沿着一个主题，追踪新的事实与后续进展。
WhatsApp 已在部分 iOS 测试版用户中上线由 Meta AI 驱动的照片扩展功能，支持用户通过捏合或拖动操作实现图像边界智能延展，生成自然衔接的扩展内容。该功能目前处于 TestFlight 测试阶段，未来有望全面推广。
凤凰网科技讯 北京时间11月5日消息，据科技媒体The Verge报道，OpenAI推出新一代图像生成模型Images 2.6，并为ChatGPT增加原生GIF动画生成功能。用户只需输入文字描述或上....
智东西（公众号：zhidxcom）作者 | 陈骏达编辑 | 云鹏OpenAI的图像生成模型，能直出动图了！▲图源：X平台智东西11月5日报道，今天，OpenAI发布新一代图像生成模型Images 2.6。此次升级主打两个方向：一个是生成更快、编辑控制更细，另一个就是首次支持直接生成GIF动图和SVG（矢量图，常用于嵌入网页）导出。按OpenAI给出的...
11月4日晚，苹果AI国行版启动Beta测试，得物App作为首批应用之一，实现与iPhone系统层面的深度打通。用户可通过iPhone相机拍摄商品，利用视觉智能功能直接获取得物平台的商品搜索、详情、价格走势、AI解读及用户评价等全链路信息，并一键跳转至商品详情页，完成从图像识别到购买决策的高效闭环。此举标志着端侧AI与垂直电商生态融合进入实际应用场景阶段。
11月4日，腾讯混元发布最新一代大语言模型Hy4，同时宣布模型权重将于近期开源。Hy4是Hy系列第一个引入视觉理解能力的模型，可以完成细粒度图像处理、复杂图表分析和数学视觉推理。Hy4最大特点就是“长”。混元官方表示，相较于Hy4 preview，Hy4预训练和后训练上显著扩展了数据和训练规模，大幅提升指令遵循、长文理解、长程智能体等综合效果。办公场景，Hy4在WorkBuddy的平均效果得分83.18分，任务通过率96.15%，12个场景里9个排名国内第一。金融场景，混元联合腾讯金融科技FiT找了213位专家做众测，其中153位来自外部头部金融机构，579个真实金融任务跑下来，综合表现位居开...
普林斯顿大学AI Lab推出SSoN空间智能基准测试，通过四张静态室内图像识别异常图来评估AI的三维空间理解能力。测试显示人类准确率达83.3%，而主流视觉语言模型最高仅39.7%，多数表现低于随机基线。研究发现模型在几何推理、解释逻辑和空间一致性方面存在显著缺陷。干预实验表明，定向监督微调可显著提升模型表现，验证了通过针对性训练改善AI空间智能的可能性。
智东西（公众号：zhidxcom）作者 | 李水青编辑 | 心缘智东西10月31日消息，刚刚，阿里巴巴宣布与苹果达成合作，将千问（Qwen）集成至苹果智能（Apple Intelligence），中国用户可以在Siri、写作工具及视觉智能中，直接调用千问的文本与图像理解、内容生成等能力。这些功能将于11月4日起随最新的iOS开发者Beta版开放测试，并...
arXiv:2610.37844v1 发布类型：新 摘要：在形态学分析中，计算医学图像之间的最优传输映射具有基础性作用。然而，现有方法要么难以扩展至大型三维医学图像，要么依赖于正则化形式，只能提供近似的传输映射。为提高下游医学图像分析的准确性，我们提出了一种新颖的方法，通过参数化凸势函数来估计最优传输映射。根据构造，所得的传输映射必定无旋，符合布雷尼耶定理。我们在二维和三维医学影像数据集上对该方法进行了评估。实验结果表明，我们的方法能够实现更低的传输估计误差，并生成更高q
现在，您可以在 GitHub Copilot 中通过自然语言生成和编辑图像。当您请求生成图像时，所选的推理模型会调用由……驱动的专用图像生成工具。文章《直接在 Copilot 中生成和编辑图像》首发于 GitHub 博客。
IT之家 10 月 28 日消息，微软昨日（10 月 27 日）发布公告，宣布推出 MAI-Image-2.7-Preview 模型。微软人工智能首席执行官穆斯塔法 · 苏莱曼（Mustafa Suleyman）自豪地宣布：“MAI-Image 现在是全球排名第二的图像编辑模型！”苏莱曼在推文中写道，基于 Artificial Analysis 的图像编辑榜，微软的 MAI-Image 系列模型再...
Property Finder 发现，其视觉AI评估标签中有96.8%源自现有模型，这掩盖了该模型的真实准确率。了解他们如何构建无偏的真值数据、实施进化式提示优化，并在 Amazon Bedrock 上选择了一款更精准且更具成本效益的模型，从而在11项图像质量指标上将成本降低了86%。
arXiv:2610.33065v1 发布类型：新 摘要：由于头皮记录存在噪声、空间分辨率较低，且在不同试验和受试者之间具有较大差异，脑电图（EEG）的视觉解码仍然十分困难。大多数系统将每次试验与一个密集的图像嵌入对齐，然而该嵌入同时混杂了语义内容以及与具体实例相关的纹理、姿态和背景信息。这种做法往往需要EEG本身并不具备的细节信息，且未能明确说明支持预测的视觉因素。我们提出\textbf{ProtoEEG}，一种基于原型的框架，它将EEG与图像的对齐问题重新表述为在共享的可学习视觉码本之上进行软性组合。一个可训练的EEG编码器与一个冻结的视觉教师共同生成针对同一$K=64$个原型的分配分布。它们的加权重构构成了一种结构化的表征
arXiv:2610.33063v1 发布类型：新 摘要：部署后的视觉模型会自动接受置信度较高的预测，因此高置信度错误会在不知不觉中传播。作为标准的故障预测指标，最大 softmax 概率（MSP）存在一个结构性盲点：作为一种从分类器头部读取的标量，它对与其置信度梯度正交的特征变化在一阶上是“视而不见”的。通过对特征空间检测器进行因子分析，我们发现了一条条件冗余原则，用以解释为何这些检测器无法有效补充 MSP：它们所衡量的类别可分性几何结构实际上早已被编码在 MSP 中，并且在融合后会完全失效。最终幸存下来的信号，是位于流形外残差上的类别条件典型性——而由于这一残差的分布因骨干网络的不同而异，从接近高斯分布到重尾分布不等。
arXiv：2610.33062v1 发布类型：新 摘要：统一的大型多模态模型（ULMMs）能够通过交错进行的文本-图像生成来执行视觉推理，但生成显式的中间图像会带来显著的计算开销。尽管视觉潜在推理可以解决这一问题，但现有方法大多依赖于无法进行视觉生成的视觉-语言模型（VLMs）。我们提出了一种名为Oddin的新框架，能够在ULMMs中实现潜在的视觉推理。Oddin用紧凑的潜在标记取代中间图像，这些标记完全由理解分支处理，而生成分支则专门用于生成最终输出图像。我们通过离线自蒸馏训练该模型，包含三项优化目标：最终图像生成损失、文本蒸馏损失以及交叉熵损失，用于
arXiv:2610.33070v1 发布类型：新 摘要：图像到视频（I2V）扩散模型能够为单张肖像或照片赋予动态效果，从而使得共享的图像在未经主体授权的情况下被重新用于运动合成。我们研究针对此类用途的主动视觉保护机制：在图像发布之前，其所有者施加一种有界扰动，既保持共享工作流不变，又干扰下游的运动生成过程。现有的频谱扰动目标会全局性地削弱时序特征表示，因此难以对细微或空间局部化的运动进行有效控制。我们的核心思路是：生成的动态不仅取决于时序特征的强度，还与特征事件的发生顺序密切相关。我们提出了一种白盒式的频谱重定时保护方法——PhaseBreak。
作者｜宇航猿 编辑｜靖宇 10 月 23 日上午，Kimi 官方在 X 和视频号上发了一段 24 秒的视频。 画面里是一台复古风格的老式电脑，屏幕上开着 Kimi Code，终端里一行行地写着 Three.js 代码，在生成一个复杂的 3D 场景。眼尖的网友很快在左上角的模型栏里找到了答案——「Model: Kimi K3.1」。 Kimi 官方发布的 K3.1 预热视频｜图片来源：X @Kimi_Moonshot 用一台老古董般的机器，跑一段今天最前沿的 3D 代码，这个反差本身就是月之暗面想说的话。 十几个小时后，10 月 24 日零点刚过，卡着程序员节，Kimi K3.1 Pro 正式上线，同步推出的还有一个速度快 2 到 3 倍的 Highspeed 版本。官方承诺，完整模型权重将在 11 月 4 日前放出。 距离上一代 K3 发布，过去了三个多月。这三个月里，月之暗面经历的事情，比大多数公司一年还多。 01 「加量不加价」的 0.1 先说清楚 K3.1 Pro 是什么。 它不是一个全新的模型。月之暗面明确表示，K3.1 Pro 是 K3 的后训练版本，底座没换——仍然是 2.8 万亿总参数、1040 亿激活参数的混合专家架构，仍然是 100 万 token 的上下文窗口，仍然原生支持图像和视频输入。 变的是后训练。官方的说法是投入了「大幅增加的后训练算力」，在数百个下游领域做了大规模联合强化学习，为此把强化学习框架、沙箱基础设施、长上下文推理这些底层工程都重构了一遍。 也就是时候，同一个大脑，被重新「教」了一遍怎么干活。 效果体现在榜单上。在考察编程智能体的 Terminal-Bench 4.0 上，K3.1 Pro 拿到 65.7%，超过 GPT-6 Astra 的 58.2%，和 Claude Opus 5.5 的 66.4% 只差不到一个点。上一代 K3 在
2026年10月26日，arXiv发布论文arXiv:2610.31838v1，提出Sense-Aligned Grounding Evaluation（SAGE）——一个统一的10候选图像选择基准，并配套训练无关的Gloss-Augmented Reasoning（GAR）框架，用于跨名词、动词和实体中心的多模态接地评估。
推荐理由：该研究首次将VWSD、VerSe和WikiDiverse三类任务统一为术语中心的接地评测协议，引入混淆难负样本与上下文交换诊断机制，并通过实证表明定义增强与约束引导推理的协同可显著提升Hits@1指标（65.90→71.22），为多模态语义对齐提供了更细粒度、可解释的评估新范式。
arXiv：2610.31765v1 发布类型：新 摘要：从单个参考视频生成动态场景的多段视频，需要在不同视角之间一致地合成已观测与未观测的内容。现有的用于视频扩散的相机控制方法通常依赖于一些架构机制，包括相机嵌入、跨视图注意力以及几何条件化等。尽管这些方法对静态场景内容较为有效，但在处理必须在各视角及随时间保持一致的细粒度动态几何时，往往面临困难。我们通过在源自源视频的规范3D空间中采样高斯噪声先验，并将其光栅化至目标相机，从而同步扩散过程本身，而非在每个2D图像平面中独立采样。我们的 m
arXiv：2610.31747v1 发布类型：新 摘要：现有的3D会说话的虚拟形象方法主要依赖于参数化人脸模型，包括3DMM或FLAME，而这些模型紧凑的运动表示限制了其生成极端表情以及建模头饰等配件的能力。我们提出了一种名为AudioLift的两阶段框架，该框架以生成的多视角视频作为音频驱动虚拟形象生成的中间表示，无需使用参数化人脸模型或针对每个实例进行优化。我们的框架将同步的多视角视频生成阶段与一种抗不一致性高斯重建阶段相结合，从而仅凭一张肖像图像即可恢复出连贯的全头几何结构。大量实验表明，AudioLift能够生成捕捉更多表情变化的3D会说话虚拟形象……
2026年10月24日，研究者在arXiv发布论文arXiv:2610.30841v1，正式推出TRIAD基准——专用于评估文本、图像与音频三模态协同歧义消解能力的新评测框架。该基准含327个手工构建的三模态样本，覆盖86个场景组和18类跨模态歧义类型。
推荐理由：该成果直击当前多模态大模型评测的核心盲区：现有基准多聚焦确定性输入下的感知或推理，而TRIAD首次系统性地以‘模态互补消歧’为评测目标，通过严格设计的留一模态反事实测试，揭示模型（尤其对音频）利用不足、场景级鲁棒性薄弱等关键缺陷，为下一代全模态模型评估提供可复现的诊断协议与分类法。
