本文综合北京大学王选计算机研究所发布的 ProactiveVideoQA 和 MMDuet2 两篇论文，介绍视频多模态大模型如何实现 “主动交互”—— 在视频播放过程中自主决定何时发起回复，而非等待用户提问。ProactiveVideoQA 提出评估指标和 benchmark，MMDuet2 则通过强化学习训练方法实现了 SOTA 性能，无需精确的回复时间标注即可训练出及时、准确的主动交互模型。
AI视频生成已能「画得像」，但不会「想得对」。VBVR推出百万级视频推理数据集，首次系统评测模型对空间、物理、逻辑和抽象的推理能力，发现顶尖模型通过率仅68%，暴露其缺乏真实认知，推动视频AI从「视觉模仿」迈向「智能推理」。
谷歌宣布旗下AI设计工具Stitch支持Vibe Design。你都不需要键盘，只需要用嘴就可以vide design出这样婶儿的UI和前端界面：不得不说，谷歌的审美是真的好。Gemini 3生成前端的艺术效果就有口皆碑。
量子位获悉，前腾讯AI大牛刘威的创业项目，又有新进展。
最近，谷歌 NotebookLM 又出了个好玩好用的小功能：Cinematic Video Overviews（电影级视频概览）。与普通模板不同，这项功能可以根据我们上传的资料，自动生成定制化、沉浸式的视频讲解。
起猛了，现在龙虾也能做视频了？？？
视频生成进入大规模时代，但计算成本也炸了。
视觉世界模型 “VideoWorld 2” 由豆包大模型团队与北京交通大学联合提出。不同于 Sora 2 、Veo 3、Wan 2.2 等主流多模态模型，VideoWorld 系列工作在业界首次实现无需依赖语言模型，即可认知世界。
全球投行业每年处理超过 3.5 万亿美元的交易，但驱动这台庞大机器运转的，是数以万计每周工作超过百小时、从事着高度重复性劳动的初级分析师。Vertical Agent 开始加速很多专业领域的工作流，比如法律领域的 Harvey、医疗领域的 OpenEvidence，而在离钱最近的金融领域迟迟未能出现一款真正的统治级应用。
统一多模态模型在多模态内容理解与生成方面已展现出良好效果，但目前仍主要局限于图像领域。
