华为Doc-Researcher 布局感知+视觉语义双杀

现有深度研究系统依赖文本网页数据，忽视多模态文档知识。华为Doc - Researcher系统解决多模态文档解析不足、检索策略有限、缺乏深度研究能力等问题，含多模块，能处理复杂多模态任务。

视觉感知RAG × 多模态推理 × 强化学习 = VRAG-RL

数字化时代视觉信息愈发重要，传统RAG方法处理视觉信息面临挑战。阿里巴巴通义实验室的VRAG - RL将强化学习引入多模态智能体训练，革新检索生成范式，提升视觉语言模型多方面能力，代码已开源。

DeepMind发布SIMA 2！打通「感知-推理-行动-反思」闭环

DeepMind推出的SIMA 2，可让智能体在虚拟环境中边聊天边进行复杂多模态推理。它整合Gemini能力，从指令执行者变为互动伙伴，有强大迁移泛化与自我提升能力，是迈向AGI重要一步，但也面临一些挑战。

System 3 觉醒：从“工具”到“物种”的根本改变

西湖大学与上海交大新论文提出System 3概念及Sophia框架，将认知心理学概念映射到代码模块，让AI Agent像“生命体”生存。采用前向学习和混合奖励机制，实验显示其能力显著进化，为人工生命指明道路。

CVPR 2026 三维视觉趋势梳理：从 RGB 感知，到真实世界建模

计算机视觉行业从追求识别能力转向关注视觉系统对真实世界的理解。CVPR 2026研究中，多视角、事件视觉、开放集3D生成和相机运动轨迹被引入视觉理解，多篇论文从不同侧面推动视觉系统走向对真实世界的理解。

Clawdbot：火爆硅谷，让开发者疯抢Mac mini的AI新物种

Clawdbot是诞生仅三周的开源项目，让AI走出聊天框成数字同事。它由退休程序员Peter Steinberger推出，能24小时运行在本地电脑，解决AI落地难题。许多开发者为此抢购Mac mini。

超越 VTM-RA！快手双向智能视频编码器BRHVC亮相NeurIPS2025

视频编码中双向编码潜力待挖掘，快手音视频技术团队提出BRHVC方法，解决长跨度帧运动处理和参考贡献不平衡问题，其成果被NeurIPS 2025录用，在压缩性能上超越VTM - RA编码。

单向VLM变双向！人大斯坦福等提出MoCa框架：双向多模态编码器

人大、斯坦福等机构提出MoCa框架，将单向视觉语言模型转化为双向多模态嵌入模型。它通过持续预训练和异构对比微调，解决传统模型局限，在多模态基准测试中表现优异，尤其小规模模型性能突出。

4月30日实拍，北京动物园“上新”珍贵物种&蔷薇、猬实现状

这帮清华的，造了一个让龙虾“安全着陆”的新物种

在OpenClaw热潮中，隐私保护缺位成企业和开发者难题。无问芯穹推出InfiniClaw Box，独创‘三段式’架构，适配全模态信源，解决数据安全与模型能力兼顾问题，还与多家企业合作拓展应用边界。