

> 导语 OpenAI时隔五年重返开源，微软Azure迅速跟进，为开发者带来更灵活的模型选择；谷歌在可交互世界模型与AI笔记应用上取得新突破；百度则将AI能力具象化，推出数字员工；同时，AI在音乐创作、故事生成等领域的应用也日益成熟，但内容质量监管问题也随之而来。

---


## 开源新篇章 OpenAI五年后携免费模型强势回归

OpenAI近日发布了两款名为GPT-oss-120b和GPT-oss-20b的开源语言模型，打破了其长达五年的闭源传统。这两款模型性能强大，足以媲美部分付费产品，同时对硬件要求相对温和，并允许商业使用。此举标志着OpenAI向开源社区的战略性回归，旨在构建一个更加民主和开放的AI平台，以适应当前日益激烈的行业竞争格局。

![image.png](https://static.downly.cn/images/62557bb7214ab7cd1c66a0b14811a5e5.png)

---

## 强强联合 微软Azure迅速引入OpenAI开源新模型

紧随OpenAI的开源步伐，微软宣布其Azure AI Foundry平台将正式引入GPT-oss系列模型。开发者和企业现在可以通过Azure AI Foundry及其Foundry Local服务，在云端或本地设备上自主运行、微调和部署这些强大的AI模型。这一举措极大地提升了AI应用的灵活性、可控性，并有效保障了数据隐私与安全，为企业构建和部署智能代理提供了统一且高效的解决方案。

![image.png](https://static.downly.cn/images/888b2d96bd12609380faf16dc6c56260.png)

---

## 虚拟世界一键生成 谷歌Genie 3重新定义AI交互

谷歌DeepMind发布了革命性的世界模型Genie 3，它能够以每秒24帧的速度生成720P分辨率的可交互3D环境。用户不仅可以通过文本指令动态改变世界中的事件，还能体验到逼真的物理模拟。Genie 3的出现为AI智能体训练、沉浸式游戏开发、虚拟教育等领域开启了全新的可能性，预示着一个AI驱动的交互新纪元即将到来。

![image.png](https://static.downly.cn/images/cefcccaf2eecd1c17b4eae639c52a748.png)

---

## 打工人新“同事” 百度智能云发布全球首批AI数字员工

百度智能云正式推出全球首批AI数字员工。这些数字员工深度融合了大模型、数字人技术以及行业知识（Know-How），具备“懂业务、给结果、可进化”的核心特性。它们能够胜任营销、客服、招聘、教培等多个核心业务职能，旨在显著提升企业的运营效率和生产力，标志着AI正从辅助工具向能够自主执行任务的“代理（Agentic）”时代迈进。

![image.png](https://static.downly.cn/images/067bdce573c4e6537d0216deb2c8bad7.png)

---

## 人人都是故事家 谷歌Gemini推出AI故事书生成器

谷歌在其AI应用Gemini中新增了“Storybook”功能。用户仅需提供简单的故事情节，AI便能自动生成一本图文并茂的十页故事书，并支持多种视觉风格选择和语音朗读。尽管目前在角色形象一致性上仍有提升空间，但该功能极大地降低了内容创作的门槛，尤其在儿童教育和个性化阅读体验领域展现出巨大的潜力。

![image.png](https://static.downly.cn/images/2714c85b0c460619114a2612a65c67cd.png)

---

## AI助力高效学习 谷歌NotebookLM向青少年开放

为了帮助学生更深入地进行学习，谷歌的人工智能笔记应用NotebookLM现已向13岁以上的用户及所有教育用户开放。该应用能将用户上传的资料自动生成音频摘要、思维导图甚至视频演示文稿，极大地提升了学习和研究的效率。谷歌强调，平台将对未成年用户采取严格的内容安全策略，并承诺不使用用户上传的内容进行模型训练，以保护用户隐私。

![image.png](https://static.downly.cn/images/d6d0f3693057c6de560fccdca9188ac5.png)

---

## AI变身音乐人 ElevenLabs推出商业音乐生成服务

AI初创公司ElevenLabs正式推出了其音乐生成服务Eleven Music。该服务允许用户通过简单的文本描述，快速生成包含人声和器乐的完整商业级音乐作品。为了确保训练数据的合法性，公司已与Merlin Network及Kobalt Music Group等机构达成合作。此举旨在为企业和内容创作者提供一个低成本、高效率的音乐创作解决方案。

![image.png](https://static.downly.cn/images/d962fc83355fad2a004d3fa4189a31c0.png)

---

## 质量保卫战 维基百科严查AI生成内容

面对AI可能带来的低质量或虚假内容挑战，维基百科更新了其管理政策。新政策允许管理员在特定情况下，快速删除那些包含明显AI生成痕迹或引用错误的条目。此举旨在维护维基百科内容的准确性和可靠性，虽然这被视为一项临时性的应对措施，但也反映出在利用AI作为辅助工具的同时，内容平台的审慎态度。

![image.png](https://static.downly.cn/images/3b29c3bdade68de753b93ba0322b0aac.png)

---

## 历史性合作 OpenAI模型首次登陆亚马逊AWS

亚马逊云科技（AWS）平台首次正式上线了来自OpenAI的AI模型。这一举措被视为AWS在激烈的人工智能市场竞争中作出的积极回应。现在，全球大量的AWS用户将能更便捷地访问和使用OpenAI的先进模型，这无疑将进一步加速AI技术在各行各业的渗透与应用。

![image.png](https://static.downly.cn/images/8ab521d831576f5c3819c9b0fe681162.png)

每日AI资讯0806：开源浪潮再起，生成式AI全面开花







> **导语** 本期AI资讯看点纷呈：从Stability AI将音频创作带入移动端，到字节跳动让单目视频秒变4D大片；从DeepSWE刷新AI编程代理新高度，到亚马逊机器人大军突破百万；同时，阿里、NVIDIA等公司在数字人、图像描述及编辑领域也推出了重磅开源模型。此外，我们还将关注谷歌视频模型Veo 3在游戏领域的巨大潜力，以及ChatGPT流量变化对新闻行业带来的深远影响。

---





## 手机秒变作曲家 Stability AI与Arm联手打造掌上音频创作神器

Stability AI 近期与 Arm 合作，开源了一款名为 Stable Audio Open Small 的轻量级文本到音频生成模型。该模型经过专门优化，能够直接在手机等移动设备的 Arm CPU 上本地运行，高效生成长达47秒的高质量立体声音频。这一进展标志着AI音频生成技术正从云端走向边缘计算和移动设备，为用户随时随地进行音乐创作提供了极大的便利。值得一提的是，该模型使用了免版税的数据进行训练，确保了其在商业和个人应用中的合规性。

![image.png](https://static.downly.cn/images/fa4f0ccf02d7644eb3bc9f85f71336bf.png)

---

## 字节跳动开源EX-4D 单视角视频一键生成自由视角4D大片

字节跳动PICO-MR团队近日开源了一项名为EX-4D的创新框架，它能够将单一视角的普通视频，转化为可以自由变换观看角度的高质量4D动态影像。该框架的核心技术是一种创新的动态高斯网格表示法（DW-Mesh），它有效解决了传统方法中因物体遮挡和数据稀疏导致的渲染难题。在多项性能指标测试中，EX-4D全面超越了现有的开源方法，并在用户主观评估中获得了高度评价，为未来沉浸式3D内容创作和复杂世界模型的构建提供了强有力的技术支持。


![image.png](https://static.downly.cn/images/7d80dfd56cf33f1c27c86ce4a739c547.png)


---

## AI程序员新王者诞生 DeepSWE登顶开源榜单

由 Together.ai 和 Agentica 联合发布的 AI Agent 框架 DeepSWE，正迅速成为软件工程领域的焦点。该框架基于阿里巴巴强大的 Qwen3-32B 模型，并通过强化学习进行了深度训练。在衡量AI代码能力的权威测试集 SWE-Bench-Verified 中，DeepSWE 以高达 59% 的准确率，成功登顶开源AI代理排行榜。这一成绩不仅展示了其在处理真实世界软件工程任务时的卓越能力，也预示着AI在自动化编程和软件开发领域巨大的应用潜力。

![image.png](https://static.downly.cn/images/4ffb051e17cf6be10cc0cedd56ea0e83.png)

---

## 亚马逊机器人大军突破百万 Deep Fleet AI模型加持物流新纪元

亚马逊近日宣布，其在全球部署的机器人数量已正式突破一百万大关。为了更高效地管理和调度这支庞大的机器人车队，亚马逊同时发布了一款全新的AI基础大模型 Deep Fleet。该模型旨在通过先进的AI算法，进一步优化包裹的分拣、搬运和配送流程，从而显著提升物流速度并降低整体运营成本。这一里程碑事件标志着亚马逊在其自动化物流网络建设上取得了重大突破。

![image.png](https://static.downly.cn/images/56e071229823efb738d96596c40b4943.png)

---

## 阿里再放大招 OmniAvatar让你的照片开口说话

![image.png](https://static.downly.cn/images/454330caa209ee65cca94f4de764d779.png)
阿里巴巴近日开源了一款名为 [OmniAvatar](https://omni-avatar.github.io/) 的音频驱动数字人模型。该模型基于先进的 Wan 2.1 技术，用户只需上传一张静态照片、一段音频和相应的文字脚本，即可快速生成一个口型精准匹配、动作表情自然的数字人播报视频。官方建议生成30秒以内的视频片段以获得最佳效果。尽管该模型对硬件有一定要求，需要至少36G显存才能流畅运行，但其在现有开源数字人模型中的表现已属顶尖水平，为个人和企业低成本创造虚拟形象提供了新的可能。
<video src="https://static.downly.cn/images/c795cc4b97f7f5b012c0ff72ad4f4bf5.mp4"  title="30819483777-1-16.mp4"></video>


---

## 指哪说哪 NVIDIA发布DAM模型精准描述图像局部细节

![image.png](https://static.downly.cn/images/640f40bcf94b7e3371f29944b364eb90.png)
NVIDIA 最近推出了一款名为“描述一切模型”（Describe Anything Model, DAM）的多模态大语言模型，极大地提升了图像理解的精细度。用户可以通过在图片或视频上进行点击、画框、涂鸦甚至使用遮罩等多种直观方式，来指定自己感兴趣的任何区域，DAM模型便能针对该特定区域生成详尽而准确的文字描述。目前，该模型已经提供了在线演示版本，供用户体验其强大的“指哪说哪”功能。[官网地址](https://describe-anything.github.io/)，[体验地址](https://huggingface.co/spaces/nvidia/describe-anything-model-demo)

<video src="https://static.downly.cn/images/c7b71bb21d04a5515f08aed684cbfbc2.mp4"  title="30819484438-1-16.mp4"></video>

---

## 开口即P图 开源对话式图像编辑器EasyEdit发布
![image.png](https://static.downly.cn/images/739df71a77f1beaa7f58b741c422a4ed.png)
一款名为 [EasyEdit](https://www.easyedit.io/) 的开源图像编辑器为图片修改带来了全新的交互方式。它采用了先进的 Flux KContext 模型，允许用户通过简单的自然语言对话来智能地编辑图片。无论是想“把天空换成蓝色”还是“让这个人笑起来”，都可以通过聊天的方式实现。目前，用户可以在网页端免登录使用其基础模型，而功能更强大的高级模型则需要提供API Key来调用，这为普通用户和开发者都提供了灵活的选择。
<video src="https://static.downly.cn/images/3c26012f9a587f56fbbc736cbffafb15.mp4"  title="30819484073-1-16.mp4"></video>

---

## 游戏世界的下一场革命 谷歌Veo 3或将开启可玩世界模型

谷歌 DeepMind 的首席执行官 Demis Hassabis 近日在一个公开场合暗示，谷歌最新、最强大的视频生成模型 Veo 3，其技术潜力远不止于生成视频片段，未来很有可能被应用于视频游戏领域。这一表态引发了业界的广泛猜测，如果Veo 3的技术能够实时生成和渲染游戏世界，或将催生出真正的“可玩世界模型”，彻底改变现有游戏引擎的开发范式，为玩家带来前所未有的动态和开放世界体验。

![image.png](https://static.downly.cn/images/b6722e0ee4fca884585278d0ecdd1c15.png)

---

## 杯水车薪 ChatGPT推荐流量难解新闻网站搜索量下滑之渴

根据最新数据分析，尽管像ChatGPT这样的人工智能聊天工具为新闻网站带来的推荐流量呈现增长趋势，但这部分增长远不足以弥补因传统搜索引擎流量下滑所造成的巨大缺口。数据显示，自2024年中期达到峰值以来，许多新闻网站的自然搜索流量已大幅下降，总访问量从超过23亿次减少到如今的不足17亿次。这一严峻趋势表明，新闻行业正面临着由AI技术驱动的流量结构性变迁，如何适应新的信息分发渠道已成为一个紧迫的课题。

![image.png](https://static.downly.cn/images/42669ccb9e6199d29f2f3a31592cc967.png)

AI每日资讯0703

> 近日，北京大学和加州大学伯克利分校的研究团队联合发布了一项对当前最强大型语言模型驱动的 Agent（AI 智能体）的全面评测结果。 通过名为 **IDA-Bench** 的严格基准测试，研究发现，即使是顶尖的 Agent 在复杂环境下的表现也远不及人类水平，最高得分仅为 **40 分（满分 100 分）**，揭示了当前 AI Agent 在智能决策、自主探索和复杂任务处理能力上的瓶颈与未来发展方向。



随着大型语言模型 (LLM) 技术的飞速发展，能够自主规划、执行复杂任务的 AI 智能体 (Agent) 正成为人工智能领域的新焦点。 它们被寄予厚望，有望在各个领域取代人类完成重复性、复杂性的工作。 然而，这些“最强大脑”的实际能力究竟如何？

[开源地址](https://github.com/lhydave/IDA-Bench)
![image.png](https://static.downly.cn/images/9d1d331239d89bb393d516833fe76ba3.png)



### IDA-Bench 一项全新的Agent评测基准

为了更准确地评估 AI Agent 的真实能力，研究团队设计了 IDA-Bench。 这一基准测试与以往的评测方法有显著不同

*   **复杂、开放式任务** IDA-Bench 不仅仅是评估模型生成文本的能力，而是聚焦于 Agent 在**多步骤、开放式**且需要**自主决策和探索**的复杂环境中的表现。 例如，Agent 可能需要在给定指令下，通过与环境交互来解决谜题、完成挑战。
*   **指令驱动决策** 评测的核心是 Agent 理解并遵循人类指令的能力，以及在执行指令过程中，面对未知和不确定性时，如何进行有效的决策和规划。
*   **多维度评估** 评估维度涵盖了 Agent 的任务完成度、探索效率、决策智能性等多个方面，力求全面反映 Agent 的实际操作能力。

通过引入这些挑战性的元素，IDA-Bench 旨在模拟真实世界中 Agent 可能面临的复杂场景，从而更客观地衡量它们的智能水平。

### 最强Agent也只有40分 远不及人类表现

测试结果令人深思。 在 IDA-Bench 的各项任务中，即使是基于目前最先进的大型语言模型构建的 Agent，其表现也显得力不从心

*   **最高得分仅40分** 在所有参评的 Agent 中，表现最好的也只获得了 40 分（满分 100 分），与人类轻松达成高分形成鲜明对比。 这意味着在许多复杂任务上，Agent 仍然难以胜任。
*   **智能决策与规划不足** Agent 在面对需要多步推理、长程规划和灵活应变的任务时，尤其显得力不从心。 它们往往难以理解指令的深层含义，或在执行过程中陷入局部最优，无法找到全局最佳解决方案。
*   **自主探索能力欠缺** 在开放式环境中，Agent 缺乏高效的自主探索策略，容易遗漏关键信息或重复无效操作，导致任务失败。

![image.png](https://static.downly.cn/images/50512910d466306b2c94947f73a1c3ff.png)

这些结果表明，尽管大模型在语言理解和生成方面取得了巨大进步，但将其应用于复杂的具身或模拟环境中，使其真正具备“智能”行为，仍面临巨大挑战。

### 当前Agent的瓶颈与未来发展方向

这项研究不仅揭示了当前 AI Agent 的能力短板，也为未来的研究指明了关键方向

#### 1. 强化长程规划与推理能力

目前的 Agent 往往只能进行短期的、局部性的规划。 未来需要研究更强大的规划算法，使 Agent 能够理解任务的全局目标，并制定多步骤、长期的执行策略。

#### 2. 提升自主探索与环境感知能力

Agent 需要更智能的探索机制，能够高效地收集环境信息，并利用这些信息进行决策。 结合视觉、听觉等多模态感知能力，将有助于 Agent 更好地理解复杂环境。

#### 3. 增强容错与适应性

真实世界充满不确定性。 Agent 需要具备更强的容错能力，能够在遇到意外情况或错误时，进行自我纠正和适应性调整，而不是直接失败。

#### 4. 融合世界模型与具身智能

将类似于 Meta AI V-JEPA 2 这样的“世界模型”融入 Agent，使其能够对环境的动力学进行预测，从而更好地规划和执行任务，是未来研究的重要方向。 让 Agent 不仅仅是“回答问题”，而是真正能够“行动”起来。



### 展望 更智能的AI Agent未来可期

北大与伯克利分校的这项研究，如同一面镜子，清晰地反映了当前 AI Agent 发展所处的阶段。 它提醒我们，尽管取得了巨大进步，但要实现真正通用、自主的 AI Agent，仍有漫长的道路要走。 这项工作为研究人员提供了宝贵的基准和研究方向，有望加速下一代更强大、更智能的 AI Agent 的诞生，使其未来能真正成为人类的得力助手。




北大伯克利联手“拷问”大模型：最强Agent也才40分

> 近日，Meta AI 正式发布了其颠覆性的**视频联合嵌入预测架构 V-JEPA 2** (Video Joint Embedding Predictive Architecture2)。 作为其世界模型战略的关键一步，V-JEPA 2 能够通过**非生成式学习**理解和预测视频内容，不仅在视频理解任务上表现卓越，更在数据效率和泛化能力上展现出巨大潜力，特别是能赋能**机器人在陌生环境中的零样本规划**，有望推动 AI 领域向更接近人类智能的方向发展。



在人工智能领域，构建能够像人类一样理解世界、预测未来事件的“世界模型”一直是研究的圣杯。 近日，互联网巨头 Meta AI 在这一宏伟目标上迈出了关键一步，正式发布了其最新成果——**V-JEPA 2 (Video Joint Embedding Predictive Architecture2)**。 作为 Meta AI 首席科学家 Yann LeCun 倡导的联合嵌入预测架构 (JEPA) 理念在视频领域的重要实践，V-JEPA 2 的出现，预示着 AI 对复杂动态世界的理解能力将达到一个新的高度，尤其对于**机器人在陌生环境中自主执行任务**具有里程碑式的意义。

<video src="https://static.downly.cn/images/c859cc99f1929a0984f111882da40833.mp4"  title="30448618124-1-16.mp4"></video>

V-JEPA 2 的核心突破在于其**非生成式学习范式**，它避开了传统生成模型在预测像素点上的高计算成本和潜在误差累积，而是通过学习视频片段之间的抽象表示来理解和预测世界，这使其在效率和泛化能力上具有显著优势，进而支撑了其在机器人具身智能领域的重大应用潜力。
[开源地址](https://github.com/facebookresearch/vjepa2)
![image.png](https://static.downly.cn/images/e461164bcc3cf343f15061ed3b7b492f.png)

### 非生成式学习 V-JEPA 2 的核心范式

与目前流行的通过生成缺失像素或帧来预测内容的“生成式”模型不同，V-JEPA 2 采用了**非生成式**的自监督学习方法。 这种方法的核心思想是

*   **学习抽象表示** V-JEPA 2 不会试图精确地“画出”视频中缺失的部分，而是通过学习视频中不同片段的**联合嵌入 (Joint Embedding)**，来预测未来或被遮挡的视频帧的**高级抽象表示**。
*   **避免高维噪声** 生成式模型需要处理像素级别的高维细节，容易受到噪声和微小扰动的影响。 非生成式方法则专注于学习语义信息和结构关系，大大提高了学习效率和模型的鲁棒性。

这种学习方式使得 V-JEPA 2 能够高效地从海量视频数据中学习世界的动力学和因果关系，而无需耗费巨大资源去“重建”每一个像素。

### V-JEPA 2 的卓越性能与潜力

V-JEPA 2 的发布，不仅是理论上的突破，更在实际应用中展现出强大的性能和潜力

#### 1. 顶尖的视觉理解和预测能力

V-JEPA 2 在视频理解任务上表现出领先的性能，能够更好地理解视频中的动作、事件和对象之间的关系，从而在行为识别、动作检测等下游任务中提供高质量的特征表示。 其强大的视觉理解和预测能力，使其能够精准地把握动态环境中的关键信息，为高层决策提供支撑。

#### 2. 实现机器人在陌生环境中的零样本规划

这是 V-JEPA 2 最令人兴奋的应用前景之一。 凭借其卓越的视觉理解和预测能力，V-JEPA 2 能够帮助机器人在**不熟悉的环境中**进行**零样本规划 (zero-shot planning)**，即无需事先对新环境进行大量训练或编程，机器人也能规划并执行复杂任务。 这意味着，当机器人被部署到一个全新的、未曾见过的场景时，它可以通过 V-JEPA 2 对环境进行实时理解和预测，从而自主制定行动方案，大大提升了机器人的自主性和适应性。

![image.png](https://static.downly.cn/images/e3bc58ba2d3b4d80c6c93ab9f6686675.png)

#### 3. 高效的数据利用率与强大的泛化能力

由于 V-JEPA 2 不需要进行像素级别的精确生成，它在学习过程中对数据的需求更为高效。 这意味着即使面对有限的数据集，V-JEPA 2 也能学习到有用的世界知识，降低了训练成本和时间。 同时，非生成式学习使得模型能够学习到更本质、更泛化的世界规律。 当应用于新的、未见过的数据或场景时，V-JEPA 2 也能保持良好的表现，展现出优秀的泛化能力，这对于机器人从模拟环境到真实世界的迁移至关重要。


### 世界模型战略的关键一步

V-JEPA 2 的发布，是 Meta AI 推动其“世界模型”战略向前迈出的重要一步。 Yann LeCun 曾多次强调，构建能够像人类一样理解世界并进行预测的 AI 模型，是实现真正通用人工智能的关键。

*   **向人类智能靠拢** 人类智能的一个核心特征是能够预测即将发生的事情，即使没有完整的感官输入。 V-JEPA 2 试图模仿这种能力，通过学习抽象表示来预测视频中的未来事件，使其更接近人类的直觉和理解，特别是能将这种理解应用于具身智能体。
*   **赋能具身智能** 对于机器人等具身 AI 而言，能够理解动态环境并预测未来状态的能力至关重要。 V-JEPA 2 提供的顶尖视觉理解和零样本规划能力，是实现机器人自主学习、自主决策和自主行动的基础，有望加速通用机器人的实现。
*   **更安全的 AI** 相较于生成式模型，基于预测抽象表示的模型在处理错误时更具鲁棒性，也可能更容易被理解和控制，从而为构建更安全、更可信的 AI 系统奠定基础。



V-JEPA 2 的发布，不仅是 Meta AI 在深度学习基础研究上的又一里程碑，也为整个 AI 社区指明了一个激动人心的研究方向。 随着这类模型的不断发展，我们有理由相信，能够真正理解并预测世界的 AI，以及能够因此在复杂环境中自主行动的机器人，将不再是遥不可及的梦想。



搜索结果: 世界模型