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 16 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。
Ars Technica · AIAI 评分7373 AMD收购World Labs AI初创公司，对标Nvidia
AMD宣布收购World Labs AI公司，交易估值82亿美元，待监管批准。World Labs由Fei-Fei Li等人于2024年创立，专注于世界模型，已推出Marble和Atlas等工具，可生成3D资产并用于机器人合成数据训练。
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。
The Decoder精选AI 评分7878 AMD以82亿美元收购AI世界模型初创公司World Labs
AMD宣布收购专注于世界模型的初创公司World Labs，AI先驱李飞飞将加入AMD担任执行副总裁兼首席科学家。该交易为全股票估值约82亿美元，预计2026年底前完成监管审批。
推荐理由：AMD以82亿美元收购空间智能初创公司World Labs，读者可借此观察AI芯片竞争格局与硬件-模型协同趋势。
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。
TechCrunch · AIAI 评分4545 Marissa Mayer 推出 Dazzle：相机相册比收件箱更了解你
Marissa Mayer 推出个人 AI 助手 Dazzle，以手机相册为核心信息源，替代邮箱和日历构建用户画像。该产品可扫描照片完成日历填充、推荐假期和生日礼物等个性化任务，但在测试中对部分细节存在记忆盲区。Mayer 强调隐私优先，丢弃 AI 标记的敏感信息；Dazzle 此前完成 $8 million 种子轮融资。
爱范儿AI 评分2828 9.99 万元起！现代艾尼氪 V 上市，十万级最先锋的设计来了
现代艾尼氪 V 于 9 月 29 日上市，共推出五款车型，限时权益价 9.99 万元起。高端智驾版搭载 Momenta 支持的「星动智行」辅助驾驶系统，硬件包括 1 颗毫米波雷达、7 颗高清摄像头和 12 颗超声波雷达。车内接入豆包和文心一言双大模型，同时支持百度和高德双地图，座舱配备 27 英寸 4K 一体大屏和 11.98 英寸「赛博之眼 HUD」。
The Verge · AIAI 评分5858 Engram 采样器将 AI 幻觉转化为实验音乐
音乐初创公司 Thoughtful Things 在 Kickstarter 推出首款硬件乐器 Engram，是一款本地运行 tiny AI 的采样器与 groovebox，可将输入音频扭曲并生成新的实验性声音。创始人 Evan King 将其比作
The Guardian · TechnologyAI 评分2525 Mac mini M6 评测：性能强劲但价格更高
Mac mini M6 搭载 M6 芯片，单核性能比 M4 快 25%，多核快 50%，图形性能快 75%，售价 £899 起（16GB + 256GB）。机身 127×127×50mm，重 680g，配备 3 个 Thunderbolt 4、HDMI 2.1、2.5Gb Ethernet 和 Wi-Fi 7，底部电源键难触及。
Latent SpaceAI 评分6969 AMD 以 82 亿美元收购 World Labs，Atlas 解决稀疏重建问题
AMD 收购 World Labs，价格 82 亿美元。World Labs 自 2024 年成立以来构建了面向创意、设计和机器人模拟的 AI 空间智能能力，并发布 Atlas 模型，通过结合生成模型与多视角几何解决稀疏重建问题，实现新相机视角预测。应用领域包括机器人强化学习环境、场景生成以及房地产、设计和施工的真实世界重建。
Latent SpaceAI 评分7373 Claude Opus 5.5 发布，在 SimpleBench 和视觉评测中领先
Claude Opus 5.5 本周发布，在 SimpleBench 得 88.4%，被评 Anthropic 迄今最佳视觉模型，成本约比 Fable 5.1 低 60%。
量子位精选AI 评分8888 李飞飞创业公司World Labs被AMD以82亿美元收购
AMD全股票收购李飞飞创办的空间智能公司World Labs，交割后李飞飞将出任AMD执行副总裁兼首席科学家，联合创始人Justin Johnson和Ben Mildenhall继续带领团队并入AMD。
推荐理由：AMD以82亿美元全股票收购空间智能公司World Labs，读者可借此观察芯片巨头在机器人仿真与物理AI新工作负载上的布局节奏。
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。
AIHubAI 评分3636 NTU Singapore 开发 AI 平台 PLATO 与 PhaseHub 预测相分离蛋白
NTU Singapore 团队开发 PLATO 数据库与 PhaseHub 分析平台，基于大语言模型挖掘 PubMed 文献并结合 MolPhase 算法，覆盖 5,118 条蛋白序列，其中 3,600 余条发生相分离、1,300 条未发生。研究发现真核生物相分离蛋白比例更高，且该比例随基因组增大趋于饱和。两平台已发表于 Molecular Plant。
爱范儿AI 评分1212 百万阿莱失踪案｜荣耀Magic9 Pro Max 首发评测
summary_zh: 荣耀Magic9 Pro Max 首发评测。文章正文仅展示版权声明与公众号关注引导，未提供该机型任何具体参数、功能或评测细节。 荣耀Magic9 Pro Max 首发评测。文章正文仅展示版权声明与公众号关注引导，未提供该机型任何具体参数、功能或评测细节。
Simon WillisonAI 评分3636 Kākāpō Party — 用 Claude Opus 5.5 生成像素动画并由 Claude Code 自动化录制演示视频
summary_zh: Simon Willison 用 Claude Opus 5.5 根据三张 kākāpō 照片生成 HTML5 Canvas 像素动画页面，20 只以上几维鸟随音乐跳跃跳舞，点击触发彩纸、气球等特效。
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。
Ben's Bites · NewsAI 评分2222 50 years of tech devices
Ben 用了 Astra、Codex、Factory Droid 和多个 subagent 搭建了一个设备时间轴网站 bentossell.com/devices，展示 1976 到 2026 年共 87 款设备，所有图片由 Astra 生成。用户可拖动时间轴查看不同年份的设备，并投票"had/wanted"，结果通过链接分享；投票数据由 here.now 存储，页面不存数据无需登录。
爱范儿AI 评分3939 早报｜网易云音乐鸿蒙版正式上线/任正非重申「华为不造车」/腾讯QClaw将停运
summary_zh: 任正非重申华为不造车，将继续帮助东风造好车，双方讨论了奕境 X9、猛士 X700 和岚图梦想家 9 等车型。DeepSeek 年化收入运行率达约 10 亿美元，数月内翻倍，模型 API 价格上调约 2.3 至 4.5 倍。
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。