上交x创智x瑞金联合发布CX-Mind，实现胸片诊断进入‘可验证推理’时代，通过多模态大模型和强化学习技术，提升医学影像AI的可解释性与临床实用性。

Gemma 4 12B采用无编码器多模态架构，可在16GB显存设备上本地运行并原生支持音频输入。该模型通过移除独立视觉与音频编码器显著降低延迟，配合专用MTP模型提升推理速度，是首个支持macOS桌面端全离线交互的中型多模态模型。

VAST完成近2亿美元融资并披露Project Eden世界模型路线，首创状态推演与视觉渲染解耦架构，支持多人持久化交互、模块化复用和线性算力扩展，为AI原生沙盒与具身智能仿真提供底层基础设施。

NVIDIA Cosmos 3 是首个开源物理AI全能模型，整合世界生成、物理推理与动作生成于单模型，支持机器人、自动驾驶等场景，基于MoT架构并提供Hugging Face集成。

NVIDIA 推出 Cosmos 3，首个融合语言、视频、声音与动作的多模态统一模型，采用 Mixture of Transformer 架构，支持开源定制与边缘部署，已在多项物理AI基准测试中登顶。

自变量机器人发布全球首个事件级预测具身智能世界模型WALL-WM，将预测单位从时间帧升级为语义事件（如“抓取”“放置”），显著提升跨场景泛化能力与动作鲁棒性。

科大讯飞首款AI眼镜以40克超轻设计+端到端语音同传+唇动识别降噪为核心，将翻译能力嵌入真实工作流，直击30%~50%高退货率痛点；其成功关键在于系统级工程优化与多年翻译场景数据沉淀，而非单纯硬件参数竞争。

Ophiuchus-7B在8个医学VQA基准上以68.0分超越OpenAI-o3（62.2）、Gemini 2.5 Pro（61.8）和GPT-5（59.9），核心突破在于提出‘Think with Images/Videos’新范式：模型在推理链中主动调用SAM2、BiomedParse等工具重新观察关键区域/时刻，使视觉证据成为思维过程的一部分，而非仅作输入。

GPT-4标志着大型语言模型从实验性研究向实用化AI平台的转变，引入多模态处理和对齐技术。

蚂蚁灵波与港科大合作的LingBot-VA模型被RSS 2026接收，实现机器人边推演边行动的能力。

Genesis AI发布首个机器人基础模型GENE-26.5，实现打蛋、解魔方、弹钢琴等复杂任务，全程自主运行且仅需少量真实数据微调。

华人15人团队Luma AI发布AI生图模型Uni-1.1，以推理生成一体化架构、价格腰斩和广告级落地能力，冲入全球前三，成为OpenAI与Google之外的最优解，重新定义品牌视觉生产的可控性与效率。

Senqi AI 使用 Milvus 向物理机器人注入长期语义记忆能力，解决真实世界任务中环境动态、任务无界、指令模糊和错误高成本等核心挑战。

普林斯顿Zhuang Liu指出：AI性能瓶颈不在架构创新，而在数据质量与记忆机制；视觉是多模态枢纽但受算力制约；语言模型已具备强抽象世界模型。

NVIDIA 推出 Nemotron 3 Nano Omni，支持文本、图像、视频和音频的多模态理解，性能领先多个复杂任务基准。

美团提出LARYBench，定义首个具身动作表征评测基准，验证通用视觉模型在动作泛化和控制精度上的优势。

IBISAgent通过多步交互决策重新定义医学图像分割，解决了隐式token导致的推理退化问题，显著提升分割精度。

NVIDIA 推出 Cosmos 3，一个基于新型混合 Transformer 架构的开放通用模型，专为物理 AI 设计，能生成物理准确的合成视频、作为世界模型和模拟器，并支持机器人等实体智能系统的训练与推理。

清华大学AIR DISCOVER Lab开源UniLab，通过异构并行架构实现机器人运控训练效率提升3-10倍，支持Mac本地运行，3分钟完成人形机器人训练，标志着具身智能训练进入分钟级时代。

黑森林实验室斯蒂芬·巴蒂福尔发布 FLUX 开源视觉生成模型，强调开放研究对 AI 可持续发展的重要性，性能媲美闭源领先模型。

清华大学AIR DISCOVER Lab等机构联合推出GS-Playground，这是一个专为视觉中心的机器人学习设计的新一代仿真框架，实现了高吞吐量并行物理仿真与高保真视觉渲染的融合，助力具身智能规模化训练，已被RSS 2026顶级会议录用。

自变量机器人发布全球首个世界统一模型WALL-B，打通视觉、听觉、语言和触觉模块，赋予机器人原生多模态能力和持续进化能力。

清华AIR联合多家机构开源GS-Playground仿真框架，首次融合高吞吐并行物理仿真与高保真视觉渲染，显著提升具身智能规模化训练效率。

跨维智能在World Arena Track 2登顶全球第一，显著领先第二名，验证其具身世界模型在数据生成、策略训练与任务落地的全链路硬实力。

Gemma-4 12B 采用统一无编码器架构，图像与音频直连 LLM，可在 16GB 设备本地运行；性能接近 26B MOE 且内存不足其半，配套 Hermes 等 Agent 工具与 macOS Edge Gallery，采用 Apache 2.0 开源许可。