將指導您使用百度的Unlimited-OCR模型，構建一個完整的文件影像和多頁PDF OCR流水線。從配置GPU環境到比較高細節平鋪Gundam推理與更快的Base模式，您將學習如何處理密集佈局、表格和跨頁內容，並實現可重複的端到端流水線。

麻省理工學院（MIT）正在花費超過300萬美元在校園內安裝500多臺AI監控攝像頭，這些攝像頭具有即時人臉和物體檢測功能，作為多階段安全擴建的一部分。該專案自2025年11月開始，引發了學生們的隱私擔憂，尤其是在大學校園監控更廣泛爭議的背景下。

在舊金山AI峰會上，韓國總統李在明與頂級商業領袖和研究人員會晤輝達及生態系統合作伙伴，共同規劃韓國AI發展藍圖。雙方宣佈成立輝達與韓國科學技術院（KAIST）聯合AI研究實驗室，並深化與SK集團的合作，推動韓國成為全球AI創新中心。

cloro.dev，全球領先的 AI UI 抓取平臺，新增每月 500 次免費積分套餐，適合個人專案。該平臺透過單一 API 從 ChatGPT、Perplexity、Grok 等AI工具提取結構化資料，已服務超過 200 家企業客戶。

Black Forest Labs釋出了FLUX 3，一個統一的多模態模型，涵蓋影像、影片、音訊和動作預測。FLUX-mimic模型基於FLUX 3，用於機器人控制。此外，文章還涵蓋了開放程式碼資料集The Stack v3、蒸餾辯論、音訊/TTS系統、代理基礎設施以及OpenAI的產品更新。

LOCK TF IN 是一款以諷刺風格著稱的AI健身伴侶應用，它扮演一位鐵血教練的角色，無情地嘲諷你的藉口，激勵你堅持鍛鍊。該應用提供免費和付費訂閱兩種模式，注重隱私保護，免費版AI完全在裝置端執行。

FLUX 3是Textideo平臺推出的新一代AI視覺模型，支援文本到影像、影像到影片的生成，具備高階提示理解和高質量輸出能力。該模型專為創作者、營銷人員、設計師和企業設計，可用於產品攝影、角色設計、社交媒體內容、營銷素材等多種場景。FLUX 3透過簡單的自然語言提示，幫助使用者快速建立逼真的視覺內容，降低成本並提高效率。

該研究探索了利用混合專家（MoE）架構的視覺語言動作模型（VLA）從專家演示中端到端學習組合機器人策略，無需預設任務分解。實驗表明，MoE專家在不同任務中高度複用，對應不同低階行為，路由器隱式學習高階序列規劃，專家作為組合原語，在保持任務效能的同時實現可解釋的模組化策略。

本文提出一種即時RGB-D感知流水線，用於自動化採礦中的液壓衝擊錘操作。系統結合影像例項分割與幾何點雲處理，在嵌入式硬體上以約10 Hz執行，延遲約675 ms，能夠生成可行的破巖姿態和無機器人三維工作空間表示。實驗證明該系統適用於即時自主衝擊錘操作。

該研究提出了一種基於神經啟發自監督學習的機器人軌跡規劃框架，利用前向和逆向模型作為內部監督機制，在含有障礙物的環境中生成無碰撞軌跡。實驗驗證了方法的可行性，但發現規劃器存在利用學習訊號的傾向，為此提出了額外的訓練策略和緩解措施。

隨著無人機在軍事行動中的普及，對反無人機防禦系統的需求日益增長。本文提出一種在GPS和通訊受干擾環境下，利用自主無人機蜂群保護地面目標的方法。該方法不依賴外部通訊和衛星定位，僅透過機載感測器和相對測量實現目標跟蹤與蜂群協調，並採用去中心化包圍技術適應目標運動。在實際機器人上的實驗驗證了其檢測、包圍和攔截敵對無人機的有效性。

本文提出FELT框架，利用視覺觀察合成每個手指的壓力觸覺影像，減少對觸覺感測器資料收集的需求。透過凍結視覺編碼器和輕量查詢解碼器，FELT在單次前向傳播中預測觸覺訊號，並在四個接觸密集的操作任務中提高了策略成功率。

研究人員提出了一種名為CAT（能力感知可通行性）的新框架，該框架透過將機器人物理限制直接嵌入空間特徵空間，並利用互動式標註管道和空間自適應歸一化（SPADE）模組，顯著提升了非結構化環境中的可通行性估計效能。在人類標註和軌跡對齊資料集上，CAT在AUROC和AUPRC指標上分別提升了11.0%和15.8%，並在四足機器人和輪式滑移轉向平臺上實現了4.8Hz的即時障礙物規避。

該研究提出了一種基於學習的框架，用於安全且可擴充套件的多無人機協同載荷運輸。透過最小2D抽象保持任務相關的耦合，並利用域隨機化和離散圖控制屏障函式近端策略最佳化（DGPPO）訓練分散式策略，實現了零樣本模擬到真實遷移。實際實驗表明，單一策略可泛化至不同團隊規模和動態環境。

研究人員開發了RAINBOTTM，一種基於消費級3D印表機的低成本液體處理機器人，配備數字孿生系統實現遠端監控，成本低於1300美元，可大幅降低實驗室自動化門檻。

PhysCoRe是一種結合可微物質點法（MPM）模擬器與兩個前饋神經網路的物理修正殘差世界模型，能夠從視覺觀察中推斷粒子彈性並學習模擬器偏差的修正，顯著提升對可變形物體在機器人操作下的預測精度，並支援線上材料識別與置信度引導的探索。

該研究提出HERMES模型，利用異構邊關係圖神經網路和SSM多頭注意力，將交通衝突評估建模為時序異構圖分類，在訊號交叉口資料集上達到AUC-ROC 0.9898，優於Transformer基線，並展現出強遷移能力。

本研究評估了ISO/IEC 29794-6虹膜質量指標在VR採集資料上的適用性，發現部分指標失效；利用生成模型解決離軸注視、非均勻照明和鏡面反射等挑戰；透過虹膜與眼周的多模態融合，將等錯誤率降低約11%。

3D-GIMP提出了一種新的混合正規化，用於3D高斯散點圖中的高保真物體移除。它透過在關鍵參考檢視上進行單次生成修復，然後利用3D感知的PatchMatch演算法將紋理傳播到所有其他檢視，避免了多檢視不一致和結構偽影。實驗表明，該方法在修復質量上與傳統多檢視擴散方法相當，但在渲染速度和檢視一致性上更優。

本文指出當前開放世界影片異常檢測（OWVAD）評估存在“定義盲區”問題，即模型對使用者提供的異常定義不敏感。作者提出了三個新的評估指標（DC-Disc、DC-DetΔ、DC-SelΔ）和一個定義對比評分規則DeCoS，有效提升了模型對定義的響應能力。

U-CFR是一種新型互動式影像分割框架，透過在推理過程中自主生成內部偽點選來自我糾正，減少使用者所需點選次數。該方法引入邊界感知的不確定性分數，融合分割不確定性、輪廓梯度和顯式邊緣預測，引導偽點選放置在模糊邊界區域。雙頭網路包括分割頭和邊緣頭，透過級聯精煉步驟逐步最佳化掩膜。在標準資料集上，U-CFR將挑戰性資料集（如Berkeley）所需的點選次數減少10%以上。

該研究提出了一種隱私保護的肺CT切片合成框架，結合最優傳輸條件流匹配與幾何過濾後處理，在ImageCLEFmed GANs 2026挑戰中取得PPS 0.549和FID 0.3290的成績，但患者重識別問題依然存在。

本研究提出一種空間錨定概念瓶頸模型（SG-CBM），透過粗粒度病變分割作為弱監督，引導模型關注解剖學相關的區域，從而提高乳腺超聲診斷的可解釋性和可信度。在五折交叉驗證中，SG-CBM顯著提升了診斷AUROC和概念宏AUROC，並增強了概念證據的空間對齊。論文還透過Train-corrupt/Test-clean壓力測試，量化了標註質量對診斷和空間忠實度的影響，強調了資料質量意識監督設計和系統可信度驗證的重要性。

ODeform是一種基於神經常微分方程的新方法，用於對可變形物體在3D空間中的連續4D動態進行建模。它將3D點雲和物理條件對映到統一潛在空間，透過求解常微分方程實現連續形變建模，無需離散時間步長，同時保持計算效率。實驗表明，該方法在未見過的物理引數配置上提高了運動預測精度，併成功遷移到真實3D物體的新形狀上。

Axolotl3D提出了一種多模態、遮擋感知的3D生成模型，能夠聯合處理影像、可見性掩模、相機引數和部分點雲，實現可靠的3D形狀補全。實驗表明，在乾淨和遮擋場景下均達到最優效能。

該論文提出了一種新的自監督預訓練任務——掩碼拓撲建模（MTM），利用B-Rep表示中特有的面鄰接圖結構，透過掩碼部分邊並預測其凸性和曲線型別來學習特徵。結合MoCo對比學習和BFS連線的面區域掩碼重建目標，在ABC資料集和新的過程生成資料集上預訓練，在多個基準測試中表現出色。

RealVDeblur是一種高效的生成框架，透過基於3D高斯潑濺的物理模糊合成管道生成逼真訓練資料，並利用影片擴散先驗和一步式擴散蒸餾，實現真實世界影片去模糊。該方法在未知影片上展現出強感知質量、語義保真度和時間一致性，並提升了嚴重運動模糊下下游3D重建的魯棒性。