搜索
2026 年 7 月 31 日，迪士尼公司公布了旗下加速器项目（Disney Accelerator）第 12 期名单，入选的 5 家公司都和 AI 密切相关，其中包括具身智能公司 FieldAI、Physical Intelligence（简称 PI），以及 3 家生成式 AI 公司。
近日，比特无限发布的 Arko-T，是一款面向 Text-to-Structured 3D Generation 的 4B 参数基础模型。该模型由比特无限联创、首席科学家周平义博士带队完成。它接收自然语言描述，直接输出可执行的 Build123d 程序。程序经过 CAD 内核运行后，可以得到带有命名参数、结构特征和建模过程的 CAD 设计实体。
7月6日，比特币矿企TeraWulf与Anthropic签下一份为期20年的数据中心租约，合同总价值约190亿美元。两周后，另一家矿企Hut 8又公布了一份价值98亿美元的长期租约，它在得州建一座AI数据中心，把其中352MW的机房和电力容量租给一家未公开的大客户，租期15年，总租金约98亿美元。
交互式视频世界模型正在从「一次性生成短片」走向「像游戏一样边操作边生成」。但长轨迹交互会迅速放大上下文、显存和多步去噪开销。Light Interaction不改模型参数、不重新训练，只在推理阶段把相机轨迹变成调度信号，动态选择历史上下文、在回访状态复用去噪输出，并用面向自回归生成的3D稀疏注意力降低计算。
阿里巴巴达摩院的最新工作RynnWorld-Teleop对此给出的方案是：用生成式世界模型替代真实机器人。操作员的手势驱动一个实时视频生成器，由“数字世界中的机器人”完成全部视觉演示，同时自动获得关节级的动作标签。该方案被称为数字遥操作（Digital Teleoperation）。
最近，一篇名为 FreeStyle: Free Control of Style-Content Dual-Reference Generation from Community LoRA Mining 的工作引起了不少关注。换句话说，FreeStyle 研究的是 style-content dual-reference generation，也就是「内容 - 风格双参考生成」。
近两年，视频生成模型在具身智能领域受到持续关注。从 UniPi、SuSIE 到各类 action-conditioned video generation 变体，其核心思路一致：先由模型生成一段未来视频，再从中提取动作信号供机器人执行。
如果想开发一个视频理解应用，你会怎么做？
来自清华大学与腾讯的研究者提出了 Generalizable Predictive Prompt Selection（GPS）。GPS 的做法很直接：先训练一个小型、可泛化的 Prompt Predictive Model（PPM），让它预测不同 prompt 在当前模型下的难度；再根据难度和 batch 多样性选择训练样本，从而减少无效 rollout。
General Intuition 做的事听起来有点绕：用游戏数据训练现实世界里的 AI Agent。换成更直白的话说，General Intuition 做的是让 AI 先在游戏里学会“怎么行动”，再把这种能力迁移到机器人、无人机、自动驾驶、仿真环境里。