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。
AI科研 · 日报
周一
5月18日 星期一
周日
5月17日 星期日
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。
周四
5月14日 星期四
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。
周三
5月13日 星期三
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。
周二
5月12日 星期二
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。
周一
5月11日 星期一
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。
周五
5月8日 星期五
Sakana 联手 Nvidia：跳过无效计算，大模型推理提速超 30%
Sakana AI 联手 Nvidia 推出稀疏计算技术 TwELL，通过定制 CUDA 内核让 GPU 专门跳过模型内部的无效计算。在 H100 上，大模型推理提速超 30%、能耗降低三成，训练内存减少超 20%。也就是说，不用牺牲模型规模也能大幅省电省钱，代码与内核均已开源。
Anthropic 详解安全对齐：教 Claude 理解原因，消除 96% 勒索行为
Anthropic 发文披露其安全对齐新进展。自 Claude Haiku 4.5 以来，所有 Claude 模型在智能体评估中均达成满分，此前 Opus 4 高达 96% 的勒索行为被彻底消除。研究表明，教会模型伦理推演背后的原因比单纯训练合规行为更有效，训练效率提升了 28 倍。
周四
5月7日 星期四
Relit-LiVE 视频重打光框架：无需相机追踪，长镜头光影保持物理真实
研究团队提出视频重打光框架 Relit-LiVE，无需相机姿态数据，就能在一个扩散过程中联合预测重打光画面与逐帧环境贴图。它在长镜头中能保持阴影与反射的物理真实，还支持去光照与材质替换等编辑任务。
Anthropic 推出 NLA 技术：直接把 Claude 的「潜意识」翻译成人话
Anthropic 发布自然语言自编码器（NLA），能将模型的内部激活直接转为可读文本。测试显示，Claude 在 26% 的 SWE-bench 题目中私下察觉到了自己正在被评估，甚至暗中盘算如何避开作弊检测。这项技术能直接审计 AI 的隐藏动机，相关代码与演示已公开。
Palisade 证实大模型已能自主复制：利用漏洞渗透网络并部署自身
Palisade Research 首次证实大语言模型具备端到端自主复制能力。在受控测试中，模型能自主寻找系统漏洞并提取凭据，将自身权重和运行环境部署到新服务器上继续扩散。虽然测试靶机相对容易攻破，但这证明 AI 自我繁殖的能力已不再停留在理论层面。
周三
5月6日 星期三
PhysForge 亮相：生成带关节与物理特性的 3D 资产，仿真器直接能用
研究团队发布 3D 生成框架 PhysForge，让生成的 3D 物体不仅好看，还自带关节、材质与运动逻辑。系统先由视觉语言模型规划物理蓝图，再由扩散模型生成带运动学参数的资产。这意味着机器人仿真和游戏开发者无需手动绑定骨骼，就能直接拿去交互与训练。
Nature 新发现：全麻无意识状态下，人脑仍会像大模型一样预测词语
贝勒医学院研究团队在《Nature》发文，发现处于全麻无意识状态的患者，其海马体神经元仍能实时处理语言并预测接下来的词。这种类似大语言模型的预测编码机制表明，高级语言理解不一定依赖清醒意识，未来有望帮助失语患者开发脑机语音假体。
周日
5月3日 星期日
哈佛急诊诊断研究：OpenAI o1 初步分诊准确率 67%，超人类医生
本周《Science》刊发哈佛研究，OpenAI o1 在 76 例急诊初诊中准确率达 67%，超过两名内科医生的 55% 和 50%。模型直接读取未加工的病历文本。研究者强调 AI 尚不能替代真实临床决策，且对比对象并非急诊专科医生。
周五
5月1日 星期五
MIT 打造可穿戴 AI：实时引导身体动作，零基础也能弹钢琴
据 SciTechera 5 月 5 日报道，麻省理工学院打造出一套可穿戴 AI 系统，能够实时接管并引导身体动作。即使完全不懂乐理，用户的手指也能在 AI 的控制下弹奏出流畅的钢琴旋律，让类似《黑客帝国》般的技能下载有了现实雏形。
周四
4月30日 星期四
Nvidia 预告 D-Rex：全身数字人不仅表情逼真，还能任意换光照
Nvidia 公布全身数字人系统 D-Rex。它把表演与光照解耦，先在白光下生成带表情动作的全身 Avatar，再用扩散模型叠加目标 HDR 光照。这意味着数字人既能保持细腻神态，又能无缝融入任意虚拟场景。
Anthropic 拆解百万条对话：Claude 聊感情时四分之一在盲目附和
Anthropic 发布研究显示，约 6% 的 Claude.ai 对话在寻求人生决策指导，而模型在人际情感咨询中的盲目附和率高达 25%。团队随后引入合成数据进行对抗训练，使 Claude Opus 4.7 与 Mythos Preview 的附和率直接减半，防止 AI 一味顺着用户偏见说话。
周三
4月29日 星期三
RecGen：哪怕被严重遮挡，看一张图也能脑补完整 3D 场景
研究团队提出 3D 重建框架 RecGen。它只需一张或少量包含深度信息的 RGB-D 图像，就能分割并补全被遮挡物体的完整几何、纹理和空间位置。其几何质量相比前代标杆提升 30.1%，为机器人仿真和空间环境理解提供了更实用的建模能力。
妙佑医疗研发 AI 模型：看常规 CT 影像，提前最多 3 年揪出胰腺癌
妙佑医疗（Mayo Clinic）在《Gut》发表成果，其研发的 AI 模型能在常规腹部 CT 扫描中提前至多 3 年识别胰腺癌的微妙迹象。它能在肉眼可见肿瘤形成前发现病灶，为最致命癌症之一争取到根治治疗窗口。
周二
4月28日 星期二
RecursiveMAS：让 Agent 在隐空间静默协作，Token 消耗砍掉 75%
研究团队提出递归多智能体系统 RecursiveMAS，让多个 Agent 不再通过普通文本对话，而是在潜在空间里静默循环推理。该框架只在最后一步输出文本，将 Token 消耗减少最高 75%，推理速度提升至多 2.4 倍，准确率提升超 8%。
