来自MIT最强AI实验室：OpenAI天才华人研究员博士毕业了！

OpenAI华人研究科学家陈博远完成MIT博士论文答辩。他不到4年读完博士，辅修哲学，是GPT图像生成核心成员和Sora视频团队成员，将推进世界模型技术，强调视觉世界模型对具身智能至关重要。

首个用户生活「长程模拟器」来了！LifeSim 重新定义大模型个性化评测

现有个性化助手评测基准与真实用户-助手交互脱节，来自复旦大学等的研究人员提出 LifeSim 框架及 LifeSim-Eval 评测方法。实验显示主流 LLM 处理显性需求尚可，隐性意图识别等方面短板明显。

Being-VL的视觉BPE路线：把「看」和「说」真正统一起来

北大、UC San Diego 和 BeingBeyond 联合提出 Being-VL 的视觉 BPE 路线，先将图像离散化并「分词」，再与文本统一建模，能缩短跨模态链路、保留视觉结构先验，还介绍了实现步骤、训练方式等。

2025年4月17日消息，OpenAI 连发o3和o4 mini，o3为强大推理模型，o4-mini专为高效推理优化。它们能调用ChatGPT工具，可基于图像思考。OpenAI还开源本地代码智能体Codex CLI，兼容所有模型。

蚂蚁具身研究首次亮相！就解决了机器人「看」透明玻璃这些难题，还开源了

蚂蚁灵波科技开源高精度空间感知模型 LingBot-Depth，针对性解决机器人识别真实世界的「玻璃问题」。其构建双线并行数据集，提出掩码深度建模思路，在深度补全等任务中表现出色，且已具备落地能力。

在救命这件事上，AI开始做医生做不到的事了。

达摩院与医院合作，此前推出用于胰腺癌、胃癌早筛的模型。此次浙大一院与达摩院联合开发的iAorta模型，用普通平扫CT精准识别主动脉综合征，大幅缩短确诊时间，从死神手中抢回生命。

每帧Sora级震撼！Midjourney首个视频模型登场，超逼真大片首测来袭

Midjourney首个AI视频模型V1上线，每月10美金可体验20秒。其视觉效果惊艳，能媲美Sora等，还能一键让图像动起来。成本低，提供多种模式与设置，有技术愿景，未来将完善模块。

DeepSeek多模态真的来了？识图模式已开始小范围灰度

4月29日，DeepSeek多模态团队负责人陈小康在X发布动态暗示多模态进展。部分用户在DeepSeek官方App灰度到“识图模式”，这是其主线产品首次有图像理解能力模式，此前多模态人才有流失，官方未说明开放细节。

智普入局OCR! GLM-OCR 0.9B 也杀进来了~

OCR是上古任务，如今大模型纷纷入局，用1B以下小参数模型搅动解析市场。GLM-OCR能做文本识别等，采用三级架构，有两阶段流水线及训练机制创新，在多场景表现出色。

谢赛宁团队用RAE实现从8%到84%的飞跃，宣告VAE时代结束

谢赛宁团队用RAE新架构将ImageNet图像生成FID刷到1.13，宣告VAE组件过时。RAE结合先进表征学习成果与强大生成模型框架，解决诸多问题，还为其高维潜空间定制DiTDH架构，性能优异。