本期概览

以往多语种ASR在长尾语言上性能严重不均，受数据稀缺限制。GigaAM Multilingual通过数据平衡和采样方法首次在三种中亚低资源语言上超越了主流强基模型，且开源模型和训练配方，为其他类似语言提供了可复现的有效路径。

此前视觉语言基准不衡量主动观察，而 ActiveVision 指出当前最先进 MLLM 在此维度基本失效（最高 10.6%），揭示了模型在感知-推理闭环上的根本缺陷，将推动研究方向转向闭环架构。

此前自主数据科学代理依赖昂贵的试错工作流；DSWorld通过预测操作效果提前淘汰无效路径，将RL训练和搜索推理分别加速14倍和3-6倍，大幅降低计算成本和时间开销，提升自动化决策效率。

此前缺乏在长流程中如何最优分配有限人类监督的理论指导。该工作首次给出数学化的监督间隔原则，使AI产品可在固定人力成本下提升输出质量与效率。

此前机器人模型多为任务特定，泛化能力弱、数据需求大。Xiaomi-Robotics-1 通过大规模预训练实现跨任务即开即用和高效微调，展现数据与模型规模扩展性，降低了机器人部署和适配的门槛。

此前音视频大语言模型主要处理短视频片段，AV-Flamingo首次针对长视频设计，且完全开源。它在时序感知、跨模态推理和可解释性上取得实质突破，在多项基准中超越同体量模型，甚至与更大模型竞争，有望降低长视频理解的门槛。