MemPilot：用强化学习按需编排多模态记忆管理
一篇讲 agent 记忆管理的论文，用 RL 学出策略在“查现成记忆”和“现整理原始历史”之间动态切换，还能按成本和延迟偏好调，实验跑在五个多模态基准上。
#多模态
共 1345 条 · 7 天 156 条 · 30 天 444 条 · 话题观测 →
10月6日
Infinite-Dreamer：用图像编辑世界模型合成 GUI 智能体训练数据
GUI 智能体缺训练数据的老问题，这篇用图像编辑模型自己造数据，Qwen3-VL 微调后 AndroidWorld 成绩还涨了不少，代码开源可以直接试。
论文09:58
Knossos 与 Ariadne：用视觉语言模型提取图表完整拓扑结构研究员做了 Knossos 基准加 Ariadne 框架，让 VLM 能把流程图、架构图完整转成节点和边组成的图，代码开源可试。
tvOS 27.2 代码显示 Apple TV 4K 第四代将支持 Siri AI 与 Apple Intelligence
苹果把 Apple Intelligence 塞进电视了，新 Apple TV 4K 传 10 月 13 日就发，还能在电视上回消息。
Reka AI 发布 19B 参数全模态模型 Rho-1，覆盖文本图像视频与机器人控制
Reka AI 用 320 块 H100 三个月训出 19B 的 Rho-1，文本图像视频加机器人控制一个模型全包，算力开销比主流大模型小得多。
10月5日
fractalyze_io 优化 Qwen3-Omni，单卡 RTX 5090 首音频延迟降至 23ms
有人在单张 RTX 5090 上跑 Qwen3-Omni，用 AWQ-4bit 把首音频延迟从 213ms 压到 23ms，本地语音对话流畅度差了近十倍。
Black Forest Labs 发布 FLUX 3 Image，支持框选局部编辑
Black Forest Labs 新出的 FLUX 3 Image 能框选局部改图，周围画面不动，还能用 JSON 坐标控排版，做海报的可以试试
ImmuneAgent 系统从人 B 细胞库中发现广谱中和抗体
一个把 AI 推理和湿实验闭环起来的抗体发现系统，110 个候选里 60 个真中和，还顺带找到了 bnAb 的细胞来源，免疫学背景的读者别错过。
NVIDIA开源PixelUMM：一个模型同时支持图文和视频的理解与生成
NVIDIA把PixelUMM开源了，一个模型搞定图文视频的理解和生成，做法是不用视觉编码器直接吃像素块，搞多模态研究的可以看看源码。
用户让 Opus 5.5 端到端制作 36 分钟光学史科普视频，花费超 200 美元
有人让 Opus 5.5 全程自主做了一部 36 分钟的光学史科普片，配音、配乐、画面全是模型自己调的工具，花了 200 多美元，过程很值得看。
GPT 模型 computer-use 能力实测：像人一样操作 Safari 几乎不出错
连常批评 OpenAI 的博主都服了：GPT 操作 Safari 像真人，任务独立完成几乎零失误，可以看看实测细节。
10月4日
Google 调整 Gemini 使用条款：免费用户仅可用 Flash-lite 档
Google 把 Gemini 分档收紧了，免费党只剩 Flash-lite 能用，Pro 模型锁进付费档。10 月 9 日生效，看看你那档还能用啥。
Microsoft AI 发布 MAI-Transcribe-2-Streaming，实时语音转写排名 Artificial Analysis 榜首
微软把实时转写做到榜单第一了：2.5% 词错率、延迟 0.12 秒左右，支持 60 种语言，每小时 0.54 美元，Foundry 上能直接试用。
OpenAI GPT-6 Astra 破解拿破仑 1809 年加密军事信件
有人拿 GPT-6 Astra 把拿破仑一封 217 年没人读懂的密信破解了，6 小时搞定符号识别加密码分析，过程细节都在文里。
MiniMax 将携 H3 参展 Advertising Week New York
MiniMax 去纽约广告周摆摊了，现场能玩 H3，还拉上 Krea 和 fal 聊生成工具，在附近可以去 booth A16E 看看。
ElevenLabs 文本转语音应用 ElevenReader 上线 iOS、Android 和网页端
ElevenLabs 把自家语音合成做成了 Reader 应用，三端都能用，长文章懒得看可以直接听。
10月3日
10月2日
