

> 微软最新发布的150亿参数多模态小模型成功融合了高精度视觉感知与多步推理链能力，为开发者在边缘设备构建复杂自动化智能体提供了全新的基础设施。

## 双模式切换兼顾深度与效率
这款名为Phi-4-Reasoning-Vision-15B的开源系统，彻底改变了传统视觉模型仅能被动识别图像标签的单一维度。该架构创新性地引入了动态推理机制，在处理数学推演或复杂逻辑运算时，系统会自动激活多步骤推理链条进行深度解析。当面对光学字符识别或界面元素定位等高频基础指令时，模型则直接输出极低延迟的即时响应。这种灵活的资源调度机制极大提升了其在多元场景下的工程实用性。

![42.png](https://static.downly.cn/images/8468e924a67b5dda97c601833391ab30.png)

<center>图源备注：图片由AI生成</center>

## 赋能UI自动化与智能体生态
除了卓越的逻辑推演能力，该系统在计算机屏幕交互领域展现出了巨大的商业化潜力。开发者仅需输入屏幕截图与自然语言指令，模型便能精准返回各类界面元素的标准化坐标。这一特性使其能够无缝接入现有的智能体工作流，配合其他控制组件自动执行点击、滑动等复杂串联操作。随着此次底层架构的全面开源，端侧设备的视觉自动化开发门槛将被历史性地拉低。

微软开源Phi-4视觉推理模型 端侧AI迈入多步逻辑新纪元



> **导语**
> 图像生成模型正从单纯的“像素堆砌”向“意图理解”进化。字节跳动最新推出的 Seedream5.0Lite，通过引入实时联网检索与多模态统一架构，不仅提升了画质，更赋予了 AI 理解物理规律与世界知识的逻辑思考能力。

## 从指令执行到视觉推理的跨越

2026年2月13日，字节跳动 Seed 团队推出了 **Seedream5.0Lite**。与前代相比，新模型的核心突破在于“思考深度”。它不再机械地拼接视觉元素，而是具备了多步视觉推理能力。

例如，在处理围棋残局时，模型能推理出下一步落子位置；在面对零散零件图时，它能识别物体类型并完成组装。这种对物理规律的理解，使得生成的图像在逻辑上更加严谨，减少了以往常见的结构性错误。

![Generated Image February 14, 2026 - 11_16AM (1).png](https://static.downly.cn/images/6a5b1231eca9994310b10367a269c9e3.png) <center>图源备注：图片由AI生成</center>

## 联网能力与知识库的双重加持

Seedream5.0Lite 首次在图像生成模型中引入了 **实时检索增强（RAG）** 技术。这意味着模型可以实时获取天气、金价、票房等最新资讯，并将其精准转化为可视化的图表或海报，极大地拓展了其在新闻与商业领域的应用潜力。

同时，内置的深厚世界知识库涵盖了科技、人文等多个领域。无论是生成专业的石油地质剖面图，还是描绘热带雨林的垂直分层，模型都能保证极高的科学准确性，避免了专业内容的“幻觉”问题。

## 生产力工具的交互体验升级

在实际创作中，Seedream5.0Lite 展现了更强的协作属性。它支持模糊指令编辑，用户只需给出简单描述，模型即可推测意图进行局部重绘或光影调整。在多人同框或复杂陈列等场景下，模型对每个主体的属性控制也更加精准。

目前，该模型已在 **即梦AI** 和 **豆包** 等平台上线。字节跳动表示，未来将继续提升模型的智能上限，推动图像生成从“创意玩具”真正转型为可控性强的“生产力工具”。

字节跳动发布 Seedream5.0Lite 引入联网 RAG 增强视觉推理



> 商汤科技发布并开源首个支持动态视觉推理的 Agentic VLM 模型 SenseNova-MARS，凭借独特的“侦探式”逻辑，在多项核心榜单中击败 GPT-5.2，实现 AI 从理解到执行的跨越。

## 性能霸榜 搜索推理能力领跑

2026 年 1 月 30 日，商汤科技宣布开源 SenseNova-MARS 模型（含 8B 和 32B 两个版本）。在最新的行业基准测试中，该模型展现出超越闭源旗舰的竞技状态。

在衡量图文搜索核心能力的 MMSearch 评测中，SenseNova-MARS 以 74.27 分的高分登顶，显著领先于 GPT-5.2 的 66.08 分。同时，在对细节要求极高的 HR-MMSearch 以及 FVQA、InfoSeek 等多个权威视觉理解榜单中，该模型均取得了开源领域的 SOTA（当前最佳）成绩，证明了其在复杂信息检索与理解上的统治力。

![Google_AI_Studio_2026-01-31T03_25_04.987Z.png](https://static.downly.cn/images/f79394f054228cdd6cc24f38b4a16617.png) <center>图源备注：图片由AI生成</center>

## 核心技术 像人类一样使用工具

SenseNova-MARS 的核心突破在于其“自主规划”能力。它打破了传统模型被动问答的模式，能够模拟人类侦探处理案件的逻辑：

*   **微小细节捕捉**：能精准识别图像中占比不到 5% 的关键信息（如赛车服 Logo）。
*   **动态图文联动**：在识别瞬间自动调取全球范围内的相关数据。
*   **多跳深度推理**：面对复杂问题，能自主拆解任务链条，先放大观察、再识别身份、最后检索背景。

## 训练秘籍 双阶段演进策略

为了赋予模型严密的逻辑，商汤团队采用了独特的两阶段训练法。第一阶段利用自动化合成引擎构建“高难度案例库”，夯实多跳搜索逻辑基础；第二阶段引入 BN-GSPO 算法进行强化学习，通过奖励机制平滑波动，使模型在面对未知复杂场景时表现更加稳定。

目前，商汤已将 SenseNova-MARS 的模型权重、代码及数据集在 Hugging Face 全量开源，旨在助力全球开发者共同探索具身智能与自主 Agent 的边界。

商汤开源 SenseNova-MARS 模型 视觉推理与图文搜索能力超越 GPT-5.2



> 导语：今日AI界风起云涌，科技巨头纷纷加码机器人领域，特斯拉与Meta竞相布局，力图抢占未来智能硬件高地。与此同时，从谷歌的通用视觉模型Veo3，到阿里云的安全护栏Qwen3Guard，再到快手与蚂蚁百灵推出的高效能模型，AI技术正以前所未有的速度迭代升级，展现出强大的应用潜力与商业价值。

## 特斯拉的“擎天柱”雄心：人形机器人将成核心产品

特斯拉正全力推进其人形机器人“擎天柱”的规模化生产。CEO埃隆·马斯克预测，该机器人未来可能成为公司最重要的产品，其战略地位日益凸显。自去年十月展示其多样化功能以来，“擎天柱”在技术和商业化潜力上均取得了显著进步，预示着一个由智能机器人深度参与社会生产的新时代即将来临。

![image.png](https://static.downly.cn/images/f6624ba47b5947a3c6d630fd8beb001d.png)
<center>图源备注：图片由AI生成</center>

## 谷歌Veo3震撼发布：不止于视频生成，更能自主解谜

谷歌最新推出的Veo3视频生成模型实现了重大技术飞跃。该模型无需经过额外训练，便能自主完成寻找物体、修复图片甚至解决数独和迷宫等复杂的视觉任务。其强大的通用性被誉为视觉AI领域的“GPT-3时刻”，展示了AI在多模态理解与执行方面的惊人能力。

![image.png](https://static.downly.cn/images/029c4da135bf12b9a3501a0d95e427ea.png)
<center>图源备注：图片由AI生成</center>

## 苹果秘密武器Veritas曝光：加速Siri智能化升级

为应对日益激烈的AI市场竞争，苹果公司正在内部测试一款名为“Veritas”的新型聊天机器人。该工具旨在模仿ChatGPT和Gemini等先进AI模型，用于快速测试新功能，从而加速下一代Siri的开发进程，有望大幅提升Siri的用户体验和智能化水平。

![image.png](https://static.downly.cn/images/9e8fa83d6700876aa23a11078eee6187.png)
<center>图源备注：图片由AI生成</center>

## LiquidAI新突破：Liquid Nanos让边缘设备更智能

LiquidAI公司发布了专为树莓派等边缘计算设备优化的Liquid Nanos系列轻量级AI模型。该系列包含350M和1.2B两种参数版本，支持翻译、信息抽取、RAG、工具调用及数学推理等多种功能。此举旨在满足边缘设备在低功耗下实现高性能AI应用的需求，为开发者提供了灵活多样的解决方案。

![image.png](https://static.downly.cn/images/f70a113225dfd3cbc00d59eb2b2f420f.png)
<center>图源备注：图片由AI生成</center>

## Meta的机器人宏图：打造机器人界的“安卓”平台

Meta公司正投入巨资开发一个类似“安卓”系统的开放式人形机器人平台。该计划旨在利用其强大的大模型和海量数据资源，为机器人赋予更高的智能，从而重塑行业格局并巩固自身的核心技术优势。相关研究已于今年初全面启动，显示出Meta在机器人领域的巨大野心。

![image.png](https://static.downly.cn/images/fa3dc7f07f01952e73e58d5e57474b9c.png)
<center>图源备注：图片由AI生成</center>

## 阿里云通义新成员：Qwen3Guard为AI安全保驾护航

阿里云通义团队发布了其首款安全护栏模型Qwen3Guard。该模型基于Qwen3架构进行微调，专注于提升AI交互的安全性，能够精准识别并防护用户输入及AI生成内容中的潜在风险，为人工智能的健康发展提供了可靠的安全保障。

![image.png](https://static.downly.cn/images/e273d5ac61df5e9b21436527de0691c2.png)
<center>图源备注：图片由AI生成</center>

## 蚂蚁百灵开源新模型：大幅降低AI深度推理成本

蚂蚁百灵团队开源了两款高效思考模型——Ring-flash-linear-2.0和Ring-mini-linear-2.0，同时发布了FP8融合算子与线性Attention推理融合算子。这些创新旨在显著提升AI的深度推理效率，支持处理超长上下文，并通过架构与算子的协同优化，实现了性能的飞跃，有效降低了AI应用的推理成本。

![image.png](https://static.downly.cn/images/6e11b5f3c99c53106604b7dcb05a4a0f.png)
<center>图源备注：图片由AI生成</center>

## 快手KAT代码大模型发布：代码生成能力表现卓越

快手Kwaipilot团队正式发布了KAT-Dev-32B和KAT-Coder两款代码智能大模型。其中，开源的32亿参数模型KAT-Dev-32B在权威的SWE-Bench测试中，问题解决率高达62.4%，位列开源模型第五。该系列模型旨在提升开发者的编程效率，并推动代码智能技术在更多场景下的应用与发展。

![image.png](https://static.downly.cn/images/4356e5bdad5ddd919cc300e4edfdd7ad.png)
<center>图源备注：图片由AI生成</center>

## Moondream3.0惊艳登场：视觉推理超越GPT-5

新发布的Moondream 3.0预览版模型在多项基准测试中展现了卓越的性能。该模型采用高效的混合专家架构，仅激活2亿参数（总参数9亿），便在视觉推理能力上超越了GPT-5、Gemini和Claude4等顶尖模型，并支持高达32K的上下文处理，实现了视觉AI技术的重大突破。

![image.png](https://static.downly.cn/images/a08bd39fe0ddf40825c6fd82cc10daf3.png)
<center>图源备注：图片由AI生成</center>



每日AI资讯0929：巨头竞逐机器人赛道，多款AI模型迎来新突破



> 紧跟时代脉搏，洞见AI未来。本期资讯我们将一同见证AI技术如何在各个领域掀起新的浪潮，从苹果与Anthropic的历史性合作，到百度、网易等国内巨头在各自赛道上的AI功能革新，再到xAI、Nous Research等新生力量带来的颠覆性模型。无论是音乐推荐、文档翻译，还是编程辅助、差旅管理，AI正在以惊人的速度渗透并重塑我们的数字生活与工作方式。同时，AI教育领域的资本新动向和权威评测榜单的发布，也预示着一个更加智能、更加个性化的未来正加速到来。

## 苹果历史性牵手Anthropic！Claude Sonnet 4原生入驻Xcode
苹果公司正打破其传统的封闭生态系统，宣布与AI公司Anthropic达成合作，将强大的Claude Sonnet 4模型原生集成到其开发工具Xcode中。这一举措标志着苹果全面拥抱AI辅助编程时代的到来，将为全球超过3400万的开发者提供无需第三方插件的AI编程体验。此次合作不仅极大地提升了开发者的工作效率，也预示着科技巨头们在AI领域的竞争格局正转向更加开放和协作的新阶段。

![image.png](https://static.downly.cn/images/aa9541658ec9681f68a5ab43d12a3d6f.png)
<center>图源备注：图片由AI生成<center>

## 百度搜索AI再提速！全新模型让结果生成飙升5倍
百度搜索的AI助手功能现已全面上线全新的极速模型。通过自研技术的优化，尤其是在大模型推理环节的显著进步，搜索结果的生成速度实现了高达5倍的提升。与此同时，该模型的调用成本降低了70%，确保在为用户提供快速、准确信息的同时，也兼顾了效率与成本效益。

![image.png](https://static.downly.cn/images/27c636a83192bfec170651fd301b148a.png)
<center>图源备注：图片由AI生成<center>

## 打破语言壁垒 网易有道文档翻译向全民免费开放
网易有道宣布，其搭载自研“子曰”教育大模型的文档翻译功能，即日起向所有用户免费开放。该功能支持多达八种语言的互译，并特别针对金融、计算机、医学等专业领域进行了翻译质量优化，旨在为用户提供媲美全球顶尖水准的高效精准翻译服务，消除多语种交流的障碍。

![image.png](https://static.downly.cn/images/df2f049e3449f0340b2de6abb2b30889.png)
<center>图源备注：图片由AI生成<center>

## 一句话定制你的专属歌单 网易云音乐上线“AI推荐”新玩法
网易云音乐推出了一项名为“AI推荐”的全新功能，极大地改变了用户发现音乐的方式。 用户现在只需输入一句简单的描述，例如“适合加班提神的歌曲”，AI便能根据用户的听歌历史、曲风偏好和年代选择，实时生成一个专属歌单。 这一创新突破了传统关键词搜索的局限，让音乐发现和管理变得前所未有的轻松和个性化。

![image.png](https://static.downly.cn/images/d11c8969be4bd2e0018f733a2e099659.png)
<center>图源备注：图片由AI生成<center>

## AI配音革命来了 腾讯黑科技让机器秒变金牌说书人
腾讯ARC实验室发布了一项名为AudioStory的突破性技术，它能够根据用户提供的一句话场景描述，智能生成带有电影级音效的完整音频故事。这项技术彻底改变了AI音频生成的现状，让机器从简单的声音模仿进化到能够创作具有丰富叙事性和场景感的音频内容，解决了以往AI音频生成在整合复杂场景时的碎片化难题。

![image.png](https://static.downly.cn/images/170a6bd33d6d4b4ee508da9d7597f44d.png)
<center>图源备注：图片由AI生成<center>

## 编码效率再升级 xAI推出轻量级编程模型Grok Code Fast1
马斯克旗下的xAI公司于2025年8月28日发布了一款专为软件开发设计的全新大型语言模型——Grok Code Fast1。 这款模型以其快速、经济高效和卓越的推理能力为主要特点，采用了全新的轻量化架构，专注于提升速度和成本效益。目前，Grok Code Fast1已经在GitHub Copilot等多个主流智能编程平台免费开放使用，标志着xAI在AI编码助手领域迈出了重要一步。

![image.png](https://static.downly.cn/images/14e468ca6a00956183de94d563d969f9.png)
<center>图源备注：图片由AI生成<center>

## 挑战者入场！Nous Research发布Hermes 4模型 号称超越ChatGPT
Nous Research公司推出了一款名为Hermes 4的大型语言模型，并声称其性能可与顶级的商业AI系统相媲美，尤其在数学推理方面表现突出。 Hermes 4的一大特点是提供了前所未有的用户控制权和极少的内容限制，其设计旨在回应几乎所有用户的请求，这打破了许多商业AI系统的安全防护壁垒，也加剧了开源AI与大型科技公司之间的竞争。

![image.png](https://static.downly.cn/images/57d648d1950f2aebaaaa767ae33ca362.png)
<center>图源备注：图片由AI生成<center>

## 国产与海外大模型同台竞技 SuperCLUE最新多模态视觉榜单出炉
在最新的SuperCLUE-VLM中文多模态视觉语言模型8月测评基准中，Gemini-2.5-Pro以74.99分的成绩摘得桂冠，GPT-5(high)紧随其后。 该榜单基于中文应用场景，从基础认知、视觉推理和实际应用三个维度，对包括Gemini、GPT、Claude以及国内的ERNIE、Doubao、hunyuan、Qwen在内的15个主流模型进行了公正评估，展现了当前多模态视觉领域的竞争格局。

![image.png](https://static.downly.cn/images/29921c4fa2b458a50a2ea7af1c6a729b.png)
<center>图源备注：图片由AI生成<center>

## AI赋能儿童教育 奇点灵智获数千万元融资打造英语机器人伴侣
专注于儿童AI教育的北京奇点灵智科技有限公司宣布完成数千万元天使轮融资。 这笔资金将主要用于升级其核心的大模型和多模态智能教学系统，并进一步完善教育内容与硬件产品。 该公司由清华团队创立，旨在通过创新的场景化AI机器人伴侣，挑战传统的儿童启蒙模式，巩固其在儿童AI教育硬件领域的领先地位。

![image.png](https://static.downly.cn/images/d62c79fc500b73cb9c0a4729eb2d0215.png)
<center>图源备注：图片由AI生成<center>

## 出差报销进入AI时代 阿里商旅发布两大智能体
阿里商旅推出了一站式AI商旅解决方案，其核心是两大AI智能体：员工差旅智能体和企业管理智能体。 该方案旨在利用AI技术，通过智能化的推荐、预订、行程中服务以及为管理者提供决策支持，全面提升企业差旅管理的效率和员工的出行体验，让出差和报销流程变得更加个性化、高效和便捷。

![image.png](https://static.downly.cn/images/b291a19439bbcfce818f4ef758fd1b06.png)
<center>图源备注：图片由AI生成<center>

## 谷歌AI笔记工具NotebookLM再进化 视频概览功能支持中文
谷歌旗下的AI笔记工具NotebookLM对其视频概览功能进行了重大升级，语言支持从最初的仅限英语扩展到了超过80种语言，其中就包括中文。 这一更新极大地提升了NotebookLM的全球化服务能力和包容性，让更多国家和地区的用户能够享受到AI带来的便利。

![image.png](https://static.downly.cn/images/65f39daa142f2220b3a1e191eea3d7f4.png)
<center>图源备注：图片由AI生成<center>

每日AI资讯0830：重塑数字生活与工作边界的AI浪潮






> 导语 本期AI资讯聚焦模型能力的巨大飞跃与商业化落地的加速。Anthropic的Claude Sonnet 4将上下文窗口提升至百万级，打破了行业纪录。备受瞩目的智元机器人也正式开售其全系产品，将通用具身智能推向市场。同时，苹果秘密开发机器人操作系统的消息预示着科技巨头的新布局。此外，本期还将关注ChatGPT惊人的商业化变现能力、AI对就业市场的冲击、亚马逊平台泛滥的AI假书问题，以及xAI、谷歌和阿里巴巴在各自领域的最新动态。

## Claude Sonnet 4支持百万Tokens上下文 容量提升五倍
Anthropic公司宣布其Claude Sonnet模型迎来重大升级，上下文窗口容量从原有的20万token一举提升至100万tokens，容量提升了整整五倍。这意味着模型可以一次性处理约7.5万行代码或数十万字的文档，此前被认为是其“致命弱点”的短板现已得到彻底弥补。这一突破性的进展极大地增强了Claude处理长文本和复杂任务的能力，为代码分析、法律文书审阅和学术研究等领域带来了新的可能性。

![image.png](https://static.downly.cn/images/82e20325fd55c1c9b777c67043ed40f5.png)

## 智元机器人全系产品开售 精灵G1售价45万元
国内具身智能领域的明星公司智元机器人宣布，其全系产品已正式面向市场开售。产品线覆盖了文娱、科研、清洁等多个领域，其中，定位为“硅基员工”的远征A2和用于科研教育的精灵G1通用具身智能机器人备受关注，后者售价定为45万元。这标志着通用具身智能机器人正从实验室走向商业化应用，开启了AI与物理世界深度融合的新篇章。

![image.png](https://static.downly.cn/images/054f5f4524a1f0795df6b61c2dc87551.png)

## 苹果秘密开发全新操作系统“Charismatic” 剑指智能家居与机器人
据消息人士透露，苹果公司正在秘密开发一款代号为“Charismatic”的全新操作系统。该系统预计将首先应用于2026年推出的智能家居中枢设备，并计划在2027年用于其传闻中的桌面机器人。此外，该系统还可能集成到苹果的人脸识别智能门锁等安防硬件中。这一举动表明，苹果正加速布局智能机器人和下一代智能家居领域，试图打造一个更加无缝和智能的生态系统。

![image.png](https://static.downly.cn/images/b32c8ccf27bcad390556976d116ea50d.png)

## ChatGPT移动端收入突破20亿美元 商业化能力碾压竞争对手
自2023年5月推出以来，OpenAI的ChatGPT移动应用在全球范围内的消费者支出已累计突破20亿美元，创造了惊人的商业成就。据统计，仅2025年至今的收入就高达13.5亿美元，同比增长率达到惊人的673%。这一数据远超Claude、Copilot和Grok等主要竞争对手，其收入总和甚至不到ChatGPT的30分之一，充分彰显了其在AI应用市场的绝对领先地位和强大的吸金能力。

![image.png](https://static.downly.cn/images/a05f2bda7c996ed907f722820fc7aa63.png)

## Anthropic为AI引入“自保”功能 Claude可主动结束有害对话
为了保护AI模型自身的“心理健康”，Anthropic公司为其最新的Claude模型引入了一项创新功能。在面对极端罕见且持续的有害或辱骂性用户互动时，AI模型可以主动选择结束对话。Anthropic表示，此举并非为了保护人类用户，而是出于对AI潜在道德地位的不确定性而采取的保护措施。该公司还为此专门成立了“模型福利”研究项目，探索AI伦理的新边界。

![image.png](https://static.downly.cn/images/9e331bddb11b26999ddfe70388b95a24.png)

## AI假书泛滥 亚马逊被指成盗版温床
亚马逊平台正面临严重的AI生成假书问题。大量冒用名人，尤其是著名医生埃里克·托波尔名义出版的虚假食谱和健康指南充斥其网站。尽管托波尔本人多次举报，但收效甚微，凸显了亚马逊在内容审查方面的无力。这一现象已非个例，AI生成的大量低劣内容正在侵蚀知识产权和消费者信任，成为生成式AI发展过程中的一个重要警示。

![image.png](https://static.downly.cn/images/5c150cf303d3cba73cb3c3f60eace9ac.png)

## AI吞噬入门级岗位 就业市场面临严峻挑战
人工智能的崛起正对就业市场产生深远影响，尤其对入门级岗位构成了巨大冲击。一则引人注目的案例显示，一位GPA高达3.98的计算机科学专业学霸，在投递了2500份简历后，仅仅获得了10次面试机会。这一现象引发了广泛讨论，凸显了AI技术在替代重复性、初级性工作方面的趋势，也为应届毕业生的职业规划带来了前所未有的挑战。

![image.png](https://static.downly.cn/images/8ac77267c7f46dbdfbcb574761e180b8.png)

## xAI开启实时通话新纪元 AI伴侣Ani与Valentine上线电话功能
马斯克旗下的xAI公司宣布，其最新发布的AI伴侶Ani和Valentine现已支持实时的电话通话功能。用户可以直接拨打专属电话号码，与这两位AI进行自然流畅的语音互动。这项功能的推出，标志着AI交互从文本和简单的语音指令，迈向了更具沉浸感和人性化的实时通话阶段，为AI伴侣和智能助理的应用场景打开了新的想象空间。

![image.png](https://static.downly.cn/images/f1a176da6ac2244824639258d837d86b.png)

## 谷歌DeepMind开源Aeneas 用AI修复古代文本
谷歌的AI研究部门DeepMind开源了一款名为Aeneas的先进AI模型，专门用于分析和修复古代文本。该模型能够同时处理文本和图像信息，在修复古代铭文等受损文本的缺失字符方面表现尤为出色，其性能已经超越了现有的同类模型。Aeneas的开源将为历史学家、考古学家和语言学家提供强大的工具，帮助人类更好地解读和保护珍贵的文化遗产。

![image.png](https://static.downly.cn/images/cd949aa13ba64580d0a01049c375e8a5.png)

## 阿里发布经济型视觉推理模型Ovis2.5
阿里国际数字贸易集团（AIDC）的AI团队发布了经济型视觉推理模型Ovis2.5。该模型提供了9B和2B两种参数版本，其核心创新在于采用了NaViT视觉编码器，能够原生处理任意分辨率的图像，无需裁剪或缩放，从而完整保留图像的精细细节和全局结构。这一特性使其在处理图表、表格等结构化视觉内容时表现出色，旨在为多模态AI应用树立新的性能标杆。

![image.png](https://static.downly.cn/images/03c2c56e43d9069b5f2145351f8d3952.png)

每日AI资讯0818：Claude上下文窗口突破百万，智元机器人开售引领商业化浪潮

> 谷歌近日宣布，其下一代多模态大模型 Gemini 2.5 Pro 的预览版性能再次实现重大升级。新版本不仅大幅扩展了上下文窗口并提升了视觉推理能力，更在**高难度编码、科学推理和复杂逻辑等顶级基准测试中展现出卓越性能**，旨在为开发者带来更强大、更灵活的 AI 开发工具，加速创新应用落地。


谷歌近日在人工智能领域再次迈出重要一步，宣布对其旗舰级多模态大模型 **Gemini 2.5 Pro** 的预览版进行了一系列重大性能升级，最新版本为 Gemini 2.5 Pro preview-06-05。 此次更新不仅将模型的上下文窗口推向了前所未有的广度，更在**高难度编码、科学推理以及复杂逻辑等一系列严苛的基准测试中，展现出惊人的卓越表现**，旨在为全球开发者提供一个更加强大、灵活且高效的 AI 开发平台。
开发人员可以通过 [Google AI Studio](https://aistudio.google.com/app/prompts/new_chat?model=gemini-2.5-pro-preview-06-05) 和 [Vertex AI](https://console.cloud.google.com/vertex-ai/studio/multimodal?model=gemini-2.5-pro-preview-06-05&inv=1&invt=AbzWuw&project=gen-lang-client-0117595912) 在 Gemini API 中使用 2.5 Pro 的升级预览版开始构建，谷歌还增加了思考预算，让开发人员能够更好地控制成本和延迟。它也今天在 [Gemini 应用程序中](https://gemini.google.com/app)推出。
![image.png](https://static.downly.cn/images/5a19abbac5dc7a1026033738b0e340ad.png)

Gemini 系列模型自发布以来，便以其多模态能力和卓越性能备受关注。 而 2.5 Pro 预览版的这次升级，无疑是其演进路线上的一个重要里程碑，它将进一步拓宽 AI 在复杂任务处理和创新应用中的边界，尤其是在需要深层理解和推理的高难度领域。

### 挑战代码难题 AIME & AIDER 编码能力显著提升

Gemini 2.5 Pro 预览版在**高难度编码任务**中表现出尤为出色的性能。

*   **AIME 竞赛级别挑战** AIME（American Invitational Mathematics Examination）是美国一项针对高中生的顶级数学竞赛，其编程问题往往涉及复杂的算法和数学推理。 Gemini 2.5 Pro 在这一基准测试中展现出解决竞赛级别编程难题的能力，这表明其不仅能理解代码，更能进行高级的逻辑推断和问题解决。
*   **AIDER 自动化编程卓越** AIDER 是一个针对自主编程 Agent 的基准测试，要求 AI 在没有人工干预的情况下完成复杂的编程任务。 Gemini 2.5 Pro 在 AIDER 上的出色表现，彰显了其在自动化编程、代码调试和项目管理方面的巨大潜力，预示着未来 AI 辅助编程将达到一个新高度。

这些成果表明，Gemini 2.5 Pro 不仅仅是生成代码，更能理解并解决高层次的编程挑战。

### 深入科学推理 GPQA 科学洞察力惊人

在**科学推理领域**，Gemini 2.5 Pro 预览版在 GPQA（General Purpose Question Answering）基准测试中取得了令人瞩目的成绩。

![image.png](https://static.downly.cn/images/5c67226958b7b2fdeb8389fd0c2bf397.png)

*   **GPQA 挑战** GPQA 是一个集合了大学水平科学问题，并需要深入理解和多步骤推理才能解答的基准测试。 传统的 QA 系统往往难以应对这类需要深层语义理解和知识整合的问题。
*   **卓越的科学洞察** Gemini 2.5 Pro 在 GPQA 上的出色表现，表明其能够理解复杂的科学概念、推理科学原理，甚至从看似无关的信息中发现关联并得出科学结论。
*   **赋能科研探索** 这一能力将极大地加速科研工作，例如帮助研究人员综述文献、发现潜在的实验假设，甚至辅助进行数据分析。

Gemini 2.5 Pro 在科学推理上的进步，使其成为科学探索和知识发现的强大工具。

### 破解复杂逻辑 HLE 展现超强逻辑推理

在**复杂逻辑处理**方面，Gemini 2.5 Pro 预览版在 HLE（HumanEval with Logic Enhanced）基准测试中同样表现突出。

*   **HLE 逻辑深度** HLE 是一个增强版的编程基准测试，它在 HumanEval 的基础上增加了更多需要复杂逻辑推理和多步规划才能解决的问题。 这要求模型不仅要生成正确的代码，还要理解并应用更深层次的逻辑规则。
*   **超强的逻辑推理能力** Gemini 2.5 Pro 在 HLE 上的优秀表现，证明了其在处理多条件、多约束、多阶段的复杂逻辑推理任务时的卓越能力。 无论是软件工程中的复杂设计，还是日常决策中的多因素考量，模型都能展现出类人的逻辑分析和问题解决能力。
*   **提升自动化决策** 这对于需要高度逻辑一致性和自动化决策的场景，如自动化系统、金融分析或法律咨询，将带来显著的优势。

Gemini 2.5 Pro 在复杂逻辑方面的飞跃，预示着 AI 在解决人类高认知任务方面将达到新的高度。

## 未来展望 驱动AI迈向新智能

谷歌 Gemini 2.5 Pro 预览版的这次性能升级，不仅仅是技术上的突破，更是对未来 AI 应用发展方向的有力指引。 通过在这些顶级基准测试中的卓越表现，Gemini 2.5 Pro 证明了其在解决高难度、高复杂度任务方面的强大潜力。



*   **加速科研与探索** 科学家和研究人员可以利用其强大的上下文理解能力，加速对海量文献和数据的分析，发现新的洞察。
*   **革新内容创作** 创作者可以利用其多模态理解和生成能力，打造更丰富、更具互动性的内容。
*   **优化商业决策** 企业可以利用其深度分析能力，从复杂数据中提取价值，辅助智能决策。
*   **提升开发者效率** 开发者将拥有更强大的基础模型，能够更快地构建出更智能、更具创新性的 AI 产品和服务。

Gemini 2.5 Pro 预览版的这次升级，无疑将进一步巩固谷歌在人工智能领域的领先地位，并为全球开发者社区带来前所未有的创新机遇。 随着这些能力的逐步开放和应用，我们有理由期待一个更加智能、能够解决更复杂难题的数字未来。



谷歌 Gemini 2.5 Pro 预览版性能再升级

> 华为研究所近日发布了一项名为 Selftok 的创新技术，全称为“自一致性分词器”（Discrete Visual Tokens of Autoregression, by Diffusion, and for Reasoning）。这项技术旨在解决视觉模型在离散表征和推理能力上的挑战，有望为未来的图像生成、理解和推理模型带来新的突破。

## 什么是 Selftok

Selftok 是一种新型的视觉分词器，它致力于生成具有自一致性的离散视觉 token。传统的视觉分词方法往往会产生不连贯或不一致的 token，这会影响下游任务的性能。Selftok 通过整合自回归、扩散模型和推理能力，旨在生成更稳定、更具语义意义的离散视觉表征。

## Selftok 的核心技术

Selftok 的核心优势在于其独特的技术架构，它融合了多种先进的 AI 技术

### 自回归特性

Selftok 利用自回归的方式生成视觉 token，这意味着每个 token 的生成都依赖于之前生成的 token。这种特性有助于确保生成的序列具有一定的连贯性和上下文依赖性。

### 扩散模型集成

Selftok 结合了扩散模型的思想，通过逐步去噪的过程来生成高质量的视觉 token。扩散模型在图像生成领域取得了巨大成功，将其应用于视觉分词有助于提高 token 的质量和多样性。

![image.png](https://static.downly.cn/images/20250519031124.448196257.png)

### 增强推理能力

Selftok 在设计中考虑了对下游推理任务的支持。通过生成更具语义意义的离散 token，Selftok 有望提升视觉模型在图像问答、视觉推理等任务上的表现。


### Token 不一致性

许多现有的视觉分词方法生成的 token 缺乏全局一致性，导致在重构或下游任务中出现伪影或语义偏差。Selftok 通过其自一致性设计解决了这一问题。

### 低质量离散表征

生成高质量的离散视觉 token 一直是一个挑战。Selftok 通过整合扩散模型等技术，旨在生成更具代表性和信息量的离散表征。

### 有限的推理能力

传统的视觉分词方法生成的 token 往往不利于复杂的视觉推理。Selftok 通过生成更具语义意义的 token，为提升视觉模型的推理能力奠定了基础。

### 高质量图像生成

通过生成更稳定的离散视觉 token，Selftok 可以为自回归图像生成模型提供更好的输入，从而生成更逼真、更高质量的图像。

![image.png](https://static.downly.cn/images/20250519031258.971294402.png)

### 提升视觉理解与推理

Selftok 生成的自一致性 token 有助于视觉模型更好地理解图像内容并进行复杂的推理，例如在视觉问答、图像标注等任务中。

### 高效的视觉压缩

离散视觉 token 天然地适合用于图像压缩。Selftok 生成的高质量 token 有望实现更高效和无损的视觉信息压缩。

## 结论与展望

华为研究所发布的 Selftok 技术是视觉分词领域的一项重要进展。通过融合自回归、扩散模型和增强推理能力，Selftok 致力于生成自一致性的离散视觉 token，解决了现有方法的一些关键痛点。这项技术有望为未来的图像生成、理解和推理模型带来新的突破，值得业界持续关注。随着研究的深入，我们期待 Selftok 在实际应用中展现出更强大的潜力。

搜索结果: 视觉推理