1X 发布「1X 世界模型」：让人形机器人看视频学会烤面包与击掌
机器人初创公司 1X 发布基于物理的「1X 世界模型」，让家用人形机器人 Neo 通过互联网视频与文本提示自主学习新技能。目前机器人已能借此完成拿空气炸锅篮、烤面包及击掌等基础操作。不过这还仅限于简单动作，1X 计划在今年内正式交付 Neo。
AI 日报：今天的 AI 新闻
周二
1月13日 星期二
Google 升级 Veo 3.1：支持原生 9:16 竖屏与 4K，做短剧不崩脸
Google 升级视频模型 Veo 3.1，为图片生视频功能加入原生 9:16 竖屏与最高 4K 画质。新版大幅提升角色和背景跨镜头的一致性，换场景也不崩脸，创作者免裁切就能直出短剧，现已上线 Gemini 与 YouTube Create。
Kyutai 开源 Pocket TTS：1 亿参数纯 CPU 运行，首包延迟仅 200 毫秒
Kyutai 开源轻量级语音合成工具 Pocket TTS，仅 1 亿参数，专为 CPU 设计且无需 GPU。在 MacBook Air M4 上仅用 2 核即可实现 6 倍实时速度，首包延迟约 200 毫秒，支持声音克隆与超长文本，代码与模型均已公开。
周一
1月12日 星期一
月球酒店开启预订：初创公司 GRU Space 开收百万美元定金
YC 孵化的初创公司 GRU Space 宣布月球酒店计划，向早期旅客收取 25 万至 100 万美元定金。团队计划在 2032 年发射首个可容纳 4 人的充气酒店，为搭乘 SpaceX 星舰的旅客提供落脚点。不过，该公司目前除创始人外仅有一名全职员工。
Anthropic 推出 Claude Cowork：直接接管本地文件与日常报表
Anthropic 推出 Claude Cowork 研究预览。只要指定文件夹，它就能自主整理文件、核对账目并生成周报，电脑合盖后仍能在后台跑。它把 Claude Code 的智能体能力带到了日常办公，目前仅限 macOS 桌面端的 Max 订阅用户测试。
苹果联手谷歌：新版 Siri 接入 Gemini，传年授权费 10 亿美元
苹果与谷歌正式达成多年合作，将采用 Gemini 为未来的苹果基础模型及新版 Siri 提供支持。据报道苹果每年将支付约 10 亿美元授权费。最值得关注的是，苹果罕见将核心助手的底座外包给竞争对手，同时其与 ChatGPT 的合作依然保持有效。
NovaSR：仅 52KB 的超轻量音频模型，超 3500 倍速把声音变清晰
开发者开源微型音频超分模型 NovaSR。模型体积仅约 52KB，架构不足 10 层卷积，单张 A100 上运行速度可达 3600 倍实时，能把 16kHz 的发闷音频还原为 48kHz 高清声音。它几乎不占显存，非常适合塞进端侧设备或给 TTS 实时提质。
ShowUI-Aloha 开源：看人录屏示范一次，就能学会操作电脑
ShowUI-Aloha 正式开源，这是一款通过人类示范学习的电脑操作智能体。只需用户录屏演示一次订票或改表格，系统就能提取语义轨迹并在相似任务中自主执行，在 OSWorld 评测中达到 60.1% 的成功率。代码遵循 MIT 协议。
PixVerse 发布实时世界模型 R1：边播边改提示词，生成连续视频流
PixVerse 发布实时世界模型 PixVerse R1，能以流式生成连续 1080P 视频，用户中途随时输入提示词即可实时改变画面。虽然目前一致性较弱、物体易变形，但它让 AI 视频从等渲染的切片变成了可实时干预的模拟世界。
周日
1月11日 星期日
Google 联手零售巨头推出 UCP 协议：让 AI 智能体搞定全流程购物
Google 联合沃尔玛、Shopify 等推出通用商务协议 UCP。这项开放标准覆盖商品发现、品牌对话到售后全流程，并在 Google 搜索与 Gemini 中引入原生结账。最值得关注的是，AI 正式从帮你挑商品进化到替你直接下单。首批原生结账先面向美国部分零售商测试。
周六
1月10日 星期六
3D 绑骨框架 RigMo 发布：无需人工标注，自动给动物和物体加骨骼做动画
研究团队公布 3D 动画框架 RigMo 论文。它能直接从模型序列中推断骨架与动作，无需人工标注骨骼，除了人形和鸟兽外，连风扇等物体也能准确绑定。相比 Uni-Rig 更稳且不易绑歪。目前代码与数据即将开源。
周四
1月8日 星期四
阿里提出 Thinking with Map：让 AI 查地图定位，500米准确率达 22.1%
阿里巴巴团队提出图像地理定位框架 Thinking with Map，让多模态模型像人类一样查地图推断拍摄地。结合强化学习与并行搜索，模型 500 米内定位准确率达 22.1%，是配备地图搜索的 Gemini-3-Pro 的 2.8 倍。
腾讯推出 VerseCrafter：单图生成视频，可在 Blender 里拖运镜和物体轨迹
腾讯等研究人员推出视频世界模型 VerseCrafter。它以 Wan2.1 为底座，能将单张图片转化为几何场景，让用户在 Blender 中直接编辑运镜路线与物体的 3D 运动轨迹，生成多视角下连贯的高质量动态视频。不过模型目前对人体朝向和非刚性背景形变控制仍有限制。
Z.ai 发布 GLM-Image：混合架构，文本渲染准确率达 91.2%
Z.ai 在 Hugging Face 发布图像生成模型 GLM-Image，采用混合自回归与扩散解码器架构。该模型支持单一模型内完成文本生成图像，在 CVTG-2K 评测上的文本渲染单词准确率达到 91.2%，超过 Seedream 4.5 与 GPT 图片 1。
周三
1月7日 星期三
Qwen 3D 相机控制上线：在网页里拖动滑块就能改图像视角
开发者 multimodalart 在 Hugging Face 上线 Qwen 3D 相机控制 Space。该工具基于 fal 的 Qwen 图像编辑 LoRA，支持直接在 3D 视口拖动把手或调节滑块，精确修改画面中主体的方位角、仰角和相机距离。换句话说，调整 AI 图像视角变得像摆弄 3D 模型一样直观。
周一
1月5日 星期一
开源图像编辑器 VIBE：2K 图片编辑只要 4 秒，显存 24GB
开源图像编辑模型 VIBE 正式公布，采用 2B 参数的 Qwen3-VL 搭配 1.6B 的 Sana 1.5。在 H100 上编辑 2K 图像约需 4 秒，蒸馏版本更压至 2 秒以内。最值得关注的是，它用极小参数量实现了出色的原图一致性保留。
周日
1月4日 星期日
Sakana AI 智能体夺冠 AtCoder：花 1300 美元击败 804 名人类
Sakana AI 宣布其 ALE-Agent 在 AtCoder 启发式编程赛 AHC058 中夺冠，击败 804 名人类选手。在 4 小时赛程中，智能体耗费约 1300 美元算力并发调用多种前沿模型，自主推导出超越出题人预期的优化算法。这是 AI 首次在大型实时优化编程赛中获胜。
周六
1月3日 星期六
UniSH 开源：仅凭一段普通视频，前向跑出 3D 场景与动态人体
UniSH 开源了统一前向 3D 重建框架。无需复杂的迭代优化，仅凭一段有镜头抖动或复杂动作的普通视频，单次推理就能同步还原出场景 3D 点云、相机轨迹以及带公制尺度的人体姿态。代码已在 GitHub 开源，支持本地部署运行。
周三
12月31日 星期三
ShowUI-π 让智能体学会丝滑拖拽：450M 小模型攻克视频剪辑与验证码
新加坡国立大学 Show Lab 推出视觉-语言-动作模型 ShowUI-π。它通过流匹配生成平滑鼠标轨迹，解决传统智能体无法稳定拖拽、手写和破解复杂验证码的痛点。仅以 450M 参数，就在连续拖拽评测中击败了 Gemini 等大模型。不过目前文档尚不完善。
通义实验室开源 Qwen-Image-2512：毛孔更逼真，还能生成 PPT
12 月，通义实验室开源发布文生图模型 Qwen-Image-2512。新版本主打摆脱「AI 塑料感」，不仅让人像皱纹、毛孔和动物毛发根根分明，还大幅提升了文字渲染精度，甚至能直接生成排版工整的信息图和 PPT 幻灯片。
周二
12月30日 星期二
xAI 买下第三座设施「MACROHARDRR」：训练算力将逼近 2GW
马斯克宣布 xAI 买下了名为「MACROHARDRR」的第三座建筑。此举将直接把 xAI 的模型训练算力规模推高至近 2GW。在各家大模型密集拼算力的关口，马斯克正以最激进的方式锁定电力与机房，为后续训练更大规模的 Grok 铺路。
Runway 联手 Adobe：AI 视频模型进驻全家桶，还要开发独占工作流
Runway 宣布与 Adobe 达成多年战略合作，把 Runway 的 AI 模型与技术直接接入 Adobe 创意工具。双方还将针对专业工作流联合开发专属能力，并且只在 Adobe 软件中独占提供。这意味着专业剪辑师和创作者无需再频繁切窗口换工具了。
字节跳动发布 SeedFold：扩大网络宽度与数据蒸馏，多项测试超 AlphaFold 3
字节跳动 Seed 团队发布生物分子结构预测模型 SeedFold。团队将网络宽度扩至 4 倍，引入复杂度仅 O(n²) 的线性三角注意力，并从 AlphaFold 2 蒸馏扩充了 147 倍训练数据。在 FoldBench 测试中，它在抗体-抗原等多数蛋白质任务上的表现超过了 AlphaFold 3。
阿里 Qwen Code v0.6.0 发布：新增 Skills 扩展，支持 Gemini 与 Anthropic
阿里 Qwen 团队发布代码辅助工具 Qwen Code v0.6.0。新版本带来了实验性 Skills 功能以拓展模型能力，新增 /compress 和 /summary 命令，并支持直接接入 Gemini 与 Anthropic 等外部供应商。VS Code 插件也支持了可点击的 Bash 工具调用输出。
软银完成对 OpenAI 400 亿美元投资：持股约 11%，最后一笔已到账
据 CNBC 12 月 30 日报道，软银已完成对 OpenAI 的 400 亿美元投资承诺，上周汇出了最后一笔 220 亿至 225 亿美元。此轮注资让软银在 OpenAI 的持股比例升至约 11%，资金将主要支持其与甲骨文联合的 Stargate AI 基础设施建设。
腾讯开源 3D 动作生成模型 HY-Motion 1.0：参数破 10 亿
腾讯开源文生 3D 动作模型 HY-Motion 1.0，基于 DiT 架构与 flow matching，参数量超 10 亿。它涵盖 6 大类逾 200 种动作，并采用预训练到强化学习的完整流程优化物理真实感，生成的 3D 资产可直接接入动画管线。
周一
12月29日 星期一
传 Meta 拟 20 亿美元收购 Manus：8 个月做到 1 亿美元 ARR 的智能体黑马
据报道，Meta 拟以约 20 亿美元收购新加坡 AI 智能体初创公司 Manus。Manus 主打端到端任务执行，8 个月内年经常性收入突破 1 亿美元。Meta 计划保持其独立运营，并将智能体整合进 Facebook、Instagram 和 WhatsApp，同时承诺剥离所有中国背景股份并关停在华服务以应对监管审查。
fal 推出 FLUX.2 Turbo：生成只需 8 步，单张成本不到 1 美分
fal 推出 FLUX.2 [dev] Turbo 图像模型。借助 DMD2 蒸馏技术，模型推理步数从 50 步骤减至 8 步，生成单张 1024 分辨率图片仅需 6.6 秒，成本约 0.008 美元。该模型权重已在 Hugging Face 开放，但遵循非商用许可，商用需走 fal 官方 API。
周日
12月28日 星期日
研究称 YouTube 推荐失控：新用户刷到的视频超 20% 是 AI 垃圾
Kapwing 发布研究显示，YouTube 推荐给新用户的视频中超 20% 是低质 AI 垃圾内容。其测试新账号发现，前 500 个推荐视频中有 104 个是 AI 粗制滥造之作。尽管平台宣称严加监管，但这类批量生产的内容每年预计仍能攫取逾 1.17 亿美元收益。
周六
12月27日 星期六
OpenAI 招募准备度主管：紧盯网络安全与模型自我改进风险
OpenAI CEO Sam Altman 发文招募准备度主管（Head of Preparedness）。随着模型已能自主挖掘重大网络漏洞并展现自我改进能力，该岗位将专注于防范滥用风险与生物安全边界。Altman 直言这是一项压力巨大、需要立刻「跳入深水区」的工作。