文本之外的能力：视觉理解、图文混合、音视频输入输出的模型与产品进展。
这篇文章的核心判断是：中国把 AI 用进了工厂车间，美国还在把 AI 当实验室项目。中国已建成 3 万多家智能工厂，2024 年全球新装的工业机器人超过一半进了中国工厂。极氪宁波工厂用了 800 多台机器人，小米北京工厂每 76 秒就能产一辆车，美的荆州工厂用 AI 把产线响应时间从几小时压到几秒。这些 AI 不是写诗画画，而是做视觉质检、生产调度和预...
推荐理由：这篇不是讲模型，是讲工厂里机器人、调度和质检的落地差距。我会先打个折：正文没披露3万多家智能工厂的具体认定标准，也没说美国18%这个数字的样本来源，所以数据力度要留个心眼。但极氪800多台机器人、小米76秒节拍这些车间数字是实的，对比美国三分之二试点推不向量产，差距感很直观。对看产线落地的人，这篇比模型跑分更有参考价值。
32 岁的 Patrick Darling 在确诊渐冻症两年后，用 AI 克隆了自己的歌声，2 月 11 日在伦敦重新和乐队一起演出。他的声音克隆不是用录音棚素材做的，而是从嘈杂的手机视频和厨房录音里拼出来的，ElevenLabs 的音乐工具花了大约六周调校。这件事的信号不在感人，在于门槛：ElevenLabs 把工具免费开放给因渐冻症等疾病失声的人，...
推荐理由：我会先打个折：这不是模型或产品大更新，而是一个应用案例。但案例本身够硬——ALS 患者用旧录音唱歌，不是概念演示，是真实上台。正文给了两个关键条件：10 分钟清晰语音和 6 周从噪音片段里抠出歌声，说明门槛和代价。ElevenLabs 把这个流程做成免费项目，但正文没披露底层模型细节，这点先别太激动。整体看，故事性强、有可复现信息、踩中声音权利话题，适合放低 featured。
OpenAI 发了一篇工程博文，解释他们怎么解决 Codex 和 Sora 用户老撞速率限制的问题。核心做法是自研了一套实时访问引擎，把速率限制和预购点数揉在一起：请求先走免费速率额度，额度用完了自动从点数余额里扣，用户不用切换系统。文章说这套“决策瀑布”模型能在一个请求里同步完成判断，点数扣减异步处理，并且有三套独立数据（产品用量、计费事件、余额变动...
推荐理由：这是 OpenAI 官方的产品更新，标题抛出了“超越速率限制”这个钩子，对开发者来说很抓眼球，所以 H 和 R 都成立。但正文完全没披露具体怎么调、调多少、谁受益、花多少钱、什么时候上，信息密度极低，K 不成立。我会先打个折，把它放在 featured 底线，等后续有参数再重新评估。
微软说截至 2025 年 4 月的一年里，他们拦下了 40 亿美元的诈骗和欺诈交易，其中很多可能靠 AI 生成内容帮忙。研究人员估计现在至少一半的垃圾邮件是用大语言模型写的，用大模型搞针对性邮件攻击的比例也从 2024 年 4 月的 7.6% 涨到了 2025 年 4 月的 14%。先别急着脑补“全自动 AI 黑客”，眼下真正的问题是 AI 把钓鱼、换...
推荐理由：这篇不是那种“全自动 AI 黑客来了”的标题党，它把焦点拉回到已经发生的事：钓鱼邮件、深伪、恶意代码生成，AI 在降低犯罪成本。数字有，但正文没披露这些攻击的总体增幅，所以判断要收着点。适合放进精选，因为它是一份有数据支撑的趋势报告，不是当天炸出来的事件或产品发布。
千问推出了新一代图像生成基础模型 Qwen-Image-2.0。现在可以在阿里云百炼上申请 API 测试，也能在 Qwen Chat 上免费试用。不过正文没披露模型参数量、具体定价、评测跑分和正式公开时间，所以实际效果和成本还不好判断。
推荐理由：千问发了个新的图像生成基础模型，百炼 API 邀测和 Qwen Chat 免费体验都开了，HKR 三项全中：有实际可用的产品信号、有明确的接入路径、对国内模型用户有直接参考价值。没给到 78 分以上是因为正文缺了模型大小、价格这些关键信息，我会先打个折。
MIT Technology Review 的这篇文章直接点出一个反直觉的发现：我们过去对 AI 造假危机的想象，可能全偏了。作者拿自己上周的报道举例——美国国土安全部首次被确认在用 Google 和 Adobe 的 AI 视频工具做面向公众的宣传内容，配合特朗普政府的移民执法造势。文章指出，我们原本指望靠 Adobe 的“内容真实性倡议”这类标签工具...
推荐理由：这篇不是空对空的评论。它先拿国土安全部用 Google 和 Adobe 视频生成器做公开内容这件事当引子，然后拆了两个标签系统的实际漏洞，最后用 Communications Psychology 的论文把问题钉死：受试者明知认罪视频是 deepfake，还是会据此判断有罪。信息链条完整，判断都挂在事实和论文上，没有补设定。我会先打个折，因为它本质还是评论加一篇论文，不是当天能震动行业的硬事件，但对正在搭安全流程的团队来说，这篇值得一看。
斯坦福和印第安纳大学的研究人员扒了 Civitai 这个 AI 内容交易平台的数据，发现从 2023 年中到 2024 年底，平台上 90% 的深度伪造悬赏（bounties）都指名要生成真实女性的假照片。这些悬赏主要求购一种叫 LoRA 的指令文件——你可以把它理解成给 Stable Diffusion 这类主流生图模型用的“风格补丁”，能让模型画出...
推荐理由：这篇调查把 Civitai 上的深伪滥用做成了一个看得见的市场账本。我会先打个折：数据只覆盖到 2024 年底，平台 2025 年 5 月才全面封禁，时效性上不是最新变动，但那些硬数字——90% 针对女性、86% 要定制 LoRA、单笔几美元、九成多已结单——把“需求有多集中、门槛有多低”讲得很清楚。对从业者来说，值得盯的不是个案，是平台把生成教程、支付和撮合串成一条流水线，封禁后旧货还在流通，这比单纯托管内容麻烦得多。正文没披露 Civitai 或投资方 a16z 的回应，也没给出封禁后的下架率，所以判断先停在“治理缺口明显”这一步。
一份 DHS 公开的 AI 工具清单显示，他们正在用 Google Veo 3（视频生成）、Google Flow（整合了 Veo 3 的剪辑工具）和 Adobe Firefly 来制作和编辑对外发布的视频内容，估计有 100 到 1000 个使用许可。这算是第一次有书面证据表明，移民执法部门在社交媒体上发的那些看着像 AI 做的视频，背后可能用的就是...
推荐理由：这条消息的冲击力在于，一个联邦机构已经不只是内部试用，而是把生成视频工具写进了对外内容制作的流程里。100 到 1000 份许可的估算说明规模不小，但正文没披露具体项目、发布时间或单条视频归属，所以实际落地到什么程度还看不清。我会先打个折，不把它推到更高等级，因为缺少可验证的产出案例。真正值得盯的是跨平台水印和内容溯源目前没法验证，这点先别太激动，但确实是个持续的风险敞口。
苹果买下了一家叫 Q.ai 的以色列公司，他们做的技术是通过分析面部肌肉的细微动作来理解人在说什么——哪怕不出声。收购价格、团队规模和具体会用在苹果哪款产品上，正文都没披露。我会先打个折：目前能看到的只是彭博社的摘要片段，原文被付费墙挡了，所以细节有限。从已知信息推测，这项能力最可能被塞进辅助功能（比如帮语言障碍者沟通）、AirPods 的交互，或者 ...
推荐理由：Bloomberg 的信源给了这条消息 featured 的底气：苹果买无声交流视觉技术，话题性和关联度都够。但正文没给交易金额、团队规模和集成路线图，所以知识密度偏弱。我会先打个折，等后续有产品落地细节再往上调。
Kimi 这次发布的重点不是 K2.5 模型本身，而是它同时推出了一个基于该模型的智能体应用，直接在官网上线了。这跟 Manus 的做法正好相反：Manus 用的是 Anthropic 的 Claude 模型，自己只做上层的智能体产品，属于分层开发。Kimi 走一体化路线，把底层模型和上层应用打包发布。文章实测了 K2.5 智能体的“视觉编程”功能，上...
推荐理由：这篇值得看，因为它讲的是产品形态的转向，而不只是模型跑分。Kimi 这次把 K2.5 模型和 Agent 模式一起塞进官网切换入口，等于告诉用户“你不用管底下是什么，直接用就行”。1500 步操作和 100 个 Agent 并发的数字，说明他们在长任务和并发上做了工程投入；视觉编程那条路，是从设计稿或录屏直接出页面，想法挺直接。但我会先打个折：正文没写价格、上下文长度和 API 条件，这些才是工程落地的硬指标。另外消息源本身是评论性质，不是一手技术报告，所以判断要留余地。整体来说，它把“一体化还是分层”这个老问题又拉回台面上，对做 Agent 产品...
英国高级研究与发明署（ARIA）从 245 份提案里挑了 12 个项目，给每个团队约 50 万英镑（大概 67.5 万美元），让他们在九个月内做出能独立跑通“提假设—做实验—分析结果—再迭代”这套完整科研闭环的 AI 系统。ARIA 管这叫“AI 科学家”，说白了就是让大模型调用现有工具去干活，人类只负责定方向和监督。这次资助金额比 ARIA 平时给的...
推荐理由：英国 ARIA 这次不是撒概念，是真金白银选了 12 个团队做“AI 科学家”——系统要能自己提假设、设计实验、跑实验、分析结果再循环迭代。我会先打个折：目前获资助的项目主要还是调用现成工具，离全自动实验室还远。正文引了一项外部研究，说大模型代理跑完整科学流程的失败率有 75%，这点先别太激动。真正值得盯的是有没有团队做出可复现的实验闭环，而不是新闻稿里的热度。
阮一峰记录了1月10日北京一场闭门会上几位大模型负责人的发言。智谱唐杰说，对话式AI的范式基本到头了，下一步是让模型真正做事，他们把编程、智能体和推理能力整合在一起。阿里林俊旸坦言，美国可用的算力比国内大一到两个数量级，人家拿算力搞下一代研究，我们光交付就占掉绝大部分资源；他判断三到五年后全球最领先的AI公司是中国团队的概率只有20%。腾讯姚顺雨观察到...
推荐理由：这篇周刊摘录了一场闭门峰会的发言，把智谱、阿里 Qwen 和腾讯 AI 负责人对中国大模型路线的判断摆在一起。我会先打个折：它不是一手发布，是二手整理，所以分数没往更高走。但它的好处是给了具体数字和分歧点——唐杰押注 2025 年是 RLVR 爆发年，林俊旸押多模态基础智能体，姚顺雨强调企业愿意为强模型付 200 美元月费，林俊旸还给出中国团队 20% 概率诞生全球最领先 AI 公司。这些判断有可验证的时效，不是公关口径，对从业者判断方向有参考价值。
今年 CES 来了超过 14.8 万人、4100 多家参展商，中国公司占了将近四分之一，在 AI 硬件和机器人区域尤其扎堆。作者临时决定去现场，结果发现中国厂商已经不只是“便宜量大”的路子——家用清洁机器人在美国市场把 Dyson 和 Shark 的份额抢得很凶，庭院设备也大多来自深圳，外观做得让人看不出是中国品牌。人形机器人展台围满了人，宇树甚至搭了...
推荐理由：这篇是 CES 现场观察，核心判断是：中国科技公司的乐观来自制造和供应链的迭代速度，不是单点技术突破。文章用 14.8 万参会者、4100 多家参展商、中国展商近四分之一这些数字撑住了场面感，也把联想 Qira、Nvidia Vera Rubin、AMD Helios 这些产品拉出来，说明竞争焦点正转向云端和混合 AI。我会先打个折：正文没给出货量、营收或订单数据，所以判断还停在趋势信号层面，但作为行业风向标，这篇值得一看。
何小鹏在 2026 年 1 月 8 日的新车发布会上说，未来最好的 AI 公司都会选择自己定制芯片，这决定了 AI 产品的性能上限。小鹏当天发布的四款新车全部用上了自研的图灵 AI 芯片，其中 Ultra SE 和 Ultra 版本还搭载了第二代 VLA 模型（视觉-语言-动作模型，让车能像人一样理解路况并做出驾驶决策），号称能实现初阶 L4 级辅助驾...
推荐理由：这篇不是空喊口号，而是用4款车、三档芯片配置和欧洲路测把路线图摊开了。我会先打个折：这还只是规划披露，不是已量产交付的事实，所以放在featured里偏保守的那一端。真正值得盯的是“自研芯片+自研模型+自建部署”这条链条，它把性能天花板从供应商手里拿回来了，对行业比单一产品发布更有长期影响。
NVIDIA 在 CES 上放出了一套本地 AI 视频生成方案，核心是开源模型 LTX-2 和升级版 ComfyUI。在 GeForce RTX 显卡上，生成速度比之前快 3 倍，显存占用最多能降 60%。这主要靠 PyTorch-CUDA 的底层优化，以及 ComfyUI 原生支持了 NVFP4/FP8 低精度计算。下个月还会推一个 RTX Vide...
推荐理由：我会先打个折：这是厂商博客发的生态优化更新，不是新模型发布或平台级变动，所以重要性停在 76 不动。但 HKR 三项都站得住——提速降显存的数据够具体，技术路径也交代清楚了，对玩本地 ComfyUI 的人来说是实打实的好消息。正文没提 LTX-2 模型本身的画质对比，这点先别太激动，等实测。
NVIDIA 在 2026 年 1 月 5 日放出了一批新的开源模型和数据集。语言模型方面，有 Nemotron 系列的新成员，专门做语音、外挂资料库（RAG）和安全对齐；还有一个叫 Alpamayo 1 的模型，正文没具体说它擅长什么。物理 AI 这边，Cosmos 系列更新了 Reason 2、Transfer 2.5 和 Predict 2.5 ...
推荐理由：NVIDIA 这次不是发一篇通稿，而是把 Nemotron、Cosmos、GR00T、Clara 几条线的模型、数据集和工具一起开源了。我会先打个折：所有信息都来自厂商自己，没有第三方验证，实际可用性还得看后续社区反馈。但光看披露的数字——10 万亿 token 文本、50 万条机器人轨迹、100TB 车载数据、45.5 万个蛋白结构——规模确实够大，而且覆盖了代理、物理 AI、自动驾驶和生命科学几个热门方向。具体到模型，Nemotron Speech 做语音、Cosmos Reason 2 做推理、GR00T N1.6 做人形机器人、Alpama...
华为云AI算法创新Lab前主任朱森华2025年10月离职，创办了具身大脑公司“具脑磐石”，两个月内拿到数千万元种子轮融资，投资方包括乐聚机器人等。朱森华是脑神经科学博士后出身，团队想做的是用脑认知启发的方式改造现有的具身智能VLA模型——相当于给机器人视觉-语言-动作模型加一套算法“外挂”，模仿人脑的抽象概念学习和选择性注意力机制，目标是减少对海量数据...
推荐理由：这条值得放进精选。前华为云具身负责人出来单干，拿了数千万种子轮，故事本身就有信息量。公司说用脑认知的思路改VLA，原型数据挺好看：部署效率+40%，数据需求-90%。我会先打个折，因为全是公司自报，没有公开基准测试、客户数或规模化部署数据。正文没披露具体技术细节和验证规模，这点先别太激动。但它的商业路径说得清楚——先做外挂、先打亚太商服和工业场景，海外客户甚至接受只替代50%-70%人力，这个务实程度在具身智能创业里不多见。
Mistral 发布 Mistral OCR 3，在表单、扫描文档、复杂表格和手写内容上相对 Mistral OCR 2 取得 74% 的整体胜率，并称准确率超过企业文档处理方案和 AI 原生 OCR 方案。
推荐理由：Mistral OCR 3 在表单、手写和复杂表格上的升级与每千页 2 美元的定价，可供评估文档解析方案时参考。
OpenAI 在 12 月 16 日上线了新版 ChatGPT 图片功能，底层换了一个新的主力生图模型，API 里叫 GPT Image 1.5。官方说生成速度比之前快 4 倍，编辑图片时能更精准地只改你要求的部分，保留原图的光线、构图和人脸一致性。这次还加了一个独立的图片创作入口，内置了一些预设风格，不用写提示词也能玩。正文没披露具体画质指标、免费用...
推荐理由：OpenAI 官方发了个上线帖，所以 H 和 R 都成立：新图片功能是真实的产品事件，从业者肯定会讨论。K 不成立是因为正文没披露任何关键参数，连一张效果图都没有，信息量撑不起深度解读，所以保持在 featured 门槛附近。
OpenAI 官方发了一篇公告，宣布迪士尼成为 Sora 的第一个大型内容授权方。协议为期三年，Sora 和 ChatGPT 图片生成功能会拿到超过 200 个迪士尼、漫威、皮克斯和星球大战的角色授权，包括米奇、艾莎、钢铁侠、尤达等，但不含真人演员的脸或声音。用户可以用这些角色生成短视频和图片，部分视频还会被选进 Disney+ 里播放。迪士尼同时会成...
推荐理由：这条消息我会先打个折——目前只有标题，正文是空的，所以能聊的其实不多。但“迪士尼角色进 Sora”这个组合本身就够有话题性：一方面它天然吸引点击，另一方面大 IP 直接接入视频生成模型，版权怎么谈的、合规怎么过、会不会变成内容军备竞赛，都是从业者会立刻想到的问题。信息缺口很明显，角色范围、上线时间、授权条件全都没披露，所以现在只能把它当做一个信号，别急着下结论。