搜索
团队盯住的是一个很实际的问题：Agent 明明保存了项目计划，预算更新后却仍按旧版本行动；看过环境截图，下一步又忽略了画面里已改变的状态。它究竟是没记下来、没及时更新，还是找到了证据却没用上？
Scale AI与Elorian发布Humanity’s Sixth Sense（HSS）基准，以522道图像和视频题测试多模态模型的直觉式视觉推理，25个模型均显著落后于人类，榜首GPT-6-astra得分53.6%，人类达93.1%。
团队提出免训练评测方法RAVEL，通过带稳定项的PCA白化和局部图像块匹配提升视觉编码器评测准确性，在三个LLM上的平均Spearman相关系数达0.85，并开源210个MLLM权重。
苹果与卡内基梅隆大学团队提出SSR（Selection-based Structured Reasoning），让多模态搜索Agent从预定义选项中选择推理，在7个benchmark上将每轮推理延迟降低超90%，同时保持相当的任务成功率。
Z Potentials 独家获悉，Xspark AI（无界智航）近日完成新一轮融资。本轮融资由猎道投资、华山资本、元航资本、浦东创投、钧源资本、南山战新投、水木创投等机构共同参与，多维资本担任本轮融资独家财务顾问。
从视觉观察到策略生成，再到物理执行与完成判断，CodeActionBench 在统一条件下评测通用多模态 Agent 的机器人操作能力。在双臂仿真评测中，GPT-6 Astra (Codex CLI) 的尝试成功率达到 73.3%，Claude Opus 5 在 Reference harness 和 Claude Code 下分别取得 49.3% 和 45.3%。
什么？35B的MoE，在手机上也能跑得很丝滑？
传统多模态检索，往往要维护多套embedding模型。文本用一套 embedding，图片用一套视觉模型，音频再单独接一条链路。
vLLM Semantic Router推出并开源Decision 3.0系列多模态决策模型，覆盖0.6B至27B六款模型，其中d3在Jev Decision Index 0.3.1文本榜和视觉榜均排名第一。
对着屏幕说一句 “向左转”，画面随即展开新的视野；调整角色的动作，场景紧接着给出反馈。多模态交互要求视觉生成跟上人的操作，而漫长的等待会打断整个体验。