GTA 老奶奶 3D 游戏发布：Claude Opus 5.5 与 Tripo 3D 实现一句话出图、一键绑骨、浏览器即玩
基于 Claude Opus 5.5 和 Tripo 3D 打造的 GTA 老奶奶 3D 游戏发布，实现从文本指令生成 3D 模型、Smart Mesh 优化贴图、Mixamo 一键绑定骨骼到浏览器即玩的一站式工作流。该流程显著降低了 3D 内容制作门槛。
#多模态
RadarAIAI 评分4040 RadarAIAI 评分6262 Liquid AI 开源 d1 系列决策模型，d1-3B 单次判断仅 8 毫秒并支持图像输入
Liquid AI 于 10 月 7 日发布博文，推出 d1-3B 和 d1-omni-600M 两款开放权重决策模型，已在 Hugging Face 公开，可下载、微调并部署。
GitHubAI 评分2222 MTools：集成 AI 增强的多功能桌面工具集
MTools 是一款多功能桌面应用，集成音视频处理、图片编辑、文本操作和编码工具，并内置 AI 增强功能。该工具旨在简化工作流程、提升生产效率。
RadarAIAI 评分5555 Anthropic 为 Claude 新增数据看板与动画讲解，文档、幻灯片、设计功能结束测试
Anthropic 宣布 Claude Dashboards（数据看板）和 Claude Motion（动画讲解）进入测试阶段，同时将文档、幻灯片、设计三项功能正式开放给所有用户。新功能重点提升数据可视化与报告呈现效率，其中动画讲解不依赖视频生成模型，而是通过控制图形动画来阐述数据。
arXiv cs.MAAI 评分1515 面向协作 ISAC 的基于 Token 通信的具身多智能体框架
该论文提出 SI-TokCom 框架，用多智能体具身策略学习驱动无人机具身智能体的 Token 通信与物理控制联合优化，以在满足通信与感知速率要求下最小化总推进能耗。仿真显示其通信与感知速率分别达到集中式基线的 98.9% 和 99.1%，相比本地基线提升 5.0% 和 43.6%，推进能耗基本不变。
arXiv cs.MAAI 评分2727 多智能体系统的心理模型（Mental-Models for Multi-Agent Systems）
研究者提出"心理模型赋能智能体"框架，为智能体配备对交互对象的潜在心理模型，使其能从观察历史中推断隐藏信念、意图与可能反应，并据此指导动作选择。该方法学习摊销式递归心智理论（Theory-of-Mind）表示，包含一阶与二阶心理状态结构，并联合训练信念条件奖励模型；策略在该信念感知信号下学习，推理时可独立行动。在纯语言与多模态基准上，显式心理状态建模持续提升交互质量与心智理论表现，代码已公开。
arXiv cs.MAAI 评分2424 个性化很重要：在线购物中基于用户中心信息的长程对话智能体
研究者提出一个多智能体、多模态 RAG 框架，将对话状态跟踪、推荐检索、偏好感知推理与回复生成解耦，并融合商品元数据、评论、图像描述和用户历史评论。
GitHubAI 评分1010 AgroVision Intelligence：尼加拉瓜多源农业智能处方平台
AgroVision 团队在尼加拉瓜全国黑客松 2026 推出 AgroVision Intelligence，一个将图像、气候、传感器、历史、mapping 与模拟卫星图层融合为 EvidenceItem[]、RiskAssessment 和 ZoneInsight 的农业处方 Web 平台。
RadarAIAI 评分6262 Google 发布 EmbeddingGemma 2 多模态端侧嵌入模型
Google 发布 EmbeddingGemma 2，称其为首个开源多模态嵌入模型，可将文本、图像和音频映射到统一向量空间。该模型基于 Gemma 4 调优，参数量 740M，专为端侧设备优化，在检索任务上表现较好，适用于 RAG 等隐私敏感场景。
GitHubAI 评分3838 GAI：面向 Godot 游戏开发的一体化 AI 工作空间
GAI 是面向 Godot 游戏开发的一体化 AI 工作空间，把编码智能体、可复用技能、命令行工具和轻量 Godot 框架整合进同一仓库。桌面智能体支持流式响应、read/write/bash 等内置工具与多会话并行，可视化工作流编辑器可将技能连成节点、按依赖顺序批量执行并保存为 .workflow.json。
GitHubAI 评分1212 Strong Care：AI 辅助康复训练监测平台
Strong Care 是一个 AI 辅助康复监测平台，结合人脸身份验证、活体检测、姿态与生物力学分析、实时安全监控和自适应建议，并采用离线优先架构。系统包含 11 个临床拉伸程序、6 位 PIN 或人脸登录、泰语 AI 安全语音预警，以及基于 MediaPipe 的实时骨骼追踪。所有训练调整必须经治疗师或照护者审批，AI 不得直接更改处方。
arXiv cs.CLAI 评分2424 冻结的 VideoLLM 是否已编码证据就绪信号？Readiness Gating 答案时机策略研究
研究发现冻结的 VideoLLM 已线性编码"证据就绪"信号，在 7 个模型上 AUROC 达 0.733-0.905，且该信号以问题为条件——仅改变问题即可在 66.1% 的配对中反转读数。基于该读数提出的 Readiness Gating 答案时机策略，在相同视频时长下最高提升准确率 +9.75 pp，计算开销可忽略。
arXiv cs.CLAI 评分2323 鸡尾酒会场景下的音视频轮次转换预测
研究评估了在干净数据上训练的音视频预测轮次转换模型（PTTM）在基于 AVCocktail 数据集构建的鸡尾酒会测试平台上的表现，发现噪声条件下音频和视觉模态性能一致下降，加权 F1 最多相对下降 38%。在新领域上微调可提升鲁棒性，但增益因模态而异，并取决于可用预训练数据的规模。所有代码和轮次标注已公开。
arXiv cs.CLAI 评分2222 CONDOR：用耦合噪声蒸馏实现扩散语言模型一步块生成
研究者提出 CONDOR（Coupled-Noise Distillation for One-Step Readout），通过将不同噪声样本映射到不同连贯 token 块，让扩散语言模型一次前向传播即可生成连贯块。
arXiv cs.CLAI 评分2424 从零开始的原生多模态预训练如何扩展
研究在固定算力预算下考察了 Transformer 视觉语言模型的最优模型规模与 token 数量，发现最小目标损失遵循可预测的算力定律，而算力最优的模型规模与 token 数呈幂律缩放。
arXiv cs.CLAI 评分2929 CiteVQA：为可信文档智能打造的证据归因基准
多模态大模型文档理解评测 CiteVQA 发布，要求模型在给出答案的同时返回元素级 bounding-box 引用，并以 Strict Attributed Accuracy（SAA）联合评估二者。
arXiv cs.CLAI 评分3131 FastBench：流式 VLM 能否感知高动态真实世界视频流？
研究者推出 FastBench，用于评测流式视频大语言模型在高动态真实视频流中的感知能力，包含 8 个领域、6 类能力共 306 组 QA 对，并附人工标注的证据区间。
arXiv cs.CLAI 评分4040 WOVEN：将视觉世界建模编织进多模态 LLM
研究者提出 WOVEN，一个面向视觉转换推理的训练数据源与基准，按场景、动作和推理类型组织监督信号，包含 36,076 个样本、20 种场景类型、5 种动作类型和 8 种推理类型。
arXiv cs.CLAI 评分3030 ViSkill：用可演进的视觉原生技能强化 VLM 智能体
ViSkill 是一个视觉原生技能学习框架，将成功交互编码为 VLM 智能体可直接读取的复合视觉技能卡，检索到的技能同时引导推理与奖励塑形，成功轨迹再蒸馏回技能库形成闭环。在 Sokoban、FrozenLake 和 PrimitiveSkill 上，ViSkill 整体成功率达 0.89，加入冷启动初始化后升至 0.91，优于所有评测的闭源与开源基线，且收敛快于标准 PPO。
arXiv cs.CLAI 评分3838 SpaceCast-Bench：评估视觉语言模型的预测性空间推理
研究者推出 SpaceCast-Bench，首个直接诊断预测性空间推理的基准，基于 observe-transform-infer 框架，从 182 个真实场景构建 3,862 道题，覆盖静态感知、局部预测、全局预测三个层级共 16 种任务。
arXiv cs.CLAI 评分2424 4-Tensor 注意力模型：面向语义物理现实的下一状态预测
研究者提出 4-tensor 注意力模型，用于预测场景的下一语义状态，面向视频生成与机器人规划。在 ROCStories 验证集上，其末句交叉熵在 H=2,L=2 时比自由运行的一维 Transformer 低 5.3%，H=4,L=2 时低 2.6%，H=4,L=3 时低 2.4%；H=4,L=2 下两者参数量接近，为 172.5M 与 175.9M。
arXiv cs.CLAI 评分2222 SAGE：面向视觉语言解码器视觉定位的注意力汇感知引导强调方法
针对视觉语言模型解码器注意力抑制视觉证据、加剧幻觉的问题，研究者提出轻量干预方法 SAGE（Sink-Aware Guided Emphasis）。该方法发现解码器早晚期层存在提示无关的注意力汇 PIS，而中间层才驱动视觉-语言对齐，据此用 CLIP、ViT、DINOv3 等视觉骨干生成的 token 对齐 ROI 掩码，将注意力从 PIS 引导至查询相关区域。
arXiv cs.CLAI 评分2222 MiniVer-V：为短视频核查识别最小充分证据
研究者提出 MiniVer-V 短视频事实核查基准，包含 195 条短视频、三分类判定标注（supported、refuted、insufficient）和 5,510 个多模态证据单元，覆盖视觉关键帧、语音转写和网络检索外部来源。
arXiv cs.CLAI 评分2828 EgoVoice：从第一人称多模态流实现主动语音辅助
EgoVoice 是一个训练与评估主动式第一人称语音助手的框架，让模型在连续第一人称视频与音频流中自行决定何时保持沉默、何时给出语音指导。研究基于 HoloAssist 真人教学录像，通过音源分离与语音重合成构建干净音频流，并用直接偏好优化改进全模态 LLM 的主动干预行为。
arXiv cs.CLAI 评分1818 ILM：一款 AI 驱动的故事教学工具
ILM 是一款面向先知故事（Stories of the Prophets）的交互式教育平台，结合阿拉伯语 NLP、结构化知识表示与基于检索的题目生成。
arXiv cs.CLAI 评分3232 ReTurn：多模态多轮对话中的选择性历史使用基准
研究者提出 ReTurn 基准，包含 7,000 个覆盖视觉与音频证据的基础任务，用于评估多模态模型的选择性历史使用能力。在 13 个全模态、视觉语言和音频语言模型上，开放式准确率中位数从直接输入的 93.7% 降至对话中的 72.3%。行为探测显示，高问题召回率可能与较弱任务应用并存，竞争性媒体会使回答偏离历史目标，监督式适配仅带来部分提升。
arXiv cs.CLAI 评分2222 BehavDep：从稀疏表示到行为洞察的多模态抑郁评估框架
BehavDep 是一个基于稀疏因子的多模态抑郁评估框架，将多模态行为表示分解为稀疏潜在因子，并通过语义桥与具有行为意义的概
arXiv cs.CLAI 评分2222 现代标准阿拉伯语（MSA）在 LLM 中主导阿拉伯方言吗？一项表征层分析
研究将语言主导性框架扩展到 26 种阿拉伯语变体，发现没有证据表明现代标准阿拉伯语（MSA）在 LLM 内部表征中主导阿拉伯方言。方言表征形成高度重叠的密集空间，归一化互信息相比差异较大的语言明显下降，且最强可分性效应并不局限于中间层，会随架构向更后层偏移。研究认为，MSA 偏置的生成输出并不必然反映内部表征主导，多语言与方言 LLM 分析应区分生成偏置与内部表征几何。
arXiv cs.CLAI 评分2727 SignRAG：统一检索增强的无标注手语翻译框架
SignRAG 是一个面向 decoder-only LLM 的无标注手语翻译统一框架，结合分层预训练、目标域检索增强与检索感知强化微调。在 CSL-Daily 上，它是首个在所有报告指标上超越有标注监督方法的无标注方法，并在多个 SLT 基准上取得 SOTA。代码与不同规模模型已在 GitHub 开源。
arXiv cs.CLAI 评分2424 多语言语音模型中的音系干扰问题研究
研究者发现音素级语音模型存在系统性失败模式——音系干扰：模型默认输入为单一语言并强加其音系规则，覆盖与之冲突的局部音素决策。在语码转换输入上，两个语音转音素识别器和一个音素条件TTS模型丢失了32%至79%的跨语言特有音素。研究提出窗口化语言估计（WLE）推理时修复方法，在三个模型上消除了34%至69%的干扰，且识别器的单语性能基本不变。
arXiv cs.AIAI 评分3030 共享几何作为罗塞塔石碑：无需配对数据的跨模态对齐
研究者提出 Wasserstein Procrustes 方法，仅通过估计单一正交映射，无需任何配对样本即可实现独立训练模型间的粗略跨模态对齐。在极少配对样本场景下，该方法显著优于现有方法，并能支持无配对样本的文本到图像生成。标准几何对齐指标可准确预测对齐何时可行。
arXiv cs.AIAI 评分3131 SlideLab：面向听众的科研幻灯片生成与评估框架
SlideLab 是一个免训练的多智能体框架，可从研究论文生成科研演示幻灯片，先规划叙事，再由内容规划、视觉生成、布局优化和事实核查等智能体迭代构建共享幻灯片。
arXiv cs.AIAI 评分3030 RoboTalk：从多模态演示中学习多机器人通信与协调
RoboTalk 是一个合成数据生成管线与数据集，包含 7,950 条多模态轨迹，覆盖 53 个移动操作厨房任务，用于训练小型 VLM 实现机器人间通信与协调。数据集包含 leader-follower 规划协议、工具调用（感知、操作、导航、通信）、推理轨迹和多样化自然语言通信。开源模型微调后在新任务上成功率达 77%，而未微调模型仅约 2%。
arXiv cs.AIAI 评分2727 Meddies-PII：面向临床去标识化的多语言 PII 抽取框架
Meddies-PII-Dataset 是一个覆盖 17 种语言、9 类 PII 标签的百万级合成临床文档语料，通过属性条件提示词生成，并经 13 道确定性校验门控保证结构与标注一致性。
arXiv cs.AIAI 评分3131 MoEMB：用高效 MoE 模型扩展通用多模态嵌入
MoEMB 通过混合专家（MoE）沿专家轴扩展通用多模态嵌入，在保持单向量、非自回归编码的同时提升编码器容量，仅用 3B 激活参数就在 MMEB-V2 和 MRMR 上超越激活参数超 4 倍的 TTE 类方法，且计算量显著更少。该工作还首次系统研究了 MoE 嵌入的自适应计算，涵盖基于训练与仅推理的多种策略。
arXiv cs.AIAI 评分2323 从文本到视觉迁移了什么？VLM 的能力缩放定律与迁移动态
研究者提出 Capability-Driven Multimodal Scaling Law，首个跨模型族框架，用 LLM 文本基准经 PCA 提取的能力分数 S 预测 VLM 基准准确率。
arXiv cs.AIAI 评分2222 面向医疗 LVLM 的细粒度偏好优化：FiRe-MPO 如何改进 DPO
针对医疗大型视觉语言模型偏好优化粒度过粗的问题，研究者提出 FiRe-MPO（细粒度正则化医疗偏好优化），通过最小编辑模型自身生成构建偏好对，使优选与拒绝回答仅在临床决定性片段上不同，并用双向 token 级 KL 正则器稳定稀疏的片段级奖励。
arXiv cs.AIAI 评分2424 World-Ego Model（WEM）：面向长时程导航-操作任务的具身视频生成世界-自我建模
研究者提出 World-Ego Model（WEM），将具身视频拆解为「世界」（背景与未被操作物体）和「自我」（机器人与被操作物体）并解耦生成过程，结合角色条件注意力（RCA）的视觉-语言状态预测器与语义路由 MoE（SR-MoE）扩散生成器。
arXiv cs.AIAI 评分3737 统一自回归模型的后门漏洞：ToBAC 攻击可跨模态传播恶意效果
研究者提出 ToBAC，首个针对统一自回归模型（UAMs）的多模态后门攻击，可通过数据投毒或模型访问两种方式植入触发器。在有模型访问时，ToBAC 能让 Liquid 模型在 55% 的生成中对"cool"等普通词触发品牌推广或意识形态影响；无模型访问时通过数据投毒对 JanusPro 的平均攻击成功率达 63.1%。
arXiv cs.AIAI 评分2323 SAGE：通过几何逻辑一致性实现视觉语言模型自演化空间推理
研究者提出 Spatial Alignment via Geometric Evolution（SAGE），一个通过几何与语言对偶操作提升视觉语言模型鲁棒空间推理的自演化框架。SAGE 将对偶一致性引入 GRPO 训练，并协同演化对偶生成与求解，配合动态操作池聚焦高信息量信号。该框架与模型无关、数据高效，可作为轻量适配阶段应用于任意现有 VLM，在视频与空间推理基准上持续优于强基线。