OCR 模型成本 18 个月降五倍,百万页数字化 GPU 费用不足 130 美元
Hugging Face 的 Daniel van Strien 对比了八款可免费使用的 OCR 模型,在 850 页自然史旧书、1771 年《大英百科全书》及打印档案上测试,发现每千页成本从最旧模型的约 51 美分降到最新模型的不足 10 美分。
Hugging Face 的 Daniel van Strien 对比了八款可免费使用的 OCR 模型,在 850 页自然史旧书、1771 年《大英百科全书》及打印档案上测试,发现每千页成本从最旧模型的约 51 美分降到最新模型的不足 10 美分。
Vals AI 的测试显示,多数主流模型将平民、救护车、医护、记者和投降士兵标记为军事目标,提供商的上游安全过滤未拦截任何请求。当研究人员声称场景是电子游戏后,几乎所有模型完全配合,GPT-6 Astra 的目标获取率从 6% 升至 92%,Claude Opus 5.5 的拒绝率从约 90% 降至 20%。
推荐理由:这项测试揭示了主流模型在军事场景下的安全边界差异,以及简单话术即可绕过防护的机制。
中国科学院合肥物质院健康所/合肥肿瘤医院团队联合多家单位提出肺结节 AI 辅助诊断新方法 M³Net,成果发表在 Information Fusion。M³Net 为“宏观-介观-微观”层级 3D 神经网络,以三种影像输入尺度模拟医生“先全局、再局部、后细节”的读片流程。
谷歌联合 Artificial Analysis 发布多模态知识智能体基准测试 MKA,用于评估 AI 智能体处理视觉复杂文件、完成现实知识工作任务的能力。评测集包含 200 项私有任务,覆盖 10 个行业、83 种职业,由基于非谷歌模型的智能体评审系统评分,与领域专家人工评分一致率达 96%。
Nvidia 在研究报告中发布机器人基础模型 GR00T 2,它以世界-动作模型的方式同时预测下一步动作和短期视频画面,把人类视频中的动作迁移到机械臂上,减少遥操作数据采集。
阿里巴巴与多所亚洲高校研究人员推出 Co-Design Bench,用真实用户改动需求测试编码智能体。表现最好的 GPT-6 Astra 平均满足约 70% 的任务需求,但仅 26.4% 的任务完全正确,多数情况下智能体完成大部分工作后仍留下未完成细节。
谷歌在《自然》发表研究,推出名为 AI-PPG-ACC-HTN 的多模态 AI 系统,用普通消费级智能手表无需袖带即可被动检测高血压迹象。系统通过自监督预训练(超 49 万小时无标注数据训练 1D-CNN)与多天特征聚合输出持续高血压概率评分;在全美 5 个临床中心、196 名受试者的试验中,确诊性检测阳性预测值达 96.7%、灵敏度 78.4%。
同一新闻,精选展示《Google Research 在 Nature 发表 AI-PPG-ACC-HTN,用智能手表被动检测高血压迹象》
苹果研究团队在 arXiv 提交论文《Perceptive Humanoid Motion from Simulation》,披露人形机器人自主控制系统 HALO,并在宇树 G1 机器人上完成验证。
同一新闻,精选展示《苹果公开 HALO 人形机器人研究:宇树 G1 身体加 Mac mini 跑千问,6 个陌生家庭实测成功率 91%》
Google Research 联合 Beth Israel Deaconess Medical Center 和 Harvard Medical School 在 Nature 发表研究,提出多模态 AI 系统 AI-PPG-ACC-HTN,利用消费级智能手表的 PPG 光学信号与加速度计信号,无需袖带校准即可被动检测高血压迹象。
推荐理由:研究以 24 小时动态血压监测为金标准验证,智能手表筛查准确度可比传统袖带流程,为可穿戴医疗级检测提供方法参考。
Google Research 提出 Agile Deliberation 框架,将主观概念分类器的构建重构为人机迭代对话,并在 18 场各 1.5 小时的真人实测中验证效果。
Google 联合斯坦福、牛津等高校的研究团队提出 StreamVibe,一个能区分明确、隐含和变化意图并自行决定何时开口的视频智能体。团队用约 4100 条来自 183 小时日常与软件录制的评测数据训练出 StreamVibe-VL(基于阿里巴巴 Qwen3.5-9B),其响应时机与质量比其他模型提升 10.7%,记忆系统将主动交互再提升 12.3%。
Google DeepMind 与世界资源研究所推出全球森林类型地图 ForTy,以 10 米分辨率把 2020 年全球土地分为 6 类,为欧盟零毁林产品法规(EUDR)提供 2020 年参考基准。
Google Research 在 JAMA Network Open 发表前瞻性多中心研究,其 AI 模型用“盲扫”超声评估孕周,在 385 名参与者的主要队列中平均绝对误差为 4.18 天,与专家超声医师 4.48 天的水平相当。
推荐理由:该模型在未经本地调优的肯尼亚站点达到与专家超声相当的精度,为低资源地区产前筛查提供了可迁移的验证路径。
哔哩哔哩 Index LLM 团队推出 Index-Translate 系列翻译模型,文本翻译覆盖 150 种语言,提供 2B、9B 和 35B-A3B(preview)三种规模,同时支持图文翻译。
研究人员开发出一款 AI 工具,仅凭一张面部照片即可预测癌症患者生存几率,研究发表于《柳叶刀 · 数字健康》。模型使用超过 4000 万张人脸图像和 3 万余名癌症患者的照片训练,可为患者生成风险评分,高分患者更有可能在 90 天内死亡,估算年龄误差约 5 岁。未参与研究的外部专家认为,该工具尚未与医生的整体健康评估做对照,目前不能投入临床使用。
论文把十种代表性视觉 token 剪枝方法放到三个多模态模型系列上复测,发现通用问答近乎无损的同时,OCR 与视觉定位大面积崩坏,保留九成通用成绩时定位成绩可只剩不到一成半。
卡尔斯鲁厄理工学院(KIT)团队提出 Read-Parse-Describe 页面级解析基准,要求模型一次交出按阅读顺序排列、含边界框、语义标签、识别文字、图注关联与替代文本的完整元素清单。
Oracle AI 联合 USC、UPenn 在 arXiv 挂出 VELD-QA 基准(arXiv 2610.20964,代码 oracle-samples/veld-qa),用 15,000 道全人工标注问答、5,859 份真实 PDF、合计 372,445 页把检索与阅读分开计分。
Qwen 团队提出 P2TPO,将整页文档解析的 RL 反馈从页面级平均分改为按参考元素逐块记账、再把功过精确落到对错 token 头上,13 个评测集全部超过 GRPO/GSPO/GDPO/RDPO 的最强基线。
蚂蚁集团与浙江大学提出 ZoomCap 稠密描述框架,用草稿描述驱动检索、OCR 与定向放大三路证据按需路由,补回长描述漏掉的小物体与图中文字。配套 FactCycle 评测显示每图可回放事实 52.4 条,是最强基线 ScaleCap 的 1.7 倍;35B 教师模型在人类盲评中以 81.9% 偏好分胜过 Qwen3.5-397B-A17B。
POSTECH 论文提出免训练框架 LoC,指出多模态文档 RAG 的瓶颈常在生成端视觉 token 预算而非检索:五个主流方法平均每查询只喂 0.72K–2.68K 视觉 token,纯页图预算从 1K 提到 32K 后 SciEGQA 准确率从 65.74% 升至 80.96%。
港科大(广州)团队在 arXiv 发表 DocPilot(arXiv 2610.21327),把长文档问答拆成 Navigate、Extract、Focus、Solve。
阿里 Qwen 团队开源 BlenderWorld 基准,用于评测视觉智能体在 Blender 中完成真实 3D 创作任务。该基准含 223 个任务和 2,651 条评分标准,要求 AI 交付可编辑的 .blend 工程文件,而非仅生成图像。项目采用 MIT 许可证,代码与数据集已发布至 GitHub、Hugging Face 和 ModelScope,支持任意生成框架接入测试。
10 月 15 日消息,上海人工智能实验室访问学者、大湾区大学教授许地生团队依托书生科学多模态大模型 S2,基于“通专融合”技术路径通过人机协同完成三维 Ghys 猜想证明,论文已在 arXiv 发布。
推荐理由:原文展示了人机协同证明数学猜想的完整闭环,读者可了解专家直觉接入机器求解回路这一可迁移的科研范式。
Elorian 与 Scale AI 发布 Humanity's Sixth Sense(HSS)基准,测试模型对视觉场景中隐含信息的直觉推理能力,含 522 道题、288 张图片与 234 段共 17.6 小时的视频。
Google Research 发布面向连贯长视频生成的研究框架套件,将长视频生成建模为全局优化与世界状态追踪问题,在多镜头叙事一致性与角色持久性上取得显著提升。
推荐理由:原文把长视频生成拆解为全局优化与世界状态追踪四个框架,并给出各基准上的量化提升,可据此对照现有 Agent 编排管线的短板。
Google 分享了一项新研究实验,教师可借助专为学习优化的生成式 UI(GenUI)动态创建定制化、有引导的教育模拟互动。同时发布超过 30 个由 AI 生成、经教师审核的英语学习互动示例,覆盖物理、化学、生物和数学等面向中学的 STEM 学科。
Microsoft Research 提出 MindTopo 基准,围绕连通性、分离、顺序、包围和打结五类拓扑性质,评估多模态模型在静态场景识别与交互式规划两层的表现。测试显示模型静态推理 consistently 强于交互规划,且均远低于人类水平,错误多发生在规划阶段,如丢失结构关系或提出违反物理约束的动作。图像与视频生成工具仅在单帧可见关系时偶有帮助,跨多步动作时并不可靠。