【主题】NVIDIA Cosmos 3 把物理 AI 的生成、推理和动作合到一条链路
解读 Cosmos 3 是一个面向机器人、自动驾驶和仿真的开放 omni-model，能同时处理世界生成、物理推理和动作生成。对工程师来说，重点不是参数更大，而是可以少拼接几个独立模型，直接评估端到端仿真数据和策略生成流程。落地前要看许可证、显存需求、Diffusers 集成和自有数据微调成本。
AI & CV 每日科普 · 2026年6月2日
6 条当日/近期热点 · 工程师向浅科普
【主题】OpenVision 2 用更简单的生成式训练做视觉编码器
解读 OpenVision 2 在 CVPR 2026 展示了一条更轻的视觉编码器路线：去掉文本编码器和对比损失，只保留 caption 生成目标。它的价值在于训练更省显存和时间，适合团队做多模态基座模型的视觉侧预训练实验。实际使用时要注意仓库依赖自带的 open_clip 版本，不能直接拿上游包替换。
来源 GitHub
【主题】Apple 用 VSAS-Bench 测实时视觉助手，不只看答对没有
解读 VSAS-Bench 关注视觉流式助手，也就是模型一边看视频流一边回答和主动提醒。它把评估重点从离线问答扩展到延迟、主动性和多帧稳定性，这更接近监控、车载、AR 和远程协作场景。做 CV 应用时，可以用类似思路设计自己的线上指标，而不是只看单帧准确率。
【主题】MONET 开放大规模图文数据，让文生图研究更容易复现
解读 Jasper Research 发布 MONET，把 29 亿张图片筛到 1.049 亿条高质量图文样本，并配套轻量训练代码。它对小团队的意义是能做可复现的数据清洗、基线模型和内部评测，不必完全依赖封闭数据。商用前仍要审查数据来源、过滤策略和 Apache 2.0 之外的潜在内容风险。
【主题】JetBrains Mellum2 用小激活参数服务代码和文本场景
解读 Mellum2 是 12B MoE 模型，但每个 token 只激活约 2.5B 参数，目标是更低延迟和更高吞吐。它不是追求所有任务最强，而是适合路由、RAG、摘要、子代理和私有化代码辅助这类高频调用。评估时要用真实并发、上下文长度和业务提示词，因为 MoE 的收益很依赖服务框架。
【主题】GitHub Copilot 用量计费上线，AI 编程开始更重视成本治理
解读 GitHub 表示 Copilot 用量计费已对用户生效，代码审查还会消耗 Actions 分钟数和 AI Credits。对工程团队来说，这会改变“随便开高端模型”的使用习惯，尤其是代理式任务、长上下文和自动审查。团队应把模型选择、预算告警、权限策略和测试门禁一起设计。