FD-VAD：流式全双工语音的语义端点检测
FD-VAD 是一种无需 ASR 的流式语义端点检测模型，将有界因果音频窗口直接映射为 Continue/Stop 决策，在 TurnBench dev 集上以零样本方式达到 EOT 召回率 0.853（FP<=0.10）。模型融合冻结语音编码器、轻量模态适配器与参数高效适配的语言模型，采用末段训练目标与置信度门控端点提交机制，在领域内和对话评测中均优于强基线。
#多模态
#多模态
今日 14 条arXiv · Computation and LanguageAI 评分3939 arXiv · Audio and SpeechAI 评分2222 InstCharVoice：基于自然语言指令的字符级可控文本转语音框架
InstCharVoice 提出一个统一框架，将自然语言指令映射到字符级声学控制，在 WordVoice-5A-zh 语料上使用 Qwen3-Omni 构建指令标注。模型通过关键词预测与接地感知损失加权，聚焦指令相关字符并预测其声学属性，再生成语音 token。实验显示在指令遵循和关键词级声学控制上优于代表性 ITTS 系统，同时保持自然度与字符级可控性。
arXiv · Computer VisionAI 评分2525 HEIR：基于功能角色学习人体-实体交互
HEIR 是一个包含 18,730 张图像的人体-实体交互基准，涵盖 6 种角色、105 种动作和 437 个名词，51.6% 的图像含多主体、62.1% 含多动作。CoRISP 利用共享实体身份组合角色条件证据，在 HEIR 上重复角色事件和共享参与者图像分别领先 2.87 和 3.82 Set mAP。代码和数据集已公开。
arXiv · Human-Computer InteractionAI 评分3636 教师视角下的 AI 多智能体模拟系统设计用于防治校园欺凌
研究者与 K-12 教师协作，基于大语言模型（LLMs）共同设计了一套多智能体反欺凌模拟系统，用于生成真实校园场景，帮助学生提升应对欺凌的能力。该研究明确了 LLM 驱动的多智能体模拟系统的关键设计参数，为开发更有效、可扩展的反欺凌工具提供参考。
arXiv · Human-Computer InteractionAI 评分2222 SPECTRA：面向自主边缘-云 GUI 定位的认知扰动与轨迹分析
SPECTRA 是一种轻量级自主请求框架，通过显著性引导的定向扰动和高效认知轨迹分析，在预填充阶段量化智能体高维认知轨迹的拓扑发散，避免低效的输出解码。实验表明，GTA1-32B+InfiGUI-G1-3B 和 GTA1-32B+Holo1.5-3B 分别以 37.58% 和 39.24% 的平均请求率，保留了 93.44% 和 95.60% 的云端独占性能。已被 ACM MM 2026 接收。
arXiv · Computer VisionAI 评分3434 HERO：肿瘤学鲁棒表征的组织学编码器
HERO 是一个基于 ViT-G/14 的病理学基础模型，采用 DINO 和 iBOT 目标训练，并在约 57.5 万例临床全切片图像的 5 亿个图块上进行高分辨率 Gram 锚定微调。在公开基准上，HERO 在中心、扫描仪和染色变化下的鲁棒性最强，39 个切片级临床任务平均排名第一，6 个基准框架的等权综合排名最优。
arXiv · Neural and Evolutionary ComputingAI 评分3535 多深度时间融合前馈局部训练脉冲神经网络
研究者提出多深度时间融合（MDTF）脉冲神经网络架构，通过时间至首次脉冲（TTFS）延迟处理静态图像与事件流。网络采用四层卷积骨干与无监督脉冲时间依赖可塑性（STDP）逐层训练，在MNIST、Fashion-MNIST、CIFAR-10和N-MNIST上验证，选择性多深度融合在Fashion-MNIST和CIFAR-10上分别提升18.2和29.2个百分点。代码已公开。
arXiv · Computation and LanguageAI 评分1212 开发用于提取韩语发票信息的 OCR 模型
提出一种结合深度学习与图像预处理的 OCR 模型，用于自动提取韩语发票中的关键信息。在收集的发票数据集上评估，达到 87% F1-score，且处理时间可忽略。
arXiv · Computer VisionAI 评分3535 CoVLM-Bench：面向协同驾驶问答与规划的真实世界基准
CoVLM-Bench 包含 2,196 对帧、35,136 条协同驾驶问答标注和 3 秒内 6 个航路点的规划目标。CoVLM-Drive 直接使用车路配对视角进行问答与规划，FDE 低于对比的 V2X 规划器，问答初始化与理由监督各自降低规划误差。
arXiv · Audio and SpeechAI 评分2222 Beyond Discrimination: Calibrated Geoprior Fusion for Bioacoustic Monitoring
Perch 和 BirdNET 等生物声学基础模型虽能高精度识别物种，但置信度未经校准、难以解释为真实出现概率。研究利用 WABAD 全局标注声学数据集生成校准先验，并提出将声学预测与地理先验融合的新方法，在保持判别能力的同时改善校准性，为生物多样性监测提供更可靠的声学方案。
arXiv · Neural and Evolutionary ComputingAI 评分3030 NeuroDyn-EEG：基于神经动力学的可解释 EEG 预训练模型
NeuroDyn-EEG 提出一种预训练框架，融合 Jansen-Rit 神经质量模型、leadfield 源投影与基于模拟的参数反演，在生理范围内用约 2.43M 可训练参数从标准 19 通道 EEG 估计 90 个 AAL 区域的 11 类区域参数及 1 个全局参数。
RIKEN AIPAI 评分1212 RIkEN AIP 18 篇论文被 EMNLP 2026 录用
RIKEN AIP 共有 18 篇论文被 EMNLP 2026 录用，其中 Main Conference 9 篇、Findings 7 篇、其他赛道 2 篇。论文覆盖探针鲁棒性、注意力机制、嵌入正则化、Mamba 位置记忆、Agent 技能攻击、MoE 压缩等多个方向。
NVIDIA Developer · AIAI 评分3030 NVIDIA VSS Blueprint 3.3 降低视觉 AI Agent 的构建与运行成本
NVIDIA 发布 VSS Blueprint 3.3，通过 Metropolis 视频搜索与摘要蓝图及 agent skills，帮助开发者构建可维护的视觉 AI Agent 系统，整合视频摄入、流处理、事件检测、检索、摘要与报告等管线，以降低生产级视觉 AI Agent 的构建与运行成本。
AWS Machine Learning BlogAI 评分3636 Condé Nast 基于 Amazon Bedrock 与 TwelveLabs Marengo 构建多模态视频检索方案
Condé Nast 与 AWS GenAIIC 合作，基于 Amazon Bedrock 和 Amazon OpenSearch Service 构建多模态视频检索系统，使用 TwelveLabs Marengo 嵌入模型对视频转录、视觉和音频进行语义搜索，将内容发现时间从平均 250 分钟降至 2 分钟以内。
Microsoft Research精选AI 评分7272 Microsoft 推出 Quine 生物 AI 研究系统
Microsoft Research 发布 Quine，一个面向生物学的多模态世界模型与交互式实验框架，连接模型、工具、文献和研究人员。与 Broad Institute 合作在胰腺癌细胞状态转换中预测并验证了数千种化合物，整个筛选与验证过程在一个周末完成，部分化合物出现意外表型。Quine Fellows 计划现已开放申请，系统目前仅限研究用途。
推荐理由：原文展示了跨模态生物世界模型的实际验证路径，读者可据此评估计算实验与湿实验闭环对研发效率的潜在影响。
Nature · Machine LearningAI 评分3636 机器学习从基因组预测噬菌体-宿主相互作用，不依赖系统发育
研究者开发了一个不依赖系统发育的机器学习框架，仅从基因组序列预测菌株水平的噬菌体-宿主相互作用，在115,037个相互作用、949种细菌菌株和518种噬菌体的数据集上验证，可匹配现有物种特异性模型并指导噬菌体鸡尾酒设计。
Google AI BlogAI 评分1717 Future Vision XPRIZE 获奖短片《The Gifted》预告片
summary_zh: 独立电影人 Jeff Synthesized 凭借《The Gifted》获得 Future Vision XPRIZE 大奖，从全球 2500 多部参赛作品中脱颖而出。
AWS Machine Learning BlogAI 评分4949 如何在 SageMaker AI 上用 vLLM-Omni 构建实时语音应用（Part 1）
在 Amazon SageMaker AI 上用 AWS vLLM-Omni DLC 部署 Qwen3-TTS，文本与音频经同一条持久双向连接传输，语音可在整段生成完成前开始播放。
AWS Machine Learning BlogAI 评分4141 在 SageMaker AI 上用 vLLM-Omni 生成图像和视频（第 2 部分）
同一 AWS vLLM-Omni DLC 在 SageMaker AI 部署两个端点：FLUX.2-klein-4B 实时生成图像，Wan2.1-VACE-1.3B 再异步把该图像做成短视频。
AWS Machine Learning BlogAI 评分3535 使用 Amazon Nova Act 实现合成监控
summary_zh: Amazon Nova Act 基于多模态大语言模型处理 UI 截图而非 DOM 选择器，在早期企业客户用例中浏览器工作流准确率超过 90%，能适应样式变化而无需更新脚本。
Nature · Machine LearningAI 评分3434 物理信息机器学习 Pred-MutPRI 预测蛋白-RNA 复合物突变结合自由能变化
研究提出 Pred-MutPRI 框架，结合加权原子级相互作用网络、掩码 ESM-2 熵项与 AlphaFold3 局部有效应变描述符，用 XGBoost 回归预测蛋白-RNA 突变 ΔΔG。在序列不重叠、结构低重叠的盲测集上 PCC 达 0.705，优于现有预测器；数据集与 Python 包已公开。
Nature · Machine LearningAI 评分4646 SpaCEy 利用可解释图神经网络将组织空间模式与临床结局关联
summary_zh: SpaCEy 是一种基于图神经网络的可解释方法，用于在组织切片中发现与临床结局相关的空间重要区域。相比现有方法依赖预定义细胞类型标签或局部聚类，SpaCEy 能直接从连续分子测量中识别具有临床意义的连贯空间模式，并提供驱动结局的分子标记组合。
AWS Machine Learning BlogAI 评分4040 SkyRL 在 Amazon SageMaker HyperPod 上加速多模态 RL 训练
summary_zh: SkyRL 是开源 RL 框架，结合 Amazon SageMaker HyperPod 的 Ray 集群与 GRPO 后训练，将 Qwen3-VL-8B 在 VisGym SFT 检查点上的迷宫求解率从 43.75% 提升至 95% 以上。
AWS Machine Learning BlogAI 评分4444 阿里千问 Qwen3-TTS-12Hz-1.7B-Base 在 Amazon SageMaker AI 上部署实时个性化语音克隆
Qwen3-TTS-12Hz-1.7B-Base 是阿里千问团队公开的文本转语音模型，支持 10 种语言、基于 12Hz 语音 tokenizer 与流式生成，可通过少量参考音频实现说话人声音克隆，并跨语言保持声音身份。
Nature · Machine LearningAI 评分1212 一种结构信息驱动的深度学习框架用于建模 TCR-肽-HLA 相互作用
Kai Cao 等人在 Nature Communications 发表一种结构信息驱动的深度学习框架，用于建模 TCR-peptide-HLA 相互作用。作者来自 Broad Institute of MIT and Harvard、Massachusetts General Hospital、MIT 等机构，研究获得 AstraZeneca、NIH、DOE 等资助。
Google Research精选AI 评分6060 Google Research 推出自动化一致长形式视频生成框架
Google Research 推出 Co-Director、CANVAS、A²RD 和 VQQA 等框架，自动化长形式视频生成，缓解语义漂移并提升多镜头叙事一致性。
推荐理由：Google Research 推出 Co-Director、CANVAS、A²RD 和 VQQA 等多代理框架，自动化一致的长形式视频生成，有效缓解语义漂移和特征漂移，提升多镜头叙事一致性。
Google DeepMind精选AI 评分6363 Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，已在 Gemini Enterprise 上线
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，把近实时视频生成与语音对话结合，为企业对话模型加上动态视觉形象，已在 Gemini Enterprise 上线。
推荐理由：原文给出实时视频形象与异步工具调用的能力说明，读者可据此了解企业智能体的交互形态变化。
NVIDIA Blog精选AI 评分6262 NVIDIA 与合作方通过 AlphaFold 数据库开放 2800+ 病毒蛋白质复合物预测结构
NVIDIA 联合 Google DeepMind、EMBL-EBI 等机构通过 AlphaFold Database 开放超过 2800 种病毒的蛋白质复合物预测结构，约 30% 为科学界全新发现的相互作用。
推荐理由：开放预测结果与推理流水线为研究者提供了可复用的基础设施，降低未来疫情中蛋白质结构解析的门槛。
MIT News · AIAI 评分3333 视觉AI研究城市的潜力与风险
summary_zh: MIT Senseable City Lab学者出版新书《How AI Sees the City: Urban Visual Intelligence》，探讨视觉AI在城市研究中的应用与隐患。
Nature · Machine Learning精选AI 评分6262 AlphaFold数据库新增数千种病毒蛋白复合物结构预测
AlphaFold数据库于9月24日新增超过8,000个病毒蛋白二聚体结构预测，涵盖23个含有人类感染成员的病毒家族，并作为“大流行防范门户”的一部分上线。
推荐理由：AlphaFold数据库新增病毒蛋白复合物预测，为传染病研究和疫苗设计提供了新的结构参考。
Apple Machine Learning ResearchAI 评分2828 Apple 压缩流式神经音频编码器：基于潜在空间蒸馏的端侧语音分词器方案
Apple 研究提出通过潜在空间蒸馏压缩流式神经音频编码器，以预量化潜在表示作为监督目标，仅训练学生编码器回归教师逐帧潜在值。2.8× 压缩下，蒸馏学生在五个教师-学生对上相对 WER 保持在 1.9% 以内，且同等容量独立训练分词器提升 3.9%。该方案覆盖两种分词接口，无需微调。
Nature · Machine LearningAI 评分2626 UpTCR：统一渐进知识迁移基础模型用于稳健的 T 细胞受体-抗原结合识别
UpTCR 是一个用于 T 细胞受体-抗原结合识别的大语言模型，采用统一渐进知识迁移架构。作者来自江南大学、清华大学深圳国际研究生院、澳门大学、腾讯 AI for Life Sciences Lab 等机构，文章发表于 Nature Communications，2025 年 11 月投稿，2026 年 9 月接收并发表。
Nature · Machine LearningAI 评分1212 优化放疗交付的人工智能技术
综述探讨AI在放疗流程中的应用，涵盖器官分割、剂量预测、治疗计划优化与结局预测。涉及深度学习、U-Net、扩散模型及大语言模型在放疗物理与临床中的实践与挑战。
AWS Machine Learning BlogAI 评分4848 基于 AWS 的 Agentic 视频智能对话方案
该方案基于 Strands Agents SDK 构建单一 AI Agent，运行时动态调用 Amazon Bedrock（Claude Sonnet）、Amazon Rekognition 和 Amazon Transcribe，处理自然语言视频查询。
Google AI BlogAI 评分3737 Google Beam 扩展至五个新国家、新增合作伙伴与客户
Google Beam 正式扩展至美国、加拿大、英国、法国、德国、日本六国，由 18 家渠道伙伴部署支持，硬件由 HP Dimension with Google Beam 交付。
OpenAI NewsAI 评分3535 Ringg 基于 OpenAI GPT-5.6 的 AI 智能体解决 65% 客服来电
Ringg 使用 GPT-5.6 驱动多语言智能体，在语音、聊天、WhatsApp 和网页端处理客服通话，解决比例最高达 65%。相比 GPT-4.1，成本降低 90%。
Apple Machine Learning ResearchAI 评分3333 How to Guide Your Language Flow
summary_zh: 研究者提出 probe guidance 方法，利用冻结的扩散模型内部状态构建引导信号，无需推理时额外前向传播即可为流匹配模型提供可靠引导路径。
Nature · Machine LearningAI 评分3030 科学家无需展开即可破译烧焦古卷轴
研究团队用铅元素检测法替代碳基扫描，成功在保持卷轴卷曲状态下识别出内部文字。他们用埃及纸莎草、日本灯黑墨和高温炉复原了碳化卷轴，并通过中子与X射线断层扫描结合自定义展开程序完成破译。
OpenAI NewsAI 评分2121 Higgsfield AI 借助 GPT-6 Astra 一日内上线新视频功能
Higgsfield AI 借助 GPT-6 Astra 一日内上线新视频功能，让小企业视频广告创作更便捷，并加速新创意工具推向市场。
Nature · Machine LearningAI 评分2525 TangleDiff 通过深度学习纠缠设计生成具有可定制应力松弛行为的蛋白质水凝胶
TangleDiff 是一个深度学习框架，用于从头设计具有可编程特性的同源二聚体纠缠蛋白。其在 silico 成功率超过 70%，远高于当前模型约 1%。实验验证的 9 个同源二聚体中有 7 个成功形成水凝胶，且应力松弛动力学与指定的结合能相关。