Scale AI 联合 Elorian 发布新基准 Humanity's Sixth Sense（HSS），专门测试人类一眼就能完成的直觉式视觉推理，20 名人类参与者得分 93.1%，榜首 GPT-6-astra 即使开到最大推理强度也只有 53.6%，25 个模型的中位数仅 30.9%。
选题角度：Scale AI 新基准 HSS 的 522 道题和 25 个模型榜单都公开，适合挑几道人类一眼能答、模型答错的题做对比演示。
优必选发布自研统一多模态世界模型 Thinker-WM，在 WorldOlympiad、EWMBench、WorldArena1.0 Track-1 三大具身世界模型基准评测中均取得第一名。
OmniCompass 是一个面向全模态视频定位与理解的整体性基准。该工作以论文形式发布，配套链接为 https://t.co/0LLvEfPegI。
Google DeepMind 称四个 Gemini 4 Argon 智能体在 27 小时内从零通关 Minecraft。它们只在沙盒中用代码和文本运作，共编写 2,783 个程序，通过聊天分配任务、共享笔记并一起调试错误，全程没有人类帮助。
选题角度：四个 Gemini 4 Argon 智能体在沙盒里只用代码和文本协作通关 Minecraft，可讲它们如何分工、共享笔记并互相调试。
清华大学与北京邮电大学提出白盒视觉越狱攻击方法 DIVA，利用离散扩散视觉语言模型的跨步条件传播特性，在 HADES 基准上对 LLaDA-V、MMaDA、LLaDA2.0-Uni 的平均 ASR 分别达 58.80%、67.73%、69.07%。该方法通过跨模态意图混淆与扩散感知对抗优化，在像素约束内构造类别级共享扰动，且不修改模型权重与解码流程。
VideoJev System 是一个面向视频理解与交互的统一模型，相关论文已发布。该工作将视频理解与交互整合进单一模型框架，论文链接随发布一并公开。
新基准 Design Creativity Bench 用 80 个开放式 UI 任务、16 个前沿模型评估设计创造力，最佳模型 OpenAI GPT-6 Astra 得分 65.5，人类设计师参考分为 92.3。该基准从原创性、创意范围和 Appropriateness 三个维度衡量，而非单一输出质量指标。完整排行榜、方法论与可复现评估框架已公开。
DeepSeek 的 OCR 论文提出了一种解决 AI 记忆问题的方法。该论文已公开，具体技术细节与效果数据尚未在现有材料中披露。
何恺明团队在论文《VISTA: A Visual Harness for Reasoning in an Interactive World》中提出视觉原生Harness框架VISTA，让现有多模态模型无需重新训练即可保存原始画面并在推理时回看、放大和检查细节。
Anthropic 发布科学博客，约翰斯·霍普金斯大学天体物理学家 Brice Ménard 用 Claude Science 做出第一张完整的全天紫外地图，其中约三分之一天空从未被紫外望远镜观测过，由 Claude 预测补出，并逐像素标注实测或预测及误差估计。
选题角度：用 Claude Science 把 GALEX 等公开紫外数据补齐成全天图，可讲清四步流水线和 10% 误差的实测对比。
一项名为 Image-to-Code 的新方法让编码智能体接收单张照片后编写可执行的 Blender 程序，通过写代码、运行、查看结果、修改的迭代方式重建 3D 场景，输出可直接运行和修改。
何恺明团队提出NAT-ARC，一套纯视觉的ARC解题方案，用ImageNet上的MAE预训练encoder再迁移到抽象格子推理。表现最好的单模型为0.6B参数，在ARC-1上取得63.4%的pass@2分数，集成后达到70.2%，约2B参数；作为参照，专门微调的The ARChitects用8B语言模型拿到71.6%。
诺因（Knowin）9月24日发布面向通用具身智能的生成式学习架构GLOW技术报告，核心是让机器人通过人类一次完整操作学会任务并跨物体、跨环境、跨任务复用。
腾讯混元语音团队与多所高校研究者提出 Gander，一个能一边实时对话一边在后台处理复杂任务的 AI 模型，同时接收语音、图像和文本。它把工作拆成负责实时对话的“小脑”和负责推理与复杂任务的“大脑”，大脑可换成 Codex 或 Claude Code 等智能体系统而无需重新训练对话模型，测试中由 OpenAI GPT-5.6 系列的一个未指明模型担任该角色。
阿里达摩院联合浙大一院等医院的通用腹部影像 AI 模型 DAMO RADAR 登上 Science，覆盖 18 种解剖结构、146 种疾病，模型、代码、技术框架全部开源。