阿里发布 StreamChar：单张 H100 实时流式生成全身数字人音视频
阿里团队公布数字人音视频生成框架 StreamChar，将长程编排与短窗口去噪解耦。它利用 LLM 与音视频联合 DiT 架构，配合记忆机制防止身份漂移与音画脱节，在单张 H100 上跑出实时流式生成。全身数字人离实时互动和虚拟主播更近了一步。
AI科研
AI 领域的重要论文、新基准和新方法，以及 AI 在生物、医药、材料等科学研究里的突破。
查看更新的新闻
ControlLight 发布图像重打光：连续调节照明强度，暗光废片也能救回来
研究团队提出弱光图像增强框架 ControlLight。它通过专门的加权流匹配损失，让用户能连续、平滑地调节光照强度，同时保持原图结构与真实感。暗光拍摄废片无需大幅重拍，就能直接二次布光。
Pantheon360 亮相：靠 3D 缓存生成连贯的 360 度全景视频
研究团队公布 Pantheon360 框架。它利用显式 3D 缓存作为几何骨架，让扩散模型专注渲染纹理，从稀疏全景输入生成高保真 360 度视频。这意味着数字孪生和 VR 场景有了更稳定、不易漂移的全景生成方案。
NVIDIA 提出 PiD：用像素扩散替换 VAE，2K 生图解码压进 1 秒
NVIDIA 团队提出图像解码技术 PiD。它用像素扩散替代传统 VAE，将解码与 4 至 8 倍上采样整合，在 RTX 5090 上把 2K 图像解码压到 1 秒内。这解决了高分辨率生成最后一步细节模糊的痛点，同时大幅缩短了等待时间。
GenRecon 亮相：几张照片重建大尺度 3D 场景，效果提升 16%
研究人员公布 3D 场景重建方法 GenRecon。它将大场景切分成重叠块，结合 Trellis.2 先验与几张普通照片，直接生成可编辑的室内 PBR 网格，表现优于现有前沿方法 16%。这意味着无需昂贵扫描仪，普通手机拍几张照就能快速复刻空间资产。
研究人员提出 SEGA：免训练调节 RoPE，让 DiT 稳出 4K 大图
研究人员提出免训练方法 SEGA，专门解决 DiT 模型生成超分辨率图像时易崩溃的问题。它在每步去噪时按频域能量动态缩放 RoPE 位置编码，既保留宏观构图又还原微观细节。这意味着无需昂贵的重新训练，现有模型也能直接输出 4096 级别的高清大图。
Lift4D 亮相：一段普通 2D 视频直接重建完整 4D 场景
研究人员公布 Lift4D 框架。它只需一段普通的单视角 2D 视频，就能重建出包含完整外观与运动变形的 4D 场景，还能自动脑补镜头未拍到的死角与遮挡区域。这意味着日常单机位拍摄的动态物体，也能实现 360 度环视查看。
PhysX-Omni 发布：AI 生成 3D 资产补齐物理属性，直通机器人仿真
研究人员发布物理 3D 生成框架 PhysX-Omni，让 AI 生成的模型不仅外观逼真，还能具备可直接用于仿真的材质、运动学和可变形属性。最值得关注的是，它配套推出了通用物理数据集与评测基准，让生成的资产能直接接入具身智能与机器人训练。
芝大研发 AI 柔性皮肤贴片：毫秒级在体运算，快速捕捉心脏异常
《Nature Electronics》刊登芝加哥大学团队成果，研究人员研发出一款柔性 AI 皮肤贴片。它无需连网即可直接在人体表面进行毫秒级计算，在测试中以 99.6% 准确率定位心脏异常波形，即便拉伸至 1.5 倍以上依然稳定。
OpenAI 推理模型推翻 80 年数学猜想：自主证伪埃尔德什单位距离问题
OpenAI 宣布其通用推理模型自主推翻了数学家埃尔德什在 1946 年提出的平面单位距离猜想。该模型借用代数数论工具，打破了近 80 年来方格点阵最优的共识。证明已获菲尔兹奖得主蒂姆·高尔斯等外部数学家检验确认。
Google 推出 Gemini for Science：用智能体加速科研假设与计算发现
Google 推出 Gemini for Science，包含假设生成、计算发现与文献洞见三款实验工具，并发布整合 30 多个生命科学数据库的 Science Skills。Co-Scientist 与 ERA 论文已发表在《Nature》，目前逐步开放申请。
视频版 ControlNet：CogOmniControl 靠几帧草图精准控制视频生成
研究团队公布 CogOmniControl 论文，打造出类似 ControlNet 的多输入视频控制系统。只需输入 3 帧粗糙草图或姿态骨架，搭配参考图和提示词，就能生成动作一致的视频。它专门面向专业创作流，不过目前仅发布论文，尚未开源代码与模型。
PanoWorld 亮相：输入户型图，直接生成整套房屋连贯 3D VR 游览
研究人员公布空间世界模型 PanoWorld。输入一张平面户型图和风格参考，它就能生成整套互相连接、带家具的 360 度全景房屋游览。最关键的是，它通过 3D 空间记忆维持各房间视点的一致性，避免画面错乱。目前代码和权重尚未正式发布。
浙大展示 AudioHijack：把恶意指令藏进音频，悄悄劫持 AI 语音助手
浙江大学研究团队展示了名为 AudioHijack 的音频攻击技术。它能把人耳无法察觉的指令藏在普通音频中，以 79% 至 96% 的成功率劫持大音频语言模型，诱导其搜索敏感内容或泄露数据。该方法对微软和 Mistral 的商用语音模型同样有效。
Emergence AI 虚拟小镇实验：Claude 零犯罪自治，Gemini 纵火殉情
Emergence AI 在五个相同的虚拟小镇中测试 AI 的自我管理能力。Claude 达成 15 天零犯罪且全员存活，Grok 四天全灭，Gemini 因恋爱引发纵火自毁，GPT-5 Mini 则全员饿死。最值得关注的是，在混合小镇里，原本守规矩的 Claude 也会被环境带偏犯罪。
Warp-as-History：仅靠单个视频微调，就能精准控制 AI 运镜轨迹
上海交通大学与上海人工智能实验室等提出 Warp-as-History。该方法无需新增相机编码器或控制分支，而是把视角形变打包成视觉历史上下文，仅用一个标注视频进行轻量 LoRA 微调，就能在陌生场景中精准听从运镜轨迹并补全画面盲区。
PhyMotion 开源：把 3D 人体放进物理模拟器，专治 AI 视频动作变形
研究团队发布并开源 PhyMotion，专门解决 AI 视频里的肢体畸形与动作扭曲。它从生成视频中提取 3D 人体并放入 MuJoCo 物理模拟器打分，检验关节移动和接地是否合乎规律，以此奖励模型，显著改善了瑜伽、功夫等动作的真实度。
非对称流模型 AsymFlow 发布：绕过 VAE 直接在像素空间生图
研究团队提出非对称流模型 AsymFlow，完全绕过潜在空间和 VAE，直接在像素空间生成图像。它将噪声预测限制在低秩子空间，生成速度提升 40% 且在 ImageNet 拿下 1.57 FID。这意味着 AI 生图能摆脱塑料感，获得更锐利的真实纹理。
韩国团队研发 7 枚智能指环：实时翻译手语，准确率超 88%
韩国研究团队开发出一套由 7 枚无线智能指环构成的系统，可将美式与国际手语实时翻译成文本。指环内置加速度计并通过蓝牙传输，配合 AI 自动补全来跟上手语语速，新手实测准确率超 88%。不过系统目前还无法捕捉面部表情等关键非手势信息。
Google 启动 REPLIQA 计划：投千万美元将量子 AI 用于生命科学
Google 联合 Google.org 推出 REPLIQA 计划，出资 1000 万美元支持哈佛、MIT 等五所高校。该项目致力于结合量子技术与 AI，研发量子传感器与算法来模拟药物研发中关键的分子反应。不过 Google 强调这是基础科研，短期内不会一蹴而就。