模仿学习的老问题是「多峰动作分布」——两种都对的做法被回归平均成一种错的。Diffusion Policy 用条件去噪扩散直接建模动作分布，在 12 个任务、4 个基准上平均成功率提升 46.9%，此后 DP3、DPPO 相继跟进，π0 的流匹配与 GR00T 的扩散 Transformer 把它推成了 VLA 时代的标配动作头。

LeCun 的 JEPA 主张、DeepMind Genie 3、NVIDIA Cosmos 与李飞飞的 World Labs，讲清世界模型与视频生成模型的本质区别：一个产出录像，一个产出可交互、可预测的环境。

从 Sora 2 的音画同步到可灵 4.0 的 4K HDR 30 秒长镜头，盘点 2026 年视频生成模型的版本演进、能力边界与定价方式，并给出一套按场景选型的参考框架。

谷歌发布新一代世界模型 Genie 4，可根据文字指令实时生成可交互虚拟环境，支持实时音频与用户动态修改场景。

备案是中国生成式 AI 监管的主轴：算法备案与大模型备案双轨并行，2025 年 9 月起《人工智能生成合成内容标识办法》与强制性国标 GB 45438-2025 把显式/隐式标识义务落到像素级。本文面向开发者梳理法规层级、备案触发条件与落地清单。本文不构成法律意见。

Sora 基于扩散模型与 Transformer 架构，可直接从文本生成长达一分钟的高保真视频，展示了对物理世界'世界模拟器'式的理解潜力。

从 RT-2 把机器人动作当文本 token 输出，到 OpenVLA 开源 7B、π0 用流匹配跑到 50Hz、GR00T 与 Helix 转向双系统架构——本文梳理 VLA 模型三年的演进脉络：动作怎么表示、参数怎么变小、控制频率怎么上去，以及开源与闭源两条路线的分野。

端到端架构解决了「怎么开」，却顺手摧毁了旧的验证体系——模块没了，没法分模块打分；而真实路测里程的需求随性能提升指数增长。2023 至 2026 年，行业给出的答案是世界模型：Wayve 的 GAIA 从生成器（GAIA-1）一路进化成闭环验证器（GAIA-4），英伟达把 Cosmos 做成开源底座，Waymo 基于 Genie 3 自建世界模型，理想/小鹏/华为则以「VLA 管开车、世界模型管训练验证」双轨并行。本文拆解这条技术线的逻辑、格局与保真度之争。

Builder.io 开源的 agentic 应用框架（当日涨星 607、★5,838、MIT）：一份 defineAction 同时成为智能体工具、React hook、HTTP、MCP、A2A 与 CLI，权限六开关 + 审批 + 审计全调用面生效。拆解动作层架构、约 40 个停止条件的运行时与五个落地场景。

论文提出Ego2Act基准，包含来自110个真实任务的2,640段视频，用于评估视频生成模型在执行多步骤、目标导向操作时预测环境动态变化的能力，弥补现有基准偏重单一短动作的不足。

英伟达发布基于真实胆囊切除术录像训练的实时手术世界模型 Cosmos3-H-Dreams，可根据机器人运动学输入实时生成手术画面，用于手术机器人训练与研究。

作者实测生数科技新开放的 Vidu Q4 Preview，称其为高表现力旗舰视频生成模型，在人物情绪、运镜和复杂特效上相比前代有明显提升，试拍成本低至 0.09 元/秒。

UniWAM 提出统一架构，整合物理推理器、世界生成器与动作预测器，联合学习物理世界语义理解、视觉生成与动作预测，并配套了严格的数据清洗与标注流程。

IT之家 9 月 29 日消息，快手可灵 AI 宣布，Kling 4.0 将于 10 月正式上线。其中，Kling 4.0 Flash 于 9 月 28 日率先开放小范围体验。 据介绍，Kling 4.0 支持 4K、1080p 的 10-…

IT之家 10 月 11 日消息，《VRChat》开发商 VRChat Inc. 于 10 月 7 日公布了针对 AI 生成内容的应对方针，同步更新创作者指南。官方明确禁止使用 AI 生成误导性地图 / 角色缩略图，避免创作者利用与实际内容…

日本计算机娱乐协会（Computer Entertainment Supplier's Association ）的年度行业报告《Video Game Industry Report》显示，85.8% 的日本游戏开发者在工作中使用生成式 A…

IT之家 10 月 10 日消息，综合 BBC 报道，尼康宣布原本获得 2026 年 Small World in Motion 显微视频竞赛一等奖的作品因“不符合赛事关于生成式 AI 的相关规定”，因此取消其获奖资格。根据更新后的比赛排名…

IT之家 9 月 20 日消息，据外媒 Insider Gaming 报道，近期有玩家发现《漫威金刚狼》中一处厕所标识存在异常，其中男性图案一侧看起来像有两个人形重叠，因此有玩家怀疑该素材由生成式 AI 制作。 对此，Insomniac G…

从 Peebles 与谢赛宁的 DiT 论文到 Sora 的时空 patch，讲清 Diffusion Transformer 的三个关键设计：patch 化、adaLN-Zero 条件注入与以计算量为标尺的可扩展性。

中国互联网络信息中心发布报告称，截至 2026 年上半年我国生成式 AI 用户规模超 7 亿、普及率超 50%，智能问答为最主流使用方式，智能算力规模同比大增 177%。

IT之家 9 月 18 日消息，腾讯 WorkBuddy 宣布，WorkBuddy 5.5.6 上线全栈「应用」生成能力，首期支持全栈网页应用生成： 自带云数据库、文件存储、注册登录和 AI 调用 ，免部署，发布即用。 据介绍，WorkBu…

检索增强生成的核心流程：向量化、检索、重排与生成

北卡罗来纳州男子 Michael Smith 用数千个机器人账号循环播放数十万首 AI 生成歌曲骗取流媒体平台数百万美元版税，成为美国首位因 AI 辅助流媒体欺诈被刑事起诉并被判刑 18 个月、没收 800 多万美元的人。

IT之家 10 月 7 日消息，谷歌公司昨天宣布，其 AI 生成内容检测网站 SynthID 已面向全球用户开放，用户可使用该产品检测图片、视频或音频是否由 AI 生成。 据介绍，该网站使用 SynthID 识别媒体内容是否由 AI 生成。…

AI 写代码引入了三类新安全面：约两成 AI 建议的包名并不存在（攻击者开始抢注这些「幻觉包名」，术语叫 slopsquatting）、仓库里的恶意注释能劫持编码智能体、生成代码自带老漏洞。本文拆解三类风险的机制与防御清单。

「感觉变好了」不算数。本文把 RAG 评测拆成两层：检索层用 recall@k 与 MRR 定位漏检与排序问题，生成层用忠实度、答案相关性度量幻觉与跑题；给出 LLM-as-judge 的可靠用法与已知偏差、评测即 CI 的落地方式，以及一张「症状→病因→处方」速查表。

IT之家 10 月 2 日消息，德国 AI 公司 Black Forest Labs 今天（10 月 2 日）发布公告，宣布推出图像生成 AI 模型 FLUX 3 Image，**支持生成最高 4K 分辨率图片，输出画面在放大后仍保持丰富细…

中国互联网络信息中心（CNNIC）发布了《生成式人工智能应用发展报告（2026）》，截至 2026 年上半年，我国生成式人工智能用户规模突破 7亿 人，普及率超 50%。76.0%的 用户表示自己会让生成式人工智能回答问题；使用生成式人工智…

微软发布新一代图像模型 MAI Image 2.7，第三方评测中排名仅次于 OpenAI 的 GPT Image 2.5 Sunburst。

直接让网络输出一张合理的图像为什么难？扩散模型把「一步生成」反转成「多步去噪」：前向加噪提供训练素材，反向网络一步步剥离噪声，文本经 cross-attention 指挥去噪方向。本文讲清这套机制的完整逻辑，并对比扩散与自回归两条路线。

众多大型自由软件开源项目近期都在讨论如何处理 AI 生成代码，其中包括了两大桌面环境 KDE 和 GNOME。两位近期没有贡献的 KDE 知名开发者在 KDE 年度 Akademy 大会上发表了 lovable, sovereign, AI…

IT之家 9 月 20 日消息，阿里千问今日宣布，开源千问图像系列当前兼顾生成效果、推理效率与使用成本的开源图像模型 Qwen-Image-2.1。 Qwen-Image-2.1 将文生图与图像编辑整合在同一模型中，视觉生成部分仅有 7B …

PAMI受霍夫变换启发，通过多个身体部位锚点对物体运动进行投票定位，并用PamiVAE学习交互潜空间，以解决文本驱动的全身人物-物体交互生成中物体漂移、接触缺失和穿透问题。

当日涨星 1397 的开源项目：不是又一个简历生成器，而是一套跑在 Claude Code 上的求职操作系统——drafter-reviewer 双智能体、双门五维评分、PDF 编译验证循环与 ATS 文本层检查，全部资产在本地。

Together AI 开源的设计 Skill，把「反 AI 味」设计规范写成 16 条硬 Floor、71 组分级 Gate 和 4400 行零依赖 linter，v2 从零重写后单日涨星 567，是当下最值得读的「提示工程工程化」样本。

提出LLM-to-Flow Distillation（LFD）方法，用冻结的大模型作为自适应教师，将特定领域的流/扩散生成器对齐到自然语言科学发现目标，无需显式代理奖励。

论文提出Long-WAM框架，在实时控制约束下扩展因果世界-动作模型的视觉历史上下文，发现自回归预训练的视频基础模型才能让更长历史带来收益，在RoboCasa GR-1上将成功率从63.3%提升到78.7%。

QuadTok 提出基于四叉树的视觉分词方法，对复杂区域动态分配 token、对均匀区域用粗分辨率，在 ImageNet 上节省约 10% token 并在 COCO 零样本迁移时节省 9%，且树结构天然支持自回归图像生成。

生成一条好看的视频已经不难，难的是让同一个人跨镜头不「变脸」、让画面里的世界遵守物理。盘点各家的参考生视频、LoRA 微调、推理优先架构等方案与仍然存在的短板。

论文提出 WEDGE 框架，利用预训练导航策略的失败轨迹，通过 LLM 提出并验证弱点特征，据此生成针对性训练环境以提升智能体适应能力。

论文提出 VITAL 动作分词器，将视觉推导的运动骨架与紧凑的残差编码结合，把视觉运动作为主要预测目标，以提升世界-动作模型中厘米级精度的驾驶动作预测。

针对生成内容音画不同步问题，论文提出包含8万条专业同步评分的SyncReward-Data-80K数据集、SyncReward-Bench基准及同步感知奖励模型，覆盖语音、发声、乐器、环境声四类声音事件。

文章提出 Next-Concept Modeling（NCM），通过多尺度残差 VQ-VAE 将文本编码为层级离散码，再由 transformer 逐层并行生成，在 LM1B 上以更强生成困惑度超越扩散语言模型基线并提速 21 倍。

BigCell 在超过 12 万张公开 WSI 上训练 2048×2048 的 flow-matching transformer，首次实现原生千兆像素分辨率的全切片病理图像生成，并可通过病理基础模型嵌入进行条件控制。

论文提出生成感知潜空间压缩方法 GRACE，旨在解决高压缩率视频自编码器训练困难及压缩潜空间与预训练 DiT 分布不匹配的问题，从而加速视频扩散模型推理。

论文提出UltraText Bench，一个包含432条中英双语提示、覆盖24类真实场景和三个难度等级的基准，用于评测纯提示生成密集视觉文本的表现，并使用Q-Judger视觉语言模型从文本保真度、清晰度和空间质量等维度打分。

提出Tetris3D框架，通过将每个物体的生成条件化于周围物体几何与物理关系，实现单图像3D场景重建中几何与物理一致的场景生成，并发布含120万个物理交互场景的ComOb数据集。

Vela 提出用连续轨迹（样条参数化 + 运动相关的时间支撑）替代固定速率动作块来表示机器人未来行为，并通过共享动作接口支持异构本体，使固定输出预算能自适应分配。

马里兰大学与AWS的LEGO-Anything项目让编码智能体根据单张照片逐步编写并优化Blender程序生成可编辑3D场景，配套基准显示其在自我评估和几何精度方面仍存在不足。

提出两阶段后训练框架 Salt++，通过因果自流（CSF）和上下文对齐的自回归 DMD，解决少步流式音视频生成中上下文相关难题。