1X 釋出「1X 世界模型」：讓人形機器人看影片學會烤麵包與擊掌
機器人初創公司 1X 釋出基於物理的「1X 世界模型」，讓家用人形機器人 Neo 通過網際網路影片與文本提示自主學習新技能。目前機器人已能借此完成拿空氣炸鍋籃、烤麵包及擊掌等基礎操作。不過這還僅限於簡單動作，1X 計劃在今年內正式交付 Neo。
AI 日報：今天的 AI 新聞
週二
1月13日 星期二
Google 升級 Veo 3.1：支援原生 9:16 豎屏與 4K，做短劇不崩臉
Google 升級影片模型 Veo 3.1，為圖片生影片功能加入原生 9:16 豎屏與最高 4K 畫質。新版大幅提升角色和背景跨鏡頭的一致性，換場景也不崩臉，創作者免裁切就能直出短劇，現已上線 Gemini 與 YouTube Create。
Kyutai 開源 Pocket TTS：1 億引數純 CPU 執行，首包延遲僅 200 毫秒
Kyutai 開源輕量級語音合成工具 Pocket TTS，僅 1 億引數，專為 CPU 設計且無需 GPU。在 MacBook Air M4 上僅用 2 核即可實現 6 倍即時速度，首包延遲約 200 毫秒，支援聲音克隆與超長文本，程式碼與模型均已公開。
週一
1月12日 星期一
月球酒店開啟預訂：初創公司 GRU Space 開收百萬美元定金
YC 孵化的初創公司 GRU Space 宣佈月球酒店計劃，向早期旅客收取 25 萬至 100 萬美元定金。團隊計劃在 2032 年發射首個可容納 4 人的充氣酒店，為搭乘 SpaceX 星艦的旅客提供落腳點。不過，該公司目前除創始人外僅有一名全職員工。
Anthropic 推出 Claude Cowork：直接接管本地檔案與日常報表
Anthropic 推出 Claude Cowork 研究預覽。只要指定資料夾，它就能自主整理檔案、核對賬目並生成周報，電腦合蓋後仍能在後臺跑。它把 Claude Code 的智慧體能力帶到了日常辦公，目前僅限 macOS 桌面端的 Max 訂閱使用者測試。
蘋果聯手谷歌：新版 Siri 接入 Gemini，傳年授權費 10 億美元
蘋果與谷歌正式達成多年合作，將採用 Gemini 為未來的蘋果基礎模型及新版 Siri 提供支援。據報道蘋果每年將支付約 10 億美元授權費。最值得關注的是，蘋果罕見將核心助手的底座外包給競爭對手，同時其與 ChatGPT 的合作依然保持有效。
NovaSR：僅 52KB 的超輕量音訊模型，超 3500 倍速把聲音變清晰
開發者開源微型音訊超分模型 NovaSR。模型體積僅約 52KB，架構不足 10 層卷積，單張 A100 上執行速度可達 3600 倍即時，能把 16kHz 的發悶音訊還原為 48kHz 高畫質聲音。它幾乎不佔視訊記憶體，非常適合塞進端側裝置或給 TTS 即時提質。
ShowUI-Aloha 開源：看人錄屏示範一次，就能學會操作電腦
ShowUI-Aloha 正式開源，這是一款通過人類示範學習的電腦操作智慧體。只需使用者錄屏演示一次訂票或改表格，系統就能提取語義軌跡並在相似任務中自主執行，在 OSWorld 評測中達到 60.1% 的成功率。程式碼遵循 MIT 協議。
PixVerse 釋出即時世界模型 R1：邊播邊改提示詞，生成連續影片流
PixVerse 釋出即時世界模型 PixVerse R1，能以流式生成連續 1080P 影片，使用者中途隨時輸入提示詞即可即時改變畫面。雖然目前一致性較弱、物體易變形，但它讓 AI 影片從等渲染的切片變成了可即時干預的模擬世界。
週日
1月11日 星期日
Google 聯手零售巨頭推出 UCP 協議：讓 AI 智慧體搞定全流程購物
Google 聯合沃爾瑪、Shopify 等推出通用商務協議 UCP。這項開放標準覆蓋商品發現、品牌對話到售後全流程，並在 Google 搜尋與 Gemini 中引入原生結賬。最值得關注的是，AI 正式從幫你挑商品進化到替你直接下單。首批原生結賬先面向美國部分零售商測試。
週六
1月10日 星期六
3D 綁骨框架 RigMo 釋出：無需人工標註，自動給動物和物體加骨骼做動畫
研究團隊公佈 3D 動畫框架 RigMo 論文。它能直接從模型序列中推斷骨架與動作，無需人工標註骨骼，除了人形和鳥獸外，連風扇等物體也能準確繫結。相比 Uni-Rig 更穩且不易綁歪。目前程式碼與資料即將開源。
週四
1月8日 星期四
阿里提出 Thinking with Map：讓 AI 查地圖定位，500米準確率達 22.1%
阿里巴巴團隊提出影像地理定位框架 Thinking with Map，讓多模態模型像人類一樣查地圖推斷拍攝地。結合強化學習與並行搜尋，模型 500 米內定位準確率達 22.1%，是配備地圖搜尋的 Gemini-3-Pro 的 2.8 倍。
騰訊推出 VerseCrafter：單圖生成影片，可在 Blender 裡拖運鏡和物體軌跡
騰訊等研究人員推出影片世界模型 VerseCrafter。它以 Wan2.1 為底座，能將單張圖片轉化為幾何場景，讓使用者在 Blender 中直接編輯運鏡路線與物體的 3D 運動軌跡，生成多視角下連貫的高質量動態影片。不過模型目前對人體朝向和非剛性背景形變控制仍有限制。
Z.ai 釋出 GLM-Image：混合架構，文本渲染準確率達 91.2%
Z.ai 在 Hugging Face 釋出影像生成模型 GLM-Image，採用混合自迴歸與擴散解碼器架構。該模型支援單一模型內完成文本生成影像，在 CVTG-2K 評測上的文本渲染單詞準確率達到 91.2%，超過 Seedream 4.5 與 GPT 圖片 1。
週三
1月7日 星期三
Qwen 3D 相機控制上線：在網頁裡拖動滑塊就能改影像視角
開發者 multimodalart 在 Hugging Face 上線 Qwen 3D 相機控制 Space。該工具基於 fal 的 Qwen 影像編輯 LoRA，支援直接在 3D 視口拖動把手或調節滑塊，精確修改畫面中主體的方位角、仰角和相機距離。換句話說，調整 AI 影像視角變得像擺弄 3D 模型一樣直觀。
週一
1月5日 星期一
開源影像編輯器 VIBE：2K 圖片編輯只要 4 秒，視訊記憶體 24GB
開源影像編輯模型 VIBE 正式公佈，採用 2B 引數的 Qwen3-VL 搭配 1.6B 的 Sana 1.5。在 H100 上編輯 2K 影像約需 4 秒，蒸餾版本更壓至 2 秒以內。最值得關注的是，它用極小引數量實現了出色的原圖一致性保留。
週日
1月4日 星期日
Sakana AI 智慧體奪冠 AtCoder：花 1300 美元擊敗 804 名人類
Sakana AI 宣佈其 ALE-Agent 在 AtCoder 啟發式程式設計賽 AHC058 中奪冠，擊敗 804 名人類選手。在 4 小時賽程中，智慧體耗費約 1300 美元算力併發呼叫多種前沿模型，自主推匯出超越出題人預期的最佳化演算法。這是 AI 首次在大型即時最佳化程式設計賽中獲勝。
週六
1月3日 星期六
UniSH 開源：僅憑一段普通影片，前向跑出 3D 場景與動態人體
UniSH 開源了統一前向 3D 重建框架。無需複雜的迭代最佳化，僅憑一段有鏡頭抖動或複雜動作的普通影片，單次推理就能同步還原出場景 3D 點雲、相機軌跡以及帶公制尺度的人體姿態。程式碼已在 GitHub 開源，支援本地部署執行。
週三
12月31日 星期三
ShowUI-π 讓智慧體學會絲滑拖拽：450M 小模型攻克影片剪輯與驗證碼
新加坡國立大學 Show Lab 推出視覺-語言-動作模型 ShowUI-π。它通過流匹配生成平滑滑鼠軌跡，解決傳統智慧體無法穩定拖拽、手寫和破解複雜驗證碼的痛點。僅以 450M 引數，就在連續拖拽評測中擊敗了 Gemini 等大模型。不過目前文件尚不完善。
通義實驗室開源 Qwen-Image-2512：毛孔更逼真，還能生成 PPT
12 月，通義實驗室開源釋出文生圖模型 Qwen-Image-2512。新版本主打擺脫「AI 塑膠感」，不僅讓人像皺紋、毛孔和動物毛髮根根分明，還大幅提升了文字渲染精度，甚至能直接生成排版工整的資訊圖和 PPT 幻燈片。
週二
12月30日 星期二
xAI 買下第三座設施「MACROHARDRR」：訓練算力將逼近 2GW
馬斯克宣佈 xAI 買下了名為「MACROHARDRR」的第三座建築。此舉將直接把 xAI 的模型訓練算力規模推高至近 2GW。在各家大模型密集拼算力的關口，馬斯克正以最激進的方式鎖定電力與機房，為後續訓練更大規模的 Grok 鋪路。
Runway 聯手 Adobe：AI 影片模型進駐全家桶，還要開發獨佔工作流
Runway 宣佈與 Adobe 達成多年戰略合作，把 Runway 的 AI 模型與技術直接接入 Adobe 創意工具。雙方還將針對專業工作流聯合開發專屬能力，並且只在 Adobe 軟體中獨佔提供。這意味著專業剪輯師和創作者無需再頻繁切視窗換工具了。
字節跳動釋出 SeedFold：擴大網路寬度與資料蒸餾，多項測試超 AlphaFold 3
字節跳動 Seed 團隊釋出生物分子結構預測模型 SeedFold。團隊將網路寬度擴至 4 倍，引入複雜度僅 O(n²) 的線性三角注意力，並從 AlphaFold 2 蒸餾擴充了 147 倍訓練資料。在 FoldBench 測試中，它在抗體-抗原等多數蛋白質任務上的表現超過了 AlphaFold 3。
阿里 Qwen Code v0.6.0 釋出：新增 Skills 擴充套件，支援 Gemini 與 Anthropic
阿里 Qwen 團隊釋出程式碼輔助工具 Qwen Code v0.6.0。新版本帶來了實驗性 Skills 功能以拓展模型能力，新增 /compress 和 /summary 命令，並支援直接接入 Gemini 與 Anthropic 等外部供應商。VS Code 外掛也支援了可點選的 Bash 工具呼叫輸出。
軟銀完成對 OpenAI 400 億美元投資：持股約 11%，最後一筆已到賬
據 CNBC 12 月 30 日報道，軟銀已完成對 OpenAI 的 400 億美元投資承諾，上週匯出了最後一筆 220 億至 225 億美元。此輪注資讓軟銀在 OpenAI 的持股比例升至約 11%，資金將主要支援其與甲骨文聯合的 Stargate AI 基礎設施建設。
騰訊開源 3D 動作生成模型 HY-Motion 1.0：引數破 10 億
騰訊開源文生 3D 動作模型 HY-Motion 1.0，基於 DiT 架構與 flow matching，引數量超 10 億。它涵蓋 6 大類逾 200 種動作，並採用預訓練到強化學習的完整流程最佳化物理真實感，生成的 3D 資產可直接接入動畫管線。
週一
12月29日 星期一
傳 Meta 擬 20 億美元收購 Manus：8 個月做到 1 億美元 ARR 的智慧體黑馬
據報道，Meta 擬以約 20 億美元收購新加坡 AI 智慧體初創公司 Manus。Manus 主打端到端任務執行，8 個月內年經常性收入突破 1 億美元。Meta 計劃保持其獨立運營，並將智慧體整合進 Facebook、Instagram 和 WhatsApp，同時承諾剝離所有中國背景股份並關停在華服務以應對監管審查。
fal 推出 FLUX.2 Turbo：生成只需 8 步，單張成本不到 1 美分
fal 推出 FLUX.2 [dev] Turbo 影像模型。藉助 DMD2 蒸餾技術，模型推理步數從 50 步驟減至 8 步，生成單張 1024 解析度圖片僅需 6.6 秒，成本約 0.008 美元。該模型權重已在 Hugging Face 開放，但遵循非商用許可，商用需走 fal 官方 API。
週日
12月28日 星期日
研究稱 YouTube 推薦失控：新使用者刷到的影片超 20% 是 AI 垃圾
Kapwing 釋出研究顯示，YouTube 推薦給新使用者的影片中超 20% 是低質 AI 垃圾內容。其測試新賬號發現，前 500 個推薦影片中有 104 個是 AI 粗製濫造之作。儘管平臺宣稱嚴加監管，但這類批次生產的內容每年預計仍能攫取逾 1.17 億美元收益。
週六
12月27日 星期六
OpenAI 招募準備度主管：緊盯網路安全與模型自我改進風險
OpenAI CEO Sam Altman 發文招募準備度主管（Head of Preparedness）。隨著模型已能自主挖掘重大網路漏洞並展現自我改進能力，該崗位將專注於防範濫用風險與生物安全邊界。Altman 直言這是一項壓力巨大、需要立刻「跳入深水區」的工作。