#多模态

李飞飞把刚创业两年的World Labs并入AMD，Atlas模型用几张照片就能预测场景多角度视图，还超越了专用模型成绩。

Lxfater@lxfater原文

可灵AI发布了Kling 4.0满血版，视频生成质量提升明显，口型匹配更精准。

官方账号快手可灵 Kling@Kling_AI2 个信源在谈原文

看看Suno、Kling和GPT Images如何协同创作，音乐视频角色一站式搞定

AI Will@FinanceYF53 个信源在谈原文

MIT团队发布doPlan数据集，解决自动驾驶中多阶段语言规划问题，现有模型在24.6秒后的预测准确率仅9.8%

WeLike2Party让多人图像动画更逼真，解决了遮挡问题，还有新数据集和基准测试。

MultiTalk解决了长多语会话难题，训练数据和评估基准都开源了，模型表现比现有开源方案好很多。

Anthropic 的 Sonnet 5.5 用十分之一成本就能完成前代任务，性价比惊人，但复杂任务仍需 Opus 5.5。

Lxfater@lxfater11 个信源在谈原文

xAI三年内建起67万GPU算力，推出Grok全系列产品，覆盖文本、语音到智能体。

AI Will@FinanceYF5原文

Claude能生成历史视频了，2分钟讲完谷歌发展，比文字更直观

AI Will@FinanceYF5原文

一帮研究者做了个叫 UniCache 的免训练压缩框架，多模态模型缓存能压 5 倍，长上下文吞吐还能快 1.78 倍，做部署的可以看看。

一篇做脑电情绪识别的论文，思路是不用普通图，而是把脑区当成动态单纯形复形，SEED-VII 七分类上跑赢了图方法和 Transformer。

论文作者提出 FurE，几张多视角照片就能重建可编辑的动物毛发，靠人类头发数据训练的 PCA 解码器绕开动物数据集，训练还快 10 倍。

一篇训练方法论文：让统一模型自己看图、自己改图，用整条轨迹的 RL 训练，GenEval 比 SFT 高了 12 分，推理时还不用 verifier。

研究者用四千多个模型检查点做了两套基准，专门测缩放定律的推导方法靠不靠谱，做 scaling 实验前可以先看看。

Kling 4.0 要上 fal 了，多关键帧和口型同步都升级了，做视频的朋友可以蹲一下 Flash 的早期访问。

fal@fal6 个信源在谈原文

Kaggle 做了个让模型下棋、打扑克、玩狼人杀互相打分的评测场，比静态跑分更能看出策略水平，可以直接看各家模型的对局结果。

用 Qwen2.5-VL-3B 在 PMC-VQA 上做了严谨对照实验，发现答案准确率涨了，模型可能反而不看图了，做医疗 VLM 微调的都该看看。