ComfyUI

> **导语**
> AI 视觉领域迎来 "极简主义" 的反击。Meta AI 推出的 Pixio 模型证明，通过改良经典的掩码自编码器架构，即便不依赖复杂的 DINO 算法，也能在深度估计与 3D 重建等高难度任务中实现性能反超。

## 回归本质 强力解码器重塑空间理解

长期以来，学术界普遍认为掩码自编码器（MAE）在场景理解能力上逊色于 DINOv2 或 DINOv3 等复杂算法。然而，Pixio 的出现打破了这一刻板印象。

Pixio 的核心在于对 2021 年 MAE 框架的深度改良。研究团队发现，原始设计中较弱的解码器限制了编码器的潜力。因此，Pixio 显著增强了解码器功能，并采取了激进的 "大面积遮罩" 策略。不同于以往细碎的遮挡，Pixio 将图像中的大片连续区域进行遮蔽。这种做法迫使模型放弃简单的像素复制，转而必须真正 "脑补" 出物体共现关系、3D 透视以及光影反射等深层空间逻辑。

![Google_AI_Studio_2025-12-29T03_20_15.559Z.png](https://static.downly.cn/images/fbd1d8a431277ae5e4d513426fd8b8e6.png)
 <center>图源备注：图片由AI生成</center>

## 拒绝刷分 动态频率调整的数据哲学

在训练策略上，Pixio 展现出一种反直觉的纯粹性。它没有针对 ImageNet 等特定基准测试进行 "应试教育"，而是从网络收集了 20 亿张图像进行广泛学习。

为了提升模型对物理世界的理解，团队采用动态频率调整机制：降低简单产品白底图的训练权重，大幅增加复杂场景图片的出现频次。这种不为 "刷分" 而生的训练方式，反而赋予了模型惊人的迁移能力。数据表明，仅有 6.31 亿参数的 Pixio 在单目深度估计准确率上提升了 16%，在单张图像 3D 重建任务中，甚至优于使用八视角训练的 8.41 亿参数 DINOv3。

![Google_AI_Studio_2025-12-29T03_20_19.212Z.png](https://static.downly.cn/images/307d8a77d79ac308562665024a6ad2a8.png)
 <center>图源备注：图片由AI生成</center>

## 机器人领域的潜力

Pixio 的优势不仅停留在屏幕上，更延伸到了物理世界。在机器人学习领域的测试中，Pixio 以 78.4% 的成功率领先于 DINOv2。这表明，回归像素重建的本质，往往能通向更深层的视觉理解。尽管目前人工掩蔽存在局限，但 Pixio 为视觉大模型指明了一条 "大道至简" 的新方向。

Meta发布Pixio 像素级重构挑战视觉AI复杂论

> 导语：美国电动汽车制造商Rivian发布自研AI芯片RAP1及新一代车载电脑，计划在即将上市的R2车型中取代英伟达系统，并通过极具竞争力的“Autonomy+”订阅服务挑战特斯拉FSD。



## 自研芯片RAP1横空出世

Rivian近期宣布了一项可能改变其市场地位的重大技术进展——推出了完全自研的人工智能芯片Rivian Autonomy Processor 1（RAP1）。这标志着这家电动汽车制造商正式加入“造芯”俱乐部，意图摆脱对外部供应商的依赖。

公司明确表示，计划在未来的车型中逐步取代目前使用的英伟达芯片系统。即将上市的R2款SUV将成为首款搭载RAP1芯片的车型，并同步配备全新的激光雷达传感器。

## 性能飙升四倍

Rivian电气硬件副总裁Vidya Rajagopalan详细介绍了这款芯片的技术细节。RAP1采用了先进的“多芯片封装”技术，拥有高达每秒205GB的内存带宽，这对于处理复杂的AI模型至关重要。
![image.png](https://static.downly.cn/images/975ac0313ea28695a1b19fc5eb44a3f2.png)

<center>图源备注：图片由AI生成</center>

该芯片将驱动新一代车载电脑Autonomy Compute Module 3，其图像处理能力达到每秒50亿像素。与现有Rivian车型中使用的英伟达系统相比，新平台的性能足足提升了四倍，为实现更高阶的自动驾驶功能奠定了硬件基础。

## 价格屠夫 Autonomy+订阅服务

依托自研硬件，Rivian计划在2026年初向第二代车型用户推出名为“Autonomy+”的订阅服务。该服务将支持不断扩展的自动驾驶功能。

最引人注目的是其极具攻击性的定价策略：

* **一次性支付** 2,500美元
* **月费模式** 49.99美元

相比之下，竞争对手特斯拉的全自动驾驶（FSD）服务一次性收费高达8,000美元，月费则为99美元。Rivian显然希望通过更具性价比的方案，在自动驾驶服务市场撕开一道口子。尽管目前其伊利诺伊州工厂面临产量挑战，但这一技术布局显示了Rivian在智能驾驶领域的勃勃野心。

Rivian推出自研AI芯片RAP1 抛弃英伟达方案誓夺自动驾驶高地

> 今日AI圈迎来多维度爆发，视频生成领域战况升级，Runway与国产PixVerse竞相推出“导演级”更新，力求在叙事与画质上实现突破；模型层面，谷歌Gemini 3、DeepSeek V3.2与Liquid AI的新动作显示出从端侧到云端的全面内卷；英伟达则在自动驾驶与Agent调度上展现硬核实力，而OpenAI正探索“技术入股”的新商业模式。


---

## Runway Gen-4.5盲测夺冠 120人团队硬刚科技巨头

Runway再次证明了小团队的惊人爆发力。其最新发布的Gen-4.5视频生成模型，凭借自研的时空混合Transformer架构，在第三方盲测中一举超越了谷歌Veo3和OpenAI Sora2Pro。这一战绩不仅是技术上的胜利，更打破了“大厂垄断”的迷信，展示了专注研究与快速迭代的巨大价值。

新模型在视觉准确性与创意控制力上实现了显著飞跃。创作者现在仅需简短的文本提示，即可生成高清、场景复杂且角色生动的动态视频。基于Nvidia GPU的深度优化，Gen-4.5在处理光影变化和物体物理运动时显得尤为细腻，标志着AI视频生成正从“尝鲜”走向“专业创作”的深水区。

![image.png](https://static.downly.cn/images/9d2859df58601645903701e2d8d8a352.png)
<center>图源备注：图片由AI生成</center>

## 国产爱诗科技PixVerse V5.5 开启AI视频多镜头叙事时代

国内AI视频领域同样传来捷报。爱诗科技发布的PixVerse V5.5（拍我AI V5.5）被业界视为国内首个落地“导演级”能力的多镜头叙事视频大模型。基于自研的MVL架构，该模型彻底改变了以往AI视频“单镜头拼凑”的尴尬局面。

此次更新的核心亮点在于“多镜头+音画同步一键直出”。用户输入一句话，模型不仅能生成画面，还能自动完成脚本编写、分镜设计以及音效匹配。特别是其智能多镜头切换功能，支持在5至10秒内自然过渡远、中、近景，运镜流畅度大幅提升，让普通用户也能轻松制作出具有完整叙事逻辑的短片。

## 谷歌搜索大变革 Gemini 3携手Nano Banana Pro登陆全球

谷歌在搜索与多模态领域的反击势头迅猛。原生多模态大模型Gemini 3正式登场，涵盖Pro和Ultra版本，目前已向全球近120个国家地区的订阅用户开放。这不仅是一次模型升级，更是谷歌搜索体验的一次AI革命。

与此同时，谷歌还推出了专注于图像处理的Nano Banana Pro模型。该模型主打高分辨率输出与专业级控制，旨在满足设计与创意领域的精细化需求。这一系列动作表明，谷歌正加速将顶尖AI能力整合进其庞大的生态系统，试图在多模态竞争中重新确立领军地位。

![image.png](https://static.downly.cn/images/9ab3e1a0f2dccc98c373f6e27f8f9e76.png)
<center>图源备注：图片由AI生成</center>

## 深度求索DeepSeek-V3.2发布 性能比肩顶尖闭源模型

中国AI公司深度求索（DeepSeek）继续在开源领域刷新纪录。新发布的DeepSeek-V3.2系列模型引入了创新的稀疏注意力机制，这一架构上的优化直接击中了当前大模型应用的最大痛点——成本。

在大幅降低长文本处理计算成本的同时，V3.2版本的性能并未缩水，反而增强了Agent（智能体）的执行能力。官方数据显示，其综合能力已具备与GPT-5和Gemini 3.0 Pro等国际顶级闭源模型同台竞技的实力，为开发者提供了极具性价比的高性能替代方案。

## 英伟达自动驾驶新突破 让汽车拥有人类常识

英伟达在NeurIPS 2025上扔下了一枚重磅炸弹：L4级自动驾驶推理模型Alpamayo-R1。不同于传统的规则驱动或单一感知模型，Alpamayo-R1基于Cosmos-Reason系列，采用视觉、语言、动作三模态端到端统一架构。

该模型最大的特点是让车辆学会了“先思考，再行动”。它能够同步处理摄像头画面、激光雷达点云数据以及文本指令，通过多模态融合理解复杂的交通场景。这种具备“人类常识”的决策能力，有望解决自动驾驶在极端或长尾场景下的失效问题，让车辆的驾驶行为更加拟人和安全。

![image.png](https://static.downly.cn/images/a82a1ae940dea54a2d95b1ff65acc8ef.png)
<center>图源备注：图片由AI生成</center>

## Liquid AI推出LFM2 让端侧小模型拥有云端战力

MIT创企Liquid AI正在重塑“小模型”的定义。其发布的第二代设备端基础模型LFM2，采用了创新的“liquid”架构。这一架构在训练和推理效率上表现惊人，使得仅有350M、700M和1.2B参数的小模型，也能展现出媲美云端大模型的性能。LFM2的出现，为手机、IoT设备等边缘计算场景的智能化提供了强有力的技术支撑。

## NVIDIA发布Orchestrator-8B 打造AI系统的智能大脑

为了解决AI系统依赖单一模型可能产生的决策偏差，英伟达推出了一种名为ToolOrchestra的新方法。该方法的核心是一个基于强化学习训练的小型语言模型——Orchestrator-8B。

这个8B参数的模型就像AI系统的“指挥官”或“大脑”，能够智能地评估任务需求，从工具库中选择并组合最合适的工具或子模型来执行任务。这种灵活的调度机制，显著提升了复杂任务的处理效率和准确性。

## OpenAI开启技术换股权模式 联手Thrive Holdings布局商业闭环

OpenAI正在探索一种全新的商业合作范式。在与Thrive Holdings的最新交易中，OpenAI并未直接支付现金，而是通过提供技术资源和开放接口来换取对方的股权及投资收益。双方将聚焦于会计与IT服务领域的AI闭环改造，这表明OpenAI正试图将自身的底层技术优势转化为更深度的行业绑定，锁定长期商业价值。

## 自然语言编程成风潮 灵光App两周涌现330万应用

通用AI助手“灵光”App上线仅两周，便交出了一份惊人的成绩单：用户创建了超过330万个“闪应用”。这一现象级的数据揭示了大众对于AI工具的极度渴求。用户通过简单的自然语言描述，就能快速构建出满足互动娱乐、日常工具等碎片化需求的应用，预示着“人人都是开发者”的时代正在加速到来。

每日AI资讯1202：视频模型全面进化，英伟达谷歌OpenAI硬核混战

> 导语：本期AI资讯聚焦全球技术突破：UniWorld-V2在中文图像编辑领域取得领先，亚马逊Kindle推出AI翻译服务，Meta的AI短视频平台Vibes扩展至欧洲，同时，全球首个AI海洋大模型“瞰海”问世。此外，微软启动人本主义AI项目，月之暗面发布Kimi K2 Thinking模型，展现了AI在应用和理论层面的双重跃进。

---

## UniWorld-V2发布 中文图像编辑的新篇章

UniWorld-V2中文图像编辑模型正式发布，它带来了两大核心功能 框选即改与中文字体精准渲染。该模型在性能上已超越了GPT-Image和Gemini等知名模型，为中文世界的图像处理提供了更强大 更精准的工具。


![image.png](https://static.downly.cn/images/537aaf2145ab18b49d5ff2d374fc9c4e.png)
图源备注：图片由AI生成
 

## 劳德研究所“弹弓”计划启动 赋能AI科研创新

劳德研究所发起了名为“弹弓”的AI资助计划，旨在通过提供资金 算力及工程支持，为AI科研注入新动力。首批入选的15个项目团队将致力于推动研究成果的商业化或开源，以促进AI技术的广泛应用与发展。

## 亚马逊Kindle推出AI翻译 助力独立作者走向世界

亚马逊在其Kindle Direct Publishing（KDP）平台上线了免费的AI翻译服务 Kindle Translate。该服务初期支持英语 西班牙语和德语间的互译，旨在显著降低独立作者的翻译成本，帮助他们的作品快速触达全球读者，拓展国际市场。

![image.png](https://static.downly.cn/images/e79acb70e19e73eff0814f756c4dcb25.png)
图源备注：图片由AI生成
 

## Meta AI短视频Vibes登陆欧洲 AI视频领域竞争升温

Meta正式在欧洲市场推出其AI短视频平台Vibes，平台上的所有内容均由AI生成，功能上与TikTok相似。这是Vibes在美国市场取得成功后的又一重要扩张。此举也预示着，在OpenAI发布Sora等模型后，AI视频生成领域的竞争正变得日益激烈。

## 全球首个AI海洋大模型“瞰海”发布 精准预测未来海况

中国发布了全球首个端到端的AI海洋大模型“瞰海”。该模型能够实现从卫星观测到三维预测的全链路闭环，不仅可以实时重构海洋状况，还能精准预演未来10天的海洋环境变化，为海洋科研与防灾减灾工作提供了强大的“数字海洋镜像”。

![image.png](https://static.downly.cn/images/f5fec5921fe5ba0cd240cc5ba2b16483.png)
图源备注：图片由AI生成
 

## 微软启动新AI项目 聚焦“人本主义超级智能”

微软AI负责人苏莱曼将领导一个全新的团队，专注于开发“人本主义超级智能”AI。该项目旨在通过设定严格的技术界限和监管措施，确保AI技术的发展始终以服务人类为核心，由人类主导，避免其走向完全自主或取代人类的道路。

## 月之暗面开源Kimi K2 Thinking模型 提升AI自主思考能力

月之暗面宣布开源其最新的Kimi K2 Thinking模型。该模型极大地增强了AI智能代理的自主思考和工具使用能力，能够连续调用工具多达300轮并进行深度推理，且全过程无需用户干预，从而更高效地完成各类复杂任务。

![image.png](https://static.downly.cn/images/6ba46855b20d21ef4eb0adeb96d24cf0.png)
图源备注：图片由AI生成
 

## Paytm携手Groq 优化AI驱动的金融服务

印度支付巨头Paytm与美国硬件公司Groq达成合作。通过使用GroqCloud云端服务及其领先的AI推理优化技术，Paytm旨在显著提升其平台在交易处理 风险评估 欺诈检测及用户互动等方面的智能化水平，以应对不断增长的支付需求和金融安全挑战。

## MiniMax M2模型揭秘 为何坚持全注意力机制

MiniMax M2模型的技术选择引发关注，其团队揭示了采用全注意力机制的原因。尽管存在更节省资源的线性或稀疏注意力技术，但MiniMax认为全注意力机制在工业级应用中能带来更高的效率和性能，从而优化模型的实际部署效果，推动AI技术向前发展。

每日AI资讯1107：全球AI技术多点开花，从海洋预测到中文图像编辑，创新浪潮席卷而来

> **导语** 随着苹果M5芯片的发布，端侧AI处理能力实现了前所未有的四倍性能飞跃，为个人设备带来了更强的本地智能体验。与此同时，谷歌DeepMind与耶鲁大学的合作揭示了AI在癌症治疗中的新潜力，而AMD与甲骨文的合作则预示着AI算力基础设施的又一次大规模扩展。从AI驱动的“数字孪生”提升工作效率，到Anthropic高性价比模型的推出，再到VSCO为专业影像编辑注入智能，AI技术正以前所未有的深度和广度，重塑着从个人应用到企业服务的方方面面。



<center>图源备注：图片由AI生成</center>

## 苹果M5芯片引领终端侧AI性能革命
苹果公司正式发布了采用先进3纳米工艺的M5系列芯片，其AI性能实现了惊人的“四倍飞跃”。这款芯片的图形处理器在处理AI相关任务时速度提升超过400%，同时其16核神经网络引擎达到了每秒38万亿次的运算速度。这一突破性进展将极大地增强MacBook Pro和iPad Pro等设备的本地AI处理能力，加速终端侧的智能化体验，让用户在设备上就能享受到更强大、更高效的AI功能。

![image.png](https://static.downly.cn/images/ced31d5816d251e57e1d8a9d2f9dc99e.png)
<center>图源备注：图片由AI生成</center>

## DeepMind联手耶鲁大学，AI模型发现癌症治疗新思路
谷歌DeepMind与耶鲁大学的最新合作研究取得了重大突破。他们共同开发的C2S-Scale27B模型，基于强大的Gemma架构，在单细胞分析领域展现出卓越的能力。该模型成功发现，药物Silmitasertib在特定条件下能够充当“条件增强剂”，有效激活人体免疫系统，使其能够精准识别并清除癌细胞。这一发现为癌症治疗提供了一个全新的、充满希望的方向。

![image.png](https://static.downly.cn/images/efc842eb558c36bca4e4998307818a6e.png)
<center>图源备注：图片由AI生成</center>

## AMD与甲骨文强强联合，五万AI芯片部署计划启动
AMD在AI市场的布局再下一城，宣布与甲骨文达成重大合作协议。根据协议，甲骨文将从2026年第三季度开始，在其数据中心大规模部署5万块AMD Instinct MI450 AI芯片。此次部署将采用新一代的“Helios”机架系统。这一战略举措不仅将显著推动AMD在人工智能市场的增长，也使其与行业领导者英伟达的竞争进入了新的阶段。

![image.png](https://static.downly.cn/images/0db112ed180577562dd0ae6eb270eef1.png)
<center>图源备注：图片由AI生成</center>

## AI数字孪生解决职场协作痛点，Viven获3500万美元融资
初创公司Viven凭借其创新的AI驱动“数字孪生”技术，成功获得3500万美元种子轮融资。该公司利用大语言模型和先进的隐私保护技术，为员工创建数字替身。这个“数字分身”能够在员工休假或因时区不同而无法及时响应时，填补关键信息的空缺，确保项目沟通顺畅、工作持续推进，从而有效解决员工“不在场”的痛点，为企业节省了宝贵的时间与成本。

![image.png](https://static.downly.cn/images/47c3596f0edda01f97c0b61212ec7cda.png)
<center>图源备注：图片由AI生成</center>

## Anthropic推出Haiku 4.5模型，性价比优势凸显
Anthropic公司发布了其最新的轻量化AI模型Claude Haiku 4.5。该模型以其卓越的性价比脱颖而出，仅需同系列Sonnet 4模型三分之一的价格，就能提供与之相媲美的强大编程能力。Haiku 4.5专为需要低延迟和快速响应的实时应用场景设计，如在线聊天助手和客户服务系统，成为了Claude系列中平衡性能与成本效益的理想解决方案。

![image.png](https://static.downly.cn/images/c550d6407449964b0f21bcd565e14af9.png)
<center>图源备注：图片由AI生成</center>

## Anthropic商业前景广阔，年收入或将迎爆发式增长
据预测，由前OpenAI员工创立并专注于安全AI技术研发的Anthropic公司，正迎来其商业化的快车道。公司预计到2025年底，其年化收入有望达到90亿美元，而到2026年，这一数字更可能飙升至惊人的260亿美元。这一强劲的增长预期，充分彰显了Anthropic在人工智能领域的巨大发展潜力和广阔的市场前景。

![image.png](https://static.downly.cn/images/b06230fbec93cc6827cc38f130a8186e.png)
<center>图源备注：图片由AI生成</center>

## VSCO发布AI Lab，开启智能图像编辑新时代
知名摄影应用VSCO正式推出了名为“AI Lab”的全新工具集，标志着专业级图像编辑进入了智能化时代。该工具集利用了先进的人工智能技术，如智能对象移除，允许专业摄影师在高分辨率的RAW文件上进行精细且非破坏性的编辑。这一创新极大地提升了专业创作者的工作流程和效率，让复杂的图像处理变得更加简单和智能。

![image.png](https://static.downly.cn/images/f4a0790c61ae6de8bab15f3bf29a6c34.png)
<center>图源备注：图片由AI生成</center>

## 谷歌Flow视频工具升级，光影音频编辑更强大
谷歌对其AI视频生成工具Flow进行了重要升级。新版本增加了灵活的光影编辑功能，让用户能够更精细地调整视频中的光照效果，显著提升了生成视频的真实感和艺术感。同时，音频处理功能也得到了大幅增强，使得视频创作的灵活性和最终效果都迈上了一个新台阶，内容生成更加自然生动。

![image.png](https://static.downly.cn/images/a0fa0e3b9a202c434c6c94245c04f16b.png)
<center>图源备注：图片由AI生成</center>

## 谷歌加速AI产品部署，VEO 3.1版本即将上线
有消息称，谷歌正准备在Gemini和相关API上发布其最新的VEO 3.1 AI模型。用户已在Gemini应用中发现了与新功能相关的免责声明，预示着此次更新将很快整合到用户熟悉的界面中。此外，在谷歌的Vertex AI平台上也出现了对VEO 3.0预览模型的引用，种种迹象表明，谷歌正在全力加速其先进AI产品的开发与部署。

![image.png](https://static.downly.cn/images/91e604931778512e499c34a253236d76.png)
<center>图源备注：图片由AI生成</center>

## Airtel与IBM携手，共促云计算与AI创新
印度电信巨头Airtel与科技巨头IBM达成战略合作，旨在共同推动云计算和人工智能技术的创新。此次合作将充分利用IBM强大的云基础设施与AI技术，并结合Airtel在电信领域的网络可靠性及数据本地化优势。双方将共同提升Airtel Cloud服务能力，帮助金融、医疗等受严格监管的行业企业高效、安全地扩展其AI工作负载。

![image.png](https://static.downly.cn/images/721b0f9623c05e9f61ba52dbb043b105.png)
<center>图源备注：图片由AI生成</center>

每日AI资讯1016：端侧AI芯片性能飞跃，AI赋能医疗影像与企业服务迈向新纪元

> 今日AI界风起云涌，科技巨头纷纷亮出底牌。苹果秘密研发类ChatGPT应用，Siri即将迎来诞生以来最重大的变革；谷歌则在模型速度上再攀高峰，Gemini 2.5 Flash Lite刷新纪录。与此同时，Anthropic开启全球扩张步伐，英伟达与OpenAI的战略合作揭示了万亿市场的未来图景。而OpenAI CEO更是大胆预测，AGI可能在2030年前重塑全球就业市场。科技的浪潮正以前所未有的速度，拍打着我们每个人的未来。

## Siri重生在即 苹果秘密打造ChatGPT级AI应用

苹果公司正在低调推进一项重大革新，其AI部门正全力开发一款类似ChatGPT的iPhone原生应用，旨在对Siri进行根本性升级。据悉，新版Siri将重点测试其在处理和搜索个人数据方面的效率，例如快速精准地查找特定歌曲或邮件内容。此举的目标是彻底改变用户与Siri的交互体验，使其变得更加智能和实用，预计这一重大更新将于明年正式亮相。

![image.png](https://static.downly.cn/images/b4adc6ade74e0cbecd6ce96f58d5023b.png)

图源备注：图片由AI生成

## 全球扩张提速 Anthropic国际员工规模将翻倍

为应对日益激烈的全球AI市场竞争，Anthropic公司宣布了一项雄心勃勃的扩张计划。公司计划在2025年前将全球员工总数增加一倍，其中负责应用AI的团队规模更是将扩大至目前的五倍。这一决策的背后，是其核心模型Claude在国际市场上的强劲需求，尤其是在韩国等地区，近八成使用量来自美国以外的市场，标志着Anthropic正迎来一个重要的全球发展机遇期。

![image.png](https://static.downly.cn/images/20cb3a0b66f99439d70d4991f7d9ceaf.png)

图源备注：图片由AI生成

## 工业智能化加速 LTTS与西门子携手推动制造业AI转型

L&T科技服务公司(LTTS)与工业巨头西门子达成战略合作，双方将共同致力于推动智能制造与工艺工程领域的AI转型。合作聚焦于工艺工程、离散制造和工业产品三大领域，通过深度整合西门子的先进数字化技术，共同发展机器与生产线的仿真能力以及工业物联网(IIoT)解决方案。此次合作旨在全面提升行业解决方案的能力，赋能可持续发展，共同引领传统工业迈向智能化新时代。

![image.png](https://static.downly.cn/images/9d62741fdc40ed1405f7dbd6b4db940d.png)

图源备注：图片由AI生成

## 黄仁勋深度解读 英伟达与OpenAI的万亿市场棋局

英伟达CEO黄仁勋在最近的一次播客访谈中，有力地回应了市场对其巨额投资策略的疑虑。他详细阐述了公司对英特尔和OpenAI的大笔投资，并非外界所猜测的“收入循环”，而是旨在加速技术进步的战略布局。黄仁勋强调，他坚信AI是未来的发展方向，并对这一领域的长远收益充满信心，此次与OpenAI的战略合作，正是为了在未来十万亿级的市场中占据“赢家”地位。

![image.png](https://static.downly.cn/images/f9fefa1634dea9fb4e0ffbe3d7983dc1.png)

图源备注：图片由AI生成

## 既能理解又能生成 苹果发布全能图像模型Manzano

苹果公司在图像处理领域取得新突破，发布了名为Manzano的新型图像模型。该模型的一大亮点是同时具备了强大的图像理解与生成能力，有效解决了当前许多开源模型在性能上的瓶颈问题。据研究论文显示，Manzano在效率和最终效果上已能与OpenAI和谷歌的商业级系统相媲美。尽管苹果目前尚未公开发布该模型，仅公布了研究论文和少量低分辨率示例，但已足以展示其在多模态AI领域的强大实力。

![image.png](https://static.downly.cn/images/3981482b2e15f55c462f694fc991f3f0.png)

图源备注：图片由AI生成

## 速度与激情 谷歌Gemini 2.5 Flash Lite刷新专有模型纪录

谷歌在AI模型性能优化上再次取得显著进展，对其Gemini系列模型进行了更新。其中，新发布的Gemini 2.5 Flash Lite凭借其惊人的处理速度，已成为目前“最快的专有模型”。根据数据显示，该模型每秒可处理高达887个token，相较于前代产品性能提升了40%。这一成就充分展现了谷歌在提升AI模型输出速度和运行效率方面的持续投入和技术领先地位。

![image.png](https://static.downly.cn/images/bce68e2667d9ce6dd95b9c0a5131573e.png)

图源备注：图片由AI生成

## 奥尔特曼惊人预测 2030年AI或将取代四成工作岗位

OpenAI CEO萨姆・奥尔特曼对通用人工智能（AGI）的未来发展给出了一个大胆的时间表。他预测，AGI最快可能在2030年成为现实，届时预计将有30%至40%的人类工作岗位被AI取代。奥尔特曼指出，即便是像GPT-5这样的当前AI模型，也已经展现出超乎想象的智能水平。这一预测预示着未来就业格局将发生深刻而剧烈的变化，对社会结构带来深远影响。

![image.png](https://static.downly.cn/images/aad98e1c5405ce3c67b522e7d7a9c392.png)

图源备注：图片由AI生成

每日AI资讯0928：巨头逐鹿AI新战场，Siri迎史诗级更新

> 今日AI界风起云涌：清华与东北大学联手推出UltraRAG 2.0，以50行代码简化RAG系统构建；Perplexity对Chrome的收购意向撼动浏览器市场格局。腾讯连发两款开源神器，单图生成3D世界的HunyuanWorld-Voyager与开箱即用的Youtu-Agent框架。谷歌、即梦AI、通义实验室、微软等巨头也纷纷亮剑，从网页内容理解、多模型服务到智能体开发框架，技术革新正以前所未有的速度，重塑我们的数字生活与开发范式。

## 清华联手东北大学发布UltraRAG 2.0：50行代码定义RAG新范式

清华大学与东北大学等机构联合发布了UltraRAG 2.0框架，它基于创新的模型上下文协议（MCP）架构，允许开发者通过简单的YAML文件来配置和构建复杂的检索增强生成（RAG）系统。该框架支持串行、循环、条件分支等多种逻辑，极大地降低了高性能RAG应用的开发门槛，让复杂的AI系统搭建变得前所未有的简单。

![插图：代码流与神经网络的抽象结合](https://static.downly.cn/images/71866b30d3bd8cb39ead10556f95a395.png)
图源备注：图片由AI生成

## AI浏览器战争升级 Perplexity欲收购Chrome

AI搜索公司Perplexity对谷歌Chrome浏览器提出高达345亿美元的收购报价，此举震惊业界，标志着AI对传统浏览器市场的颠覆性冲击正式拉开序幕。与此同时，Anthropic公司也推出了针对Chrome的Claude扩展，AI与浏览器的深度融合已成大势所趋，一场围绕下一代智能浏览体验的战争已然爆发。

![插图：两个科技巨头的Logo在浏览器窗口中对峙](https://static.downly.cn/images/a185998c7389e0d433c242b8a11a9cfb.png)
图源备注：图片由AI生成

## 腾讯再亮王牌 HunyuanWorld-Voyager实现单图生成3D世界

腾讯AI研究团队开源了其最新的研究成果HunyuanWorld-Voyager。这一模型堪称“神器”，仅需一张普通的2D图像，就能即时生成与之完全一致的3D点云世界。凭借其卓越的原生3D重建能力，在相机控制、内容对齐和3D一致性上表现出色，成功登顶WorldScore全球排行榜，为3D重建和图生3D领域带来了革命性突破。

![插图：一张风景照片悬浮在空中，下方延展出一个完整的、可供探索的3D立体世界]![image.png](https://static.downly.cn/images/8e0e6ffc6db2b93dfa1938d503f47f9d.png)
图源备注：图片由AI生成

## 人人都是开发者 腾讯优图开源Youtu-Agent智能体框架

腾讯优图实验室正式开源Youtu-Agent智能体框架，主打“开箱即用”的便捷理念。开发者无需进行复杂的模型训练，只需从GitHub上获取代码，通过编写简单的YAML配置文件来定义智能体的具体行为，便能迅速搭建并运行个性化的智能体应用，极大地降低了技术门槛。

![插图：一个即插即用的模块化机器人，用户可以轻松更换代表不同功能的模块](https://static.downly.cn/images/e6fa2a42972d2771714972f5728f325c.png)
图源备注：图片由AI生成

## 谷歌Gemini API添新翼 AI可“阅读”并理解整个网页

谷歌为其Gemini API增加了一项名为URL Context的全新功能。这项技术使得AI不再局限于抓取网页摘要或部分信息，而是能够像人类一样深入、完整地理解和解析整个网页的内容。这一重大进展意味着开发者可以构建出更精准、更智能的应用，实现对网络信息的深度利用。

![插图：一个AI大脑正在扫描一个网页，网页中的文字和图片转化为结构化的数据流](https://static.downly.cn/images/dca8e3de45333203759164411c551201.png)
图源备注：图片由AI生成

## 即梦AI模型全面开放API 提供一站式图像视频生成服务

即梦AI与火山引擎达成合作，将其旗下包括文生图、图生图、视频生成、数字人等在内的一系列先进AI模型，通过API的形式向企业级用户和开发者全面开放。此举旨在提供一个一站式的图像与视频生成解决方案，开发者可以轻松接入并利用这些经过市场验证的强大功能，创造高质量的视觉内容。

![插图：一条API数据流从一个服务器流向多个不同的终端设备，每个设备上都显示着由AI生成的不同风格的图像和视频](https://static.downly.cn/images/8f7698019e45a7460e2534eb9e4357f2.png)
图源备注：图片由AI生成

## Cherry Studio携手硅基流动 免费开放Qwen38B模型

为了提升用户体验，AI桌面客户端Cherry Studio宣布与硅基流动达成深度合作，向所有用户免费提供通义千问Qwen38B模型。该模型以其出色的推理能力、指令遵循和多语言支持而广受好评。此次合作将进一步丰富Cherry Studio的多模型生态，让跨平台用户能更便捷地享受到顶级AI模型的强大功能。

![插图：一个樱桃形状的工作室Logo与一个芯片Logo握手，背景是流畅运行在不同操作系统上的AI界面](https://static.downly.cn/images/3131fa6c37fb1c342cc9be32e62576d8.png)
图源备注：图片由AI生成

## 通义实验室发布AgentScope 1.0 打造一站式智能体开发平台

通义实验室正式推出新一代开源智能体开发框架AgentScope 1.0。该框架以开发者为核心，致力于解决多智能体从开发、构建到运行和管理的全生命周期难题。通过其三层技术架构（核心框架、Runtime和Studio），AgentScope 1.0为开发者提供了灵活且强大的解决方案，让构建安全、高效的智能体应用变得更加简单。

![插图：一个开发者在一个可视化的工作台上拖拽不同的智能体模块，构建出一个复杂的多智能体协作系统](https://static.downly.cn/images/c1287b323739b9d5ca266dcec2ca7d27.png)
图源备注：图片由AI生成

## 微软Copilot能力升级 免费用户也可多文件推理

微软宣布对其AI助手Copilot进行重要更新，免费向所有网页版和Windows 11版用户开放多文件分析功能。现在，用户可以一次性上传最多三个文件，让Copilot进行跨文档的理解和推理。这一此前仅限付费用户的功能将极大提升Copilot的实用性，例如可以同时分析简历和招聘启事，为求职者提供精准建议。

![插图：三份不同的文档被一只机械手同时送入一个Copilot大脑中进行分析和比较](https://static.downly.cn/images/baaf1ea28902e437966fb6921c6d1b56.png)
图源备注：图片由AI生成

## Google发布Nano Banana AI图像编辑进入“一句话”时代

Google旗下Gemini 2.5 Flash Image团队推出了革命性的AI图像引擎Nano Banana。这项新技术颠覆了传统的图像编辑流程，用户只需用一句话描述想要进行的修改，AI即可精准完成操作。这项功能的推出，极大地降低了图像处理的门槛，让专业级的图像编辑变得像日常对话一样简单便捷。

![插图：一个人对着麦克风说话，旁边屏幕上一张复杂的图片根据语音指令实时发生改变](https://static.downly.cn/images/2c672eaf942f6300b1fe1c0499d7f87d.png)
图源备注：图片由AI生成

每日AI资讯0903：未来科技浪潮，人工智能重塑数字世界



> 导语：备受瞩目的GPT-5在万众期待中登场，其性能表现与颠覆性的定价策略在社区引发热议，多家平台已迅速跟进集成。与此同时，AI正以前所未有的速度赋能开发者生态，从终端命令行编程到多语言文档解析，创新工具不断涌现。AI的应用边界也在持续拓宽，已深入AI代理支付、太空医疗保障乃至病毒式视频创作等全新领域，一个更加智能化的未来正加速到来。

## GPT-5全面来袭 性能毁誉参半，低价策略或引发市场震动

OpenAI的最新旗舰模型GPT-5已正式发布并登陆Cline等平台，提供旗舰版、mini版和nano版以满足不同需求。早期用户反馈呈现两极分化，一方面，其在推理、代码质量和处理复杂任务上表现卓越，幻觉率的降低也获得普遍好评。但另一方面，不少用户指出其写作能力似乎不如前代，编程能力的表现也参差不齐，尚不能完全胜任所有复杂任务，且在不同设备上存在服务器不稳定的情况。

值得注意的是，OpenAI为GPT-5制定了极具竞争力的定价，引发开发者社区的积极反响，此举或将掀起一场AI模型市场的价格战。为推动应用，AI代码编辑器Cursor已宣布向其付费用户提供限时免费的GPT-5体验。

![image.png](https://static.downly.cn/images/6683d2b470b68f256d6ac542bbca7b8e.png)

## PyTorch 2.8重磅更新 为英特尔芯片带来推理性能大飞跃

最新发布的PyTorch 2.8版本将为AI开发者带来显著的性能提升。此次更新重点优化了量化大语言模型在英特尔CPU上的推理性能，可将端到端延迟减少20%以上。此外，新版本还实验性地支持了用于Intel GPU的XCCL分布式后端，并增强了对SYCL的支持以及XPU设备的A16W4模式，这将为使用英特尔硬件的开发者提供更高效、更强大的AI计算能力。

![image.png](https://static.downly.cn/images/9d604e79561fd3d79bf0bd2892b21b47.png)

## 告别图形界面 Cursor CLI 将AI编程带入终端新时代

AI代码编辑器Cursor正式发布了其命令行界面（CLI）版本，让开发者能够直接在终端中利用强大的AI能力。通过Cursor CLI，开发者可以轻松完成代码生成、自动化脚本编写、文档更新和安全审查等任务。相比图形界面，CLI版本提供了更强的灵活性和可组合性，能够与现有的开发工作流无缝集成，进一步提升开发效率和代码管理的智能化水平。

![image.png](https://static.downly.cn/images/9813ec1223ad73de917ffcd0cd3e96e1.png)

## AI代理支付难题获解 Lava Payments融资打造“一键通付”钱包

初创公司Lava Payments在种子轮中成功融资580万美元，致力于解决当前AI代理支付碎片化的问题。该公司旨在通过一个统一的数字钱包和积分系统，让AI代理能够代表用户更顺畅地在互联网上进行交易。Lava Payments专注于为AI原生经济构建支付基础设施，其“一键通付”的愿景有望为AI代理的广泛应用扫清支付障碍。

![image.png](https://static.downly.cn/images/462d41e4672435bda254ebbcc842fa14.png)

## 1.7B轻量模型dots.ocr登场 挑战多语言文档解析极限

一款名为dots.ocr的1.7B参数轻量化多语言视觉-语言模型横空出世，在文档智能处理领域发起了新的挑战。该模型采用统一架构，实现了业界领先的文档布局检测和OCR能力，能够高效、精准地解析包括中、英文在内的100种语言的文本、表格和公式，并能正确处理阅读顺序。尽管在处理极端复杂的表格和图片内容上仍有提升空间，但它已为文档智能化处理提供了极具潜力的革新方案。

![image.png](https://static.downly.cn/images/074466d2816597050db08719a6cfd2d2.png)

## 亚马逊打造AI“模型超市” Bedrock平台主张“选择至上”

亚马逊云科技（AWS）正通过其Amazon Bedrock平台推行“选择大于一切”的战略，旨在打造全球最大的AI模型聚合平台。该平台不仅提供了如OpenAI的开源模型，还引入了Anthropic等业界顶尖公司的最新模型。AWS的目标是为企业提供多样化的模型选择，以满足不同业务场景的特定需求，并通过模型间的组合使用，实现“1+1>2”的效果，强力推动生成式AI应用的普及与发展。

![image.png](https://static.downly.cn/images/62072ea1779a47508aee5ab6de77c8aa.png)

## “脑腐”视频一键生成 OpenArt推出病毒式内容创作新工具

由前谷歌员工创立的AI初创公司OpenArt近日推出了一项新功能，旨在帮助内容创作者轻松制作在社交媒体上广为流传的“脑腐”（brainrot）风格视频。这类视频通常以快节奏、高信息密度和强烈的视觉冲击力为特点。OpenArt的新工具通过AI技术，实现了这类病毒式视频的一键生成，为创作者提供了一种全新的内容生产方式。

![image.png](https://static.downly.cn/images/d0da2ee3b84f0d40deffce54efab2586.png)

## NASA携手谷歌 为火星宇航员配备AI“随行医生”

为了保障未来前往火星的宇航员的健康，美国国家航空航天局（NASA）正与谷歌合作，共同打造一款先进的AI医疗助手。这款多模态工具集成了语音、文本和图像处理能力，运行在谷歌云的Vertex AI环境中。它能够帮助宇航员在漫长的太空旅行中进行健康监测和初步诊断，确保他们在远离地球的极端环境下也能获得可靠的医疗支持。

![image.png](https://static.downly.cn/images/8dccc3ddfe26475175561a4f9b6014dd.png)

搜索结果: 图像处理