LEGO-Anything 用编码智能体从单张照片生成 Blender 3D 场景
研究团队提出 Image-to-Code 方法，让编码智能体接收单张图片后编写 Blender 程序，通过写代码、运行、查看结果并反复修改来还原场景，输出的是可运行、可编辑、可查询的程序。
#多模态
#多模态
今日 1 条The DecoderAI 评分6060
Google Research精选AI 评分7171 Google Research 发布 AI 视频联合导演框架，实现连贯长视频生成
Google Research 发布 AI video co-director 多智能体框架，作为 Gemini 和 Veo 之上的编排层，把长视频生成建模为全局优化与世界状态跟踪问题，缓解语义漂移和级联失败。
推荐理由：Google 把长视频生成拆成四个可组合框架，并给出多镜头一致性的评测基准与量化结果。
Google ResearchAI 评分3131 Google 推出 AgentHands：为 XR 智能体对话生成空间化手势
Google 发布研究原型 AgentHands（CHI 2026），可将 LLM 的高层推理映射为 XR 中与语音同步的手势，用于空间化智能体对话。系统包含环境感知、手势事件库、手势嵌入推理与本地 XR 同步执行四步，支持指示、象形与表达三类手势。在 N=12 的用户研究中，AgentHands 相较纯语音基线在空间定位等指标上显著提升。
Google ResearchAI 评分5050 Google PhotoScan：用手机照片估算体脂与胰岛素抵抗风险
Google 推出 PhotoScan，一个从普通 2D 手机照片估算体脂率（BF%）、Android-to-Gynoid 脂肪比（A/G）和 Visceral-to-Subcutaneous 脂肪面积比（V/S）的深度学习框架。
Microsoft ResearchAI 评分3838 微软研究院推出 MindTopo 基准，揭示多模态大模型空间推理短板
微软研究院发布 MindTopo 基准，用于评测多模态大模型在连通性、封闭性、顺序、分离和绳结五类拓扑关系上的推理与规划能力。测试显示，当前专有与开源模型在静态识别上明显强于交互规划，且两者均远低于人类水平，失败多发生在规划阶段而非感知阶段。图像与视频生成仅在单帧内保留拓扑关系时有用，跨多步操作仍不可靠。
Google Research精选AI 评分7272 Google 推出 AMIE (Video)，实时视频问诊达到专家级水平
Google Research 发布 AMIE (Video)，基于 Gemini 和 Project Astra 实现实时视频临床问诊，可感知非语言线索、引导虚拟体格检查并同步完成诊断推理。
推荐理由：Google 用 300 场随机对照视频问诊给出 AMIE 视频版与真人医生同级的评测结果，可了解多智能体异步架构如何兼顾对话延迟与临床推理。
Microsoft ResearchAI 评分4242 微软发布 CARE-X：面向临床放射学的统一胸部 X 光 VLM
微软研究院推出 CARE-X，一个面向胸部 X 光多种临床解读任务的统一视觉语言模型，结合生成式与结构化预测，并用强化学习（DAPO）在多任务设置下奖励临床正确性。该模型支持报告生成、病灶有无与否定判断、异常定位、多标签分类及导管位置检测等任务，采用生成或双推理模式。另一项独立实验中，Qwen3-VL-4B-Instruct 搭配确定性测量工具，用于评估直接计算能否改善测量依赖型病症的表现。
Google Research精选AI 评分6262 Google 发布 SymptomAI：面向日常症状评估的对话式 AI 智能体
Google Research 发布论文 SymptomAI，一种用于日常症状评估的对话式 AI 智能体，基于 Gemini Flash 2.0 构建五个不同提问策略的原型。
推荐理由：Google 用 1.3 万人规模的随机研究比较 SymptomAI 与真实临床医生的鉴别诊断，并给出可穿戴生物信号佐证。
Google ResearchAI 评分2828 Google Earth AI 发布矢量化数据集，用深度学习绘制英国树篱与石墙
Google Research 发布矢量化数据集，将 Farmscapes 2020 的高分辨率栅格地图转为可操作的树篱、石墙和树丛清单，覆盖英国超 13 万平方公里。
Google ResearchAI 评分3434 Google Research 研究 AI 如何帮助用户理解皮肤问题
Google Research 公布两项皮肤健康 AI 研究：一项发表于 JAMA Dermatology 的大规模调查中，2345 名参与者使用 AI 工具后尝试命名皮肤状况的比例超 62%（对照组 41%），命名准确率 23%，接近对照组 8% 的三倍。但 AI 组在判断下一步就医建议上未获统计显著提升，且比对照组更易给出不够紧急的建议（30% vs 27%）。
Google Research精选AI 评分7272 Google 研究用手机摄像头实现被动心脏健康监测
Google Research 在 Nature 发表研究，提出 PHRM 系统，利用手机前摄在面部解锁后的数秒内拍摄视频，通过深度学习在后台估算心率和静息心率。
推荐理由：Google 用手机前摄在解锁后被动测心率，并公开迄今最大规模手机视频数据集与预训练模型。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 AI co-clinician 医疗研究计划
Google DeepMind 宣布 AI co-clinician 研究计划，探索 AI 在医生监督下作为护理团队成员与患者交互。在 98 个真实初级保健查询的盲评中，该系统 97 例无关键错误，优于两款医生常用 AI；在 140 项问诊技能评估中，AI 在 68 项达到或超过初级保健医生水平，但专家医生在识别危险信号和关键体格检查上整体仍更优。
推荐理由：DeepMind 公开 AI co-clinician 研究计划，给出医生端与患者端两类评测结果，可了解医疗 AI 当前能力边界。
Google ResearchAI 评分4242 Google 推出 PaperVizAgent 与 ScholarPeer 两个学术 AI 智能体
Google 发布两个学术智能体框架：PaperVizAgent（原 PaperBanana）从论文方法章节生成出版级图表，ScholarPeer 则自动评审论文。
Google Research精选AI 评分6666 Google 与 BIDMC 开展对话式诊断 AI 真实临床可行性研究
Google Research 与 Beth Israel Deaconess Medical Center 合作开展了一项前瞻性单中心可行性研究，让对话式诊断 AI AMIE 在门诊初级保健就诊前为患者采集病史，由医生通过视频实时监督。
推荐理由：Google 与 BIDMC 首次把 AMIE 放进真实门诊流程做前瞻性可行性研究，读者可看到安全监督机制与盲评结果。
Google ResearchAI 评分4040 Google 用合成数据教多模态大模型读懂地图路径
Google Research 提出 MapTrace，一套可扩展的合成数据生成流程，用于训练多模态大模型在地图上追踪路径，并开源了基于 Gemini 2.5 Pro 和 Imagen-4 生成的 200 万问答对。
Google ResearchAI 评分3838 Google Research 推出 DialogLab：开源多智能体群组对话创作与测试框架
Google Research 发布开源原型框架 DialogLab，用于创作、模拟和测试动态的人机群组对话，相关论文在 ACM UIST 2025 展示。该框架将对话的社交设定与时间流程解耦，通过"创作-测试-验证"三阶段工作流支持多参与方、角色分组与打断规则配置。
Google ResearchAI 评分3131 Google 小模型拆解式意图提取：Gemini 1.5 Flash 8B 媲美 Gemini 1.5 Pro
Google Research 提出一种拆解式方法，让小型多模态 LLM 在设备端理解用户意图：先逐屏总结每次交互，再从摘要序列中提取意图。在移动端与网页轨迹上，该方法优于 CoT 和端到端微调，Gemini 1.5 Flash 8B 取得与 Gemini 1.5 Pro 相当的结果，成本与速度仅为后者一小部分。该论文已在 EMNLP 2025 发表。
Google DeepMindAI 评分4040 Google DeepMind 与 Kaggle 推出 FACTS Benchmark Suite，系统评估大语言模型事实准确性
Google DeepMind 联合 Kaggle 发布 FACTS Benchmark Suite，在原有 FACTS Grounding 基础上新增 Parametric、Search、Multimodal 三项基准，并将 Grounding 升级至 v2，共 3513 个公开样例，另设私有留出集。
Google ResearchAI 评分2727 Google 发布 MSEB 音频智能基准，覆盖 8 类听觉任务
Google Research 在 NeurIPS 2025 发布 Massive Sound Embedding Benchmark（MSEB），用于标准化评估声音嵌入模型的 8 类听觉能力，涵盖检索、推理、分类、转录、分割、聚类、重排序与重建。
Google ResearchAI 评分3838 Google DeepMind 发布 Natural Forests of the World 2020：10 米分辨率天然林地图
Google DeepMind 联合 Google Research 发布 Natural Forests of the World 2020，这是首个全球一致、10 米分辨率、可区分天然林与其他树木覆盖的地图数据集，独立数据集验证准确率达 92.2%。
Google DeepMind精选AI 评分6666 Google DeepMind 发布 SIMA 2：可推理、对话并在 3D 虚拟世界中自我改进的智能体
Google DeepMind 发布 SIMA 2，将 Gemini 模型嵌入智能体核心，使其从指令跟随者升级为能思考目标、与用户对话并随时间自我改进的交互式游戏伙伴。
推荐理由：SIMA 2 把 Gemini 的推理能力接入 3D 游戏智能体，读者可了解从指令跟随到自主推理与自我改进的路径。
Google DeepMindAI 评分4444 Google DeepMind 研究：让 AI 像人类一样看世界
Google DeepMind 在 Nature 发表新论文，提出三步对齐方法，将视觉模型的内部表征重组得更接近人类认知。研究基于 THINGS 数据集训练 SigLIP-SO400M 适配器生成百万级图像的 AligNet 数据集，再微调其他模型，使其在"找不同"任务上更符合人类判断，并提升鲁棒性与泛化能力。
Google DeepMindAI 评分2626 Google 用 AI 绘制物种分布、预测森林砍伐并升级生物声学模型 Perch
Google 发布三项生物圈研究成果：与 World Resources Institute 合作开发森林砍伐驱动因素模型，以 1km² 分辨率覆盖 2000-2024 年，并开放 30 米尺度砍伐风险预测基准数据集。
Google ResearchAI 评分4141 Google 推出 StreetReaderAI：用 Gemini 多模态 AI 让街景对视障用户可访问
Google Research 发布 StreetReaderAI 无障碍街景原型，基于 Gemini 构建 AI Describer 与 AI Chat 两个子系统，为盲人和低视力用户实时生成道路、路口与地点的语音描述，并支持语音或键盘平移、移动和跳转。
Hugging Face BlogAI 评分5050 TimeScope：你的视频大模型到底能看多长的视频？
Hugging Face 开源长视频理解基准 TimeScope，将 5-10 秒的"针"片段插入 1 分钟至 8 小时的视频中，考察定位检索、信息综合与细粒度时序感知三项能力。测试显示，包括 Gemini 2.5-Pro 在内的领先视觉语言模型在真正的长视频任务上仍表现吃力，性能随视频变长明显下滑。
Hugging Face BlogAI 评分4040 BAAI 推出 FlagEval Debate：首个多语言 LLM 辩论竞赛平台
BAAI 推出 FlagEval Debate 平台，让大模型以辩论形式直接对抗，目前支持英语、中文、阿拉伯语和韩语四种语言。平台采用专家评审与用户投票的双重评估机制，并提供开发者自定义参数功能，以解决静态评测和 Chatbot Arena 存在的判别力不足、模型孤立生成及投票偏差等问题。2024 年 Q3 的实验显示，当前多数模型已具备参与辩论的能力。
Hugging Face BlogAI 评分2222 Hugging Face 发布 CinePile 2.0：用对抗式数据集精炼打造更强的长视频问答数据集
Hugging Face 发布 CinePile 2.0 长视频问答数据集，采用其提出的对抗式数据集精炼（adversarial dataset refinement）方法进行改进。
Hugging Face BlogAI 评分2424 LAVE：用 LLM 对 Docmatix 做零样本 VQA 评测，我们还需要微调吗？
Hugging Face 提出 LAVE（LLM-Assisted VQA Evaluation），用 Llama-2-Chat-7b 以 1-3 分制对答案打分，在 Docmatix 的 200 张图像子集上评测 MPLUGDocOwl1.5 的零样本表现。
Hugging Face BlogAI 评分3838 Hugging Face 发布 Docmatix：规模扩大 240 倍的文档视觉问答数据集
Hugging Face 发布 Docmatix 文档视觉问答（DocVQA）数据集，包含 240 万张图像和 950 万对 Q/A，规模是此前数据集的 240 倍。
Hugging Face BlogAI 评分4040 Hugging Face 发布 WebSight 数据集，用截图生成 HTML 代码
Hugging Face 推出 WebSight 数据集，用于训练 AI 将网页截图转换为 HTML 代码，初版 WebSight-v0.1 包含 823,000 对 HTML 与截图，更新版 WebSight-v0.2 改用真实图片和 Tailwind CSS 并扩展至 200 万样本。
Hugging Face BlogAI 评分2727 UCLA 团队发布 ConTextual：多模态模型在文本密集场景中的图文联合推理评测基准
UCLA 研究者发布 ConTextual，一个面向 LMM 的上下文敏感文本密集视觉推理数据集，含 506 条指令，覆盖时间阅读、购物、导航、信息图等 8 类真实场景，并同步上线排行榜。首轮评测 13 个模型，GPT-4V 表现最佳，在抽象推理上超过人类，但在时间相关任务上不及人类；开源模型在多个领域表现明显落后。用 OCR 或 caption 增强 LLM 的方案人类通过率仅 17.2%。