【主题】OpenAI 用 Codex 展示“自我改进型”业务 Agent

解读 OpenAI 介绍了 Tax AI 的做法：把生产中的错误、人工复核和评估命令整理成结构化信号，再让 Codex 帮助修复和迭代。对工程团队来说，重点不是让 Agent 自己乱改代码，而是把日志、评审、测试和发布门禁做成闭环。这个模式适合税务、审计、客服和运维等规则复杂、反馈明确的场景。

来源 OpenAI

【主题】NVIDIA Cosmos 3 把物理 AI 的理解、生成和动作放进一个世界模型

解读 Cosmos 3 是面向机器人、自动驾驶和仿真的开源全模态世界模型，能处理文本、图像、视频、音频和动作序列。它的工程意义是减少“视频生成模型、VLM、世界模拟器、策略模型”之间的拼接成本。真正落地时，要重点评估数据许可、推理成本、仿真真实性和下游控制安全。

来源 Hugging Face

【主题】字节 Bernini 用“先理解、再渲染”改造视频生成和编辑

解读 Bernini 把视频任务拆成两步：多模态大模型先做语义规划，Diffusion Transformer 再负责视觉渲染。对做视频编辑工具的团队，这种拆法可以让模型更懂“要改哪里、保留哪里”，减少一改就跑偏的问题。短期使用要注意当前开源主要是 Renderer，完整 Planner 能力和硬件门槛还需要继续观察。

来源 量子位

【主题】ByteDance GRN 释放训练代码，探索非扩散、非自回归视觉生成

解读 GRN 的更新放出了文本生图和文本生视频的训练、微调代码，主打用全局 refinement 来生成视觉内容。它给工程师的启发是，视觉生成路线不一定只有扩散和自回归两条路。评估时不要只看样例图，还要看训练稳定性、推理速度、控制能力和社区工具链成熟度。

来源 GitHub

【主题】Qwen-VLA 把视觉、语言和机器人动作统一到一个通用模型

解读 Qwen-VLA 基于 Qwen3.5 视觉语言骨干和动作解码器，把机械臂操作、导航和轨迹预测放进统一框架。对机器人团队来说，它更像一个“多任务动作接口”原型，而不是单一平台的专用策略。落地前需要重点验证不同机器人本体、真实传感器噪声和安全约束下的表现。

来源 GitHub

【主题】ZipSplat 用前向模型加速无位姿图片的 3D Gaussian Splatting

解读 ZipSplat 可以从少量无相机位姿图片中一次前向重建 3D Gaussian 场景，省掉每个场景单独优化的慢步骤。对 CV 和 3D 产品工程师来说，它适合快速做新视角合成、空间内容预览和数据集批处理。真正接入业务时，要测试复杂室内、反光物体、稀疏视角和导出格式。

来源 GitHub