2025年10月27日 AI大事件

美团视频生成模型来了！一出手就是开源 SOTA

美团开源13.6B参数的SOTA视频生成模型LongCat-Video，支持文生/图生/长视频生成，具备物理世界理解能力，采用MIT协议允许商用，部分性能可媲美谷歌闭源模型Veo3。

大家都来卷一卷视频生成大模型还是蛮好的，把价格打下来！不过美团做这个，从一系列行为来看，是为了机器人理解物理世界准备的。中文名字是龙猫，对，不是长猫，但是如果叫长猫也挺好玩的😄

原文链接

为了解决AI大模型用不好GUI的问题，中科院团队'LLM 友好'计算机使用接口来了

中科院团队提出声明式接口GOI，提出一个新的假设，GUI是面向人类的，需要大量视觉信息作为输入，但是AI与人的结构差异很大，所以应该重新设计面向大模型的交互语言，GOI就是一种尝试。

为了验证GOI的真实能力，研究团队在包含Word、Excel和PowerPoint的OSWorld-W基准测试集上进行了全面评估。结果显示，GOI带来了压倒性的性能提升。在使用GPT-5推理模型的核心设置下，成功率从44%飙升至74%。

这个观点有点类似上次deepseek团队做的deepseek-OCR的观点，大模型并不是人类，对于已有的技术也需要从更底层的层面思考，或许会有意想不到的巨大进展。

原文链接

亚马逊推出物流智能眼镜Amelia，应用在了外卖快递场景

亚马逊推出物流智能眼镜Amelia，集成扫描、导航、信息显示等功能，提升配送效率与安全性。计划2026年量产并推出消费级产品Jayhawk，进军C端市场。当前智能眼镜市场火热，AI技术推动行业爆发，价格控制在2000元内有助普及。

这个眼镜的显示效果跟今年WAIC展会上我体验到rokid的眼镜很相似，都是通过单色的方式解决实际的导航、信息展示的问题，今年开始AI眼镜，不再是极客的玩具，有点产业化、产品化落地的那味儿了。

原文链接

推理效率狂飙 60 倍：DiDi-Instruct 让扩散大模型 16 步超越千步 GPT

DiDi-Instruct 是针对离散扩散大语言模型的后训练方法，通过概率分布匹配策略将推理步数从数百压缩至 8-16 步，实现 60 倍加速，超越千步 GPT-2 性能，且成功应用于蛋白质序列生成。

原文链接

LangChain v1：引入革命性标准内容块，提升模型互操作性

LangChain v1 引入‘标准内容块’，作为革命性互操作层，解决不同AI模型提供商切换难题，提升应用灵活性和开发效率。该功能被创始人Harrison Chase称为‘悄然颠覆性的’，旨在降低多模型集成门槛。

在 v1.0 之前，处理不同模型（如 OpenAI、Anthropic）返回的复杂内容（如思维链、工具调用、引用）需要编写大量适配代码，因为它们的输出结构差异很大。

content_blocks 旨在解决这一问题，它将所有大型语言模型的输出统一抽象为一系列类型化的内容块。无论底层模型返回的是文本、工具调用、引用还是图像，在 LangChain 层面都会被标准化为一致的 ContentBlock 对象。

主要的块类型包括：

• TextBlock: 用于封装纯文本内容。
• ToolCallBlock: 用于封装对工具的调用请求，包含工具名和参数。
• CitationBlock: 用于标注引用的来源信息。
• ImageBlock: 用于处理图像数据。

原文链接

Tesla 训练 AI 世界模拟器，助力自动驾驶汽车学习

Tesla开发AI世界模拟器，通过合成视频环境训练自动驾驶系统，降低真实数据依赖，并可能拓展至人形机器人应用。

世界模型和世界模拟器的概念，从两年前春节的时候sora概念的提出，就一直持续到今天。贴几张原文中的视频图片，缩小到这个程度来看，写实程度和画面连贯度还是很棒的，只是不能交互的话，机器人真的可以学会吗？

原文链接

刚完成亿元级融资，他要如何挑战 AI 硬件的‘不可能三角’｜对谈马啸：未来智能创始人/CEO

未来智能CEO马啸解析AI硬件创业，通过聚焦办公场景、优化续航至9-10小时、攻克蓝牙语音实时转写技术，平衡‘不可能三角’打造AI耳机。强调硬件需先满足基础功能，再叠加AI能力，并指出AI硬件将成为大模型的‘耳朵和眼睛’，推动人机协同。

这也是一个有趣的想法，AI时代的入口会是什么呢？现在很多人赌的是AI眼镜，只是眼镜这个外设，是一个用户习惯养成的问题，很多人是不带眼镜的，而且目前眼镜的续航也不太能达到10h+，所以AI耳机或许也是一个值得探索的方向。只是，AI耳机如何看见物理世界呢？让我想到苹果airpod添加摄像头的那个专利…难道，是真的？

原文链接