InferNews

DyRAD 讓雷達透過多視覺重建動態駕駛場景

2026 年 10 月 2 日 Share to X Copy link

DyRAD 把錄製雷達資料轉成可重新渲染的動態場景，連感測器位置、物件動作和規格變更都能納入測試。

由已錄製的雷達、感測器姿態和物件框，DyRAD 可以生成原本沒有記錄過的新視點，甚至模擬車輛橫向移動、物件重新定位或更高解析度的感測器。這個項目屬於開源雷達新視點合成模型，處理的是自動駕駛系統缺乏非原路線觀測資料的問題。

它把靜態背景反射點與跟隨剛體物件軌跡移動的動態反射點分開建模，並用 range–azimuth–Doppler (RAD) 中的 Doppler 速度約束物件追蹤。反射點不會直接吸收雷達訊號擴散，而是經由 point-spread function (PSF) 渲染；PSF 取自 Hamming-FFT 的距離及 Doppler 處理，以及 RADIal 的 beamformer response，令場景幾何與感測器特性分離。

這個取捨令同一個重建場景可以轉移到不同雷達規格，毋須重新擬合，亦較適合閉環測試和感測器配置研究；代價是需要姿態、物件框和雷達校準等資料，Boreas 更只支援 range–azimuth，未能完整利用 Doppler。項目支援 RADIal、Boreas 及具備偏移視點真值的 synthetic benchmark，可按 README 提供的設定訓練、載入 checkpoint，再以 held-out metrics 和重新擬合流程檢查結果。

• 支援完整 RAD tensor，而非只重建距離及方位
• Doppler 同時作為輸出和動態軌跡監督訊號
• 可測試 lateral sensor shift、物件編輯及高解析度感測器
• Project page 指出其 RAD PSNR 和 detection hit rate 高於 RadarSplat、RadarFields
• 適合自動駕駛、雷達感知及模擬資料團隊研究非原路線測試

對需要驗證感知模型在新路線、新感測器或場景變更下表現的團隊，DyRAD 提供比單純錄播更有彈性的資料生成方式。不過結果仍受初始標註、物件軌跡品質、雷達校準和合成視點真值限制，未能取代真實道路測試。

項目主頁 · GitHub

Categories: 開源, 模型訓練, NVIDIA, Dataset 數據集

---

JEV 以結構化決策加速大規模 AI 資料處理

2026 年 10 月 2 日 Share to X Copy link

面對海量合約、日誌或文字資料，JEV 以結構化輸出換取更快速度與較穩定的程式整合。

處理數萬份合約、系統日誌或其他非結構化資料時，逐字生成文字容易帶來延遲、格式錯誤和難以判斷的信心。JEV 是由 TypeSafe AI 開發的 System One Model（系統一模型），透過 API 直接輸出預先定義的結構化決策，針對大規模資料分類與資料抽取而設計。

JEV 不以自由文字作為主要輸出，而是採用 Parallel Sampling（平行採樣）一次產出多項結果，端到端反應時間約為 70 至 500 毫秒。Type-safe 結構可限制欄位、數值範圍和可選項目，減少傳統 Large Language Model (LLM) 常見的解析、重試及幻覺風險；輸出亦會附帶校準後的信心分數。

它採用 RLCD（Reinforcement Learning for Calibrated Decisions，機率校準決策強化學習），讓程式可按信心分數安排自動處理或人工覆核。以併購盡職調查為例，系統可批次分析 50,000 份合約，抽取控制權變更條款、司法管轄區和風險等級，再把低信心結果交由律師檢查。

• 適合批次分類、標籤及結構化資料抽取
• 輸出格式預先定義，方便接入資料流水線
• 可用信心分數設計人機協作分流
• 取捨是它不負責撰寫長篇法律意見書等自由文字內容

JEV 的輸入價格約為每百萬 Token 0.042 美元，輸出 Token 免費；速度、成本和格式穩定性仍需按資料類型及 API 工作量驗證，不能直接視為所有 LLM 工作的替代品。

項目主頁

Categories: 模型, 模型訓練, 工具

---

Physis-Lang 讓影片模型理解物理因果

2026 年 10 月 1 日 Share to X Copy link

影片畫面看似合理，動態卻可能違反物理規律。Physis-Lang 以可演化的物理語言，改善影片資料整理、訓練與生成。

當影片模型能生成融化中的牛油，卻未必理解升溫、重力與形變之間的關係，Physis-Lang 便嘗試補上這個落差。這個由 NVIDIA、MIT 與 University of Oxford 研究團隊提出的 Video World Model 研究項目，把物理因果、相互作用、支配原理與結果寫進共享語言表示，協助模型生成更合理的世界演化過程。

Physis-Lang 不只描述畫面發生了甚麼，還要求字幕交代事情為何發生。例如牛油融化的描述會進一步指出升高的溫度提供熱力，熱力促成融化，而重力令牛油向下塌成淺層液體。物理概念會經由 Physics-aware critic 找出遺漏或缺乏視覺證據的說法，再由 agent 修訂共同的 captioning guidelines，captioner 本身則維持不變。

整套方法連接資料整理、模型訓練與推理：模型失敗會轉化成物理領域查詢，再透過 language-guided retrieval 找出能補足缺口、而且視覺內容多樣的影片；演化後的語言會重新製作訓練字幕，並擴展 inference prompts，同時加入針對場景的 negative descriptions，減少不合理動態。

• PhysCapBench 收錄 246 段經審核的物理影片及 3,794 個人工驗證 assertions
• 評估字幕對物理細節的 precision、recall 與 F1
• Physis-Lang · Cosmos3-Super 在 Physics-IQ 公開排行榜列第一，平均分數為 48.2 ± 1.4
• Physis-Lang · Cosmos3-Nano 列第二，平均分數為 43.3 ± 1.5

這項研究適合關注 Video World Models、物理推理和影片生成可靠性的讀者。排行榜結果顯示，加入可演化的物理語言後，Cosmos3 系列模型在相關評測中取得進展，但分數只反映指定基準，並不代表所有影片場景都能避免物理錯誤。

項目主頁

Categories: Agentic, 世界模型, 模型訓練, NVIDIA, Video, 框架

---

ThinkV2V 讓影片編輯先思考再生成

2026 年 10 月 1 日 Share to X Copy link

ThinkV2V讓多模態模型先理解影片中的因果與隱含意圖，再交由DiT完成較複雜的指令式影片編輯。

面對「按場景關係修改影片」這類指令，單靠文字語意對齊往往不足。ThinkV2V屬於推理導向的影片編輯框架，讓Multimodal Large Language Model（MLLM）先分析來源影片與指令，再把推理結果轉成DiT影片生成器可用的條件訊號，處理物件關係、時間變化及隱含意圖。

MLLM並非只擔任靜態語意編碼器，Qwen3-VL-8B-Thinking負責理解和推理，connector則把相關特徵對齊至DiT條件空間；原始文字嵌入、MLLM隱藏狀態及來源影片的VAE特徵會一同交由ThinkV2V-5B執行編輯。訓練由穩定的基本編輯逐步過渡至高解像度及推理密集案例，推理階段亦會生成多個候選計劃，再由MLLM篩選較可靠的一個。

• 適合場景：需要根據時間脈絡、物件互動或因果關係修改影片的工作流程。
• 評估資源：提供ThinkV2V-150K訓練數據集及ThinkV2V-Bench，後者包含308個樣本和5類推理密集編輯，預設支援720p。
• 執行條件：Python 3.10、CUDA 12.x、PyTorch 2.6.0，並以torchrun或accelerate進行多GPU運算。
• 資料限制：OpenVE-HQ-1M與ThinkV2V-150K主要是metadata釋出，下載腳本不會一併取得OpenVE-3M影片資料。

項目需要同時準備ThinkV2V、Qwen3-VL-8B-Thinking、Wan2.2-TI2V-5B及Lucy-Edit-Dev等權重，並按儲存庫指定的data與weights結構放置，較適合有CUDA多GPU環境及影片生成經驗的研究團隊。它相較只把MLLM當編碼器的做法，換取更深入的指令理解，但推理、多候選篩選及多模型權重亦會增加顯存、時間和安裝成本；儲存庫提供模型、資料集與基準測試，卻未在提供內容中列出可直接引用的量化領先幅度，不能只憑架構宣稱全面勝過其他影片編輯器。

項目主頁 · GitHub · 模型

Categories: 開源, 香港中文大學, 字節跳動, AI productions, 模型, 多模態模型, 模型訓練, Qwen, NVIDIA, Gemini, Video, 框架, 香港, Python, 庫, Dataset 數據集

---

RSIGame：生成遊戲及自行測試與進化

2026 年 10 月 1 日 Share to X Copy link

RSIGame 讓 AI 由遊戲構想開始反覆遊玩、找錯和改寫程式，直到品質提升飽和，再保留最佳版本。

由一句高層遊戲構想開始，系統會自行產生可玩的版本，透過 AI agents 反覆遊玩、檢查問題，再改寫遊戲程式。RSIGame 屬於 autonomous agentic game development framework，實際處理的是生成遊戲難以持續修正、容易只迎合少量測試案例的問題。

RSIGame 把流程分成 local loop 和 global loop：前者執行 explore-diagnose-improve，廣泛探索遊戲、整理問題優先次序，再按證據修改；後者追蹤整體品質、保存最佳 checkpoint，並在長時間開發中識別停滯或回退。測試指引亦會逐步累積，令後續檢查不只依賴原本的提示。

透過 Hugging Face Space 輸入基本遊戲概念或設計方向，查看 agents 如何自動遊玩及產生較高評分版本。GitHub 項目要求 Python >=3.11，並以每次提交執行的測試檢查憑證外洩和內部 import 解析；自行研究或部署時，仍要留意所需模型、遊戲引擎及執行環境未在提供資料中完整列明。

在 140 個 GameCraft-Bench 任務、兩個遊戲引擎及五個生成器的相同開發預算下，RSIGame 持續提升遊戲品質。經驗內化後，Qwen3.8-27B 在 Godot 取得 61.38、在 Phaser 取得 58.53，超過 GPT-5.5 一次生成的分數，同時把 Qwen 的生成 token 減少 11 倍；結果仍屬基準測試，不能直接等同於所有遊戲類型的穩定表現。

• 由高層構想生成遊戲，再自行遊玩、診斷和修正
• local loop 負責局部問題，global loop 負責品質與版本選擇
• 支援 Godot 和 Phaser 等遊戲引擎評估
• 透過訓練內化成功的開發經驗，減少後續生成成本

RSIGame 適合研究 agentic coding、遊戲生成及長流程自我改進的團隊，也適合作為檢驗 AI 是否能處理多輪程式修正的研究框架。它的代價是流程需要較多執行時間、模型及遊戲環境配合，評分提升亦受測試任務和開發預算影響。

項目主頁 · GitHub · 模型

Categories: 開源, Agentic, 模型訓練, Qwen, 框架, Python, 編程

---

EngiWorld 把工程代理接入真實軟件工作流

2026 年 10 月 1 日 Share to X Copy link

EngiWorld 不只測試代理人能否操作介面，更檢查它能否交付合乎工程規範的成果。

代理人要在 CAD、CAE、CAM、BIM、EDA 和 3D 視覺化軟件中完成工作，難點不只是點擊按鈕，而是要維持幾何、物理條件及跨軟件流程的正確性。EngiWorld 屬於工程代理人評測基準，實際處理的是「能否由指令一路產出可驗證工程成果」這個問題。

項目收錄 1,301 個專家編寫任務，涵蓋 26 個軟件平台、6 個工程領域及 6 類任務，支援 GUI 和 CLI。評測會檢查最終及中間工程文件的幾何有效性、物理可行性和規則符合度，數值設計任務亦會按規格達成程度連續計分，而非只分成功或失敗。

• 提供完整任務、驗證器及 GUI/CLI 評測執行環境
• 主實驗採用 300 個任務，清單位於 task/splits/main-300.txt
• 本地環境以 Linux、Docker 及虛擬機器執行，預設每個環境使用 4 個 CPU 和 16 GB RAM
• 七個前沿模型中，最高 EngiScore 只有 44.3；多軟件嘗試成功率為 3.6%

同類 Computer-use agents 評測多集中於一般桌面操作，EngiWorld 把判斷標準推到可交付的工程 artifact，因此更能揭示模型在長流程、跨軟件依賴及專業規範上的不足。代價是執行門檻較高：需要 x86_64 Linux、Python 3.10、Docker Engine 和環境映像，沒有 /dev/kvm 時亦可運行，但軟件模擬會較慢。

研究團隊、工程軟件開發商，以及想比較 GUI agent、CLI agent 或多模態模型能力的團隊，都可以用它重現測試並保存評測結果。它目前更適合作為嚴格的研究及模型比較工具，而非即插即用的生產自動化方案；最高分數與多軟件成功率反映，代理人距離穩定完成專業工程流程仍有明顯距離。

項目主頁 · GitHub

Categories: 開源, 北京大學, 清華大學, Agentic, 模型, 多模態模型, 軟件, 工具, 3D, Python, Dataset 數據集

---

VoxMem 測試音訊模型的記憶盲點

2026 年 10 月 1 日 Share to X Copy link

VoxMem 不只測模型記得講過甚麼，還檢查能否辨認說話者、語氣與背景聲音，直面多輪語音記憶的缺口。

當語音助手要回想幾次對話之前的內容，答案未必藏在文字轉錄稿內：誰說過一句話、當時的語氣，以及背景傳來甚麼聲音，同樣可能決定答案。VoxMem 屬於語音記憶評測基準，透過多次會話測試 Large Audio Language Models（LALMs）能否保留及運用這些非文字資訊。

項目把測試拆成兩條軸線：需要找回的聲音證據包括 speech semantics、speaker identity、paralinguistic cues 和 environmental sound；記憶操作則涵蓋 information extraction（IE）、multi-session reasoning（MSR）、temporal evolution tracking（TET）及 answer refusal（AR）。這個安排比只問模型能否找回一句原話更接近長期語音助手的工作情境。

VoxMem 提供 3,196 個評測實例，涵蓋 34,743 段、共 177小時的語音會話，並固定問題及證據，只改變8K、16K、32K 和 64K tokens的上下文長度。測試者可從 GitHub 項目取得程式碼，再配合 Hugging Face上的資料集重現評測；Python 3.9 或以上是已列出的基本環境，但不同 LALM仍可能需要各自的模型存取設定。

結果指出，15個 LALMs 在 32K 上下文下沒有模型達到 40% 整體準確率；模型記住文字內容的能力明顯高於辨認說話者、語氣及環境聲音，而且歷史越長，差距越大。這令VoxMem 更適合用來找出語音記憶系統的失效位置，而非單純作為模型排名工具。

• 同時測試聲音證據與記憶操作，涵蓋15個有效組合
• 以多會話歷史取代單一錄音，檢查跨場景整合能力
• 包含證據不足時拒絕回答，能檢視模型是否過度猜測
• 非文字聲音資訊在長上下文下明顯較難保留

研究語音代理、會話記憶、音訊模型或長上下文系統的團隊，能用這套基準分辨問題究竟出在聲音理解、跨會話推理、狀態追蹤，還是拒答判斷。資料採用 CC BY-NC 4.0，程式碼則使用MIT授權，商業產品整合前仍要獨立檢查資料使用條件。

項目主頁 · GitHub · 數據集

Categories: 開源, 模型, Audio, 工具, Python, 語音, Dataset 數據集

---

HybridCUA 讓 Agent 懂得何時用命令列

2026 年 10 月 1 日 Share to X Copy link

浙江大學、北京大學與清華大學團隊，讓 Computer-use agents 在 GUI 操作與 CLI 指令之間作出選擇，減少冗長點擊流程及連鎖錯誤。

浙江大學、北京大學與清華大學的研究團隊，將 CUA (Computer-use agents) 從單靠滑鼠鍵盤操作，帶到 GUI 與 command line interface（CLI）協作的工作方式。HybridCUA 屬於訓練框架及模型項目，處理的是代理知道可以用 shell 之後，仍未能判斷何時使用、如何使用的問題。

連串的 GUI 操作可以由一條命令取代，但 CLI 暴露給未受訓練的代理，反而令 OSWorld 準確率下降 2.5 至 11.5 個百分點。HybridCUA-8K 收集 GUI only、CLI only，以及交錯使用兩者的軌跡，再配合 supervised fine-tuning 和 CLI-aware rewards，訓練 HybridCUA-9B 選擇較合適的操作方式。

• HybridCUA-9B 在 OSWorld 達到 53.6%，較基礎模型高 14.8 個百分點
• 平均每項任務使用 14.0 步，並可轉移至 OSWorld-MCP 及 Windows
• HybridCUA-8K 包含 5K 條混合軌跡及 3K 個已驗證 RLVR 任務
• CLI reward 分為 trajectory level 與 step level，分別鼓勵成功完成及減少失敗指令成本

儲存庫以 env_infra、online-rl 和 site 分開環境平台、GRPO 訓練流程及項目網站；前兩者透過 HTTP 的 /v1/sessions 協作，訓練器毋須自行啟動 VM 或容器。README 提供安裝腳本及 GPU、nvcc、Ray 等環境要求，但模型仍標示為 coming soon，因此目前較適合研究 Computer-use agents、GUI automation 或跨平台代理訓練的團隊閱讀資料集與訓練架構。

結果在 WindowsAgentArena 提升 4.0 個百分點，OSWorld-MCP 達 47.1%，Windows 達 36.0%，顯示 GUI 加 CLI 的方法具備一定跨平台能力；不過項目仍依賴複雜的分散式訓練環境，未提供即時可下載模型，距離一般使用者直接安裝仍有距離。

項目主頁 · GitHub · 模型

Categories: 開源, 北京大學, 清華大學, Agentic, MCP, 模型訓練, 庫, Dataset 數據集

---

OpenAI dots：讓 AI 代理持續推進複雜工作

2026 年 9 月 30 日 Share to X Copy link

OpenAI 將 dots 設計成可持續工作的 AI 代理，協助處理跨應用程式的任務，同時保留人員審批權。

OpenAI 把 dots 交由 GPT‑6 Astra 驅動，定位成能長時間代辦工作的 AI 代理，處理項目跟進、應用程式操作和日常行政等容易中斷的工作。它擁有獨立雲端電腦，可按目標持續工作，亦會透過使用者回饋逐步掌握偏好與工作標準。

Dots 可經由插件連接超過 4,000 個應用程式，並在 ChatGPT、Slack 或 Teams 內使用。使用者可以直接提問、提供意見，或透過語音通話討論工作；在需要發送郵件、建立文件或執行其他操作時，系統會配合權限設定及審批流程，讓人員保留控制權。

OpenAI 分享的場景包括調查 Slack 中的程式錯誤、把新設計轉成可運作的應用程式，以及協助團隊追蹤規劃週期。早期測試者的 dot 亦曾發現漏開發票，準備文件後待使用者批准才寄出，反映它處理的是持續跟進而非單次問答。

目前 dots 正逐步向 Pro、Business Premium 和 Enterprise 計劃推出，完整的安裝步驟、收費細節及市場名單未有在提供的資料中交代。可先留意以下能力與限制：

• 以 GPT‑6 Astra 為核心，配備獨立雲端電腦
• 透過插件連接超過 4,000 個應用程式
• 支援 ChatGPT、Slack、Teams 及語音互動
• 可根據回饋學習偏好，持續推進工作
• 權限、操作檢視和審批機制仍由人員掌控

項目主頁

Categories: Agentic, OpenAI, 語音

---

NVIDIA LongLive 把長片生成推向即時互動

2026 年 9 月 30 日 Share to X Copy link

NVIDIA 將三階段長片生成研究整合到同一個項目，涵蓋即時互動、量化推理及可重用蒸餾能力。

NVIDIA 開發團隊把長片生成帶入即時互動、低精度推理和跨模型重用場景。LongLive 屬於開源影片生成研究項目，處理長時間生成容易變慢、下游模型需要重複蒸餾，以及互動控制成本偏高等問題。

項目分成三代，並各自放在獨立目錄，附有程式碼、文件和模型權重。LongLive 1.0 聚焦即時互動長片生成；LongLive 2.0 以 NVFP4 量化和 sequence parallelism 加速訓練及服務；LongLive-Plug 則把 few-step、CFG 和 long-context 能力蒸餾成可重用 LoRA，讓同一模型家族的下游模型減少重新訓練。

LongLive 2.0 支援 T2V/I2V AR training、multi-shot 或 single-shot videos，以及 NVFP4 inference、NVFP4 KV Cache 和 TorchAO FP8 PTQ inference，取捨是需要配合量化及平行化基礎設施。

• LongLive-Plug：一次蒸餾能力，再在同一 backbone family 的下游模型重用
• LongLive 2.0：以 NVFP4、BF16 和 sequence parallelism 支援長片訓練及推理
• LongLive 1.0：讓使用者輸入提示詞後即時觀看並逐步控制長片生成
• DreamForge-World 0.1：加入 residual action pathway，面向低算力、即時可控 world modeling

研究展示包括互動示範、長片 rollout 和不同 backbone family 的配對例子，但提供資料未載有可直接比較的統一 benchmark 分數。具備 NVIDIA GPU、需要研究影片生成系統，或希望在 Wan2.1、Wan2.2、MiniMax-H3 等模型家族上重用蒸餾能力的團隊，較容易找到合適切入點；一般使用者則要先接受它偏研究項目，操作細節仍取決於所選目錄。

項目主頁 · GitHub · 模型

Categories: 開源, AI productions, 模型, 模型訓練, NVIDIA, Video, 提示詞, 語音, Dataset 數據集, MiniMax, LoRA

---