AI 周报 · 2026 年第 46 周 · 11.09 — 11.15
设计前沿
图像模型精准化与空间智能爆发
本期(2026-11-09至2026-11-15)行业动态聚焦于生成式AI在视觉精度与空间理解上的突破。字节跳动、MiniMax等发布新一代图像模型,主打像素级编辑与原生4K能力;World Labs开放可漫游3D世界模型,推动空间计算普及。Anthropic的Fable 5.2通过代码模拟笔触实现高保真图像生成,并在自由职业任务中表现显著提升。同时,具身智能领域进展迅速,苹果、腾讯及多家初创公司展示了机器人在物理环境中的自主行动与多机协同能力,标志着AI从数字创作向实体交互的深度延伸。
图像生成迈向像素级精准
本版导读字节跳动Seedream 5.5和MiniMax H3-Image分别强调局部编辑一致性与原生4K/CAD生成能力,严重文字崩坏率大幅降低。Anthropic Fable 5.2另辟蹊径,通过编写Python代码模拟物理笔触生成图像,不依赖扩散技术即可实现照片级逼真效果,且在音频、建筑等复杂任务中展现出超越前代模型的性能。
字节跳动发布 Seedream 5.5:主打像素级精准编辑与百轮修改不崩坏
字节跳动发布新一代图像创作模型 Seedream 5.5,主打像素级精准编辑、支持上百轮连续修改不崩坏、原生 RGBA 透明素材及小字渲染等能力。该模型在 iPhone Duo 界面改造、多人物海报调整等测试中展现出局部编辑一致性,严重文字崩坏率降至 0.4%。
MiniMax开源SOTA图像生成模型H3-Image,支持原生4K与CAD拆解
MiniMax开源了SOTA级图像生成模型H3-Image,支持原生4K分辨率(16MP)和最多16张参考图输入。实测显示该模型具备极强的世界理解能力,可生成标准CAD三视图、机械爆炸图及高数试卷,且在人脸细节、光影质感上显著降低了“AI味”。该模型已开放API调用,价格为主流竞品的50%-70%,首周16MP请求享五折优惠。
Anthropic 发布 Claude Fable 5.2:用代码模拟笔触“绘制”图像
Anthropic 推出新语言模型 Claude Fable 5.2,该模型不依赖扩散技术,而是通过编写 Python 代码在虚拟画布上模拟数十万至七十万个物理笔触来生成复杂甚至照片级逼真的图像。
Fable 5.2首批实测:编程与多模态能力超越Opus 5.5,API降价20%
A\
世界模型驱动空间智能
本版导读李飞飞创办的World Labs正式开放Atlas世界模型,支持自然语言生成可探索的3D环境并导出至Blender。高德发布基于自研世界模型的“飞行街景”,实现低成本沉浸式实景还原。此外,浙大SpaceCast-Bench基准测试显示当前VLM在预测性空间推理上仍有局限,但提供显式3D元数据能显著提升性能,揭示了空间理解的技术瓶颈与改进方向。
World Labs 开放世界模型 Atlas,支持一句话生成可漫游 3D 场景
李飞飞创办的 World Labs 正式向公众开放其世界模型 Atlas,同步上线网页应用和开发者 API。该平台提供 Viewfinder、Chisel 等工具,用户可通过自然语言或图片输入,自动生成包含几何结构、材质光照的可探索 3D 环境,并支持导出至 Blender 或游戏引擎。
浙大团队提出SpaceCast-Bench基准:VLM预测性空间推理最高准确率仅58.0%
浙江大学庄越挺团队提出SpaceCast-Bench基准,专门评估视觉语言模型(VLM)的预测性空间推理能力。评测21个模型发现最高准确率仅为58.0%,且6个空间专项模型表现接近随机水平,低于通用模型。研究表明,提供显式3D元数据能显著提升闭源模型性能,而依赖生成式图像作为证据则效果不稳定且易引入误差。
高德发布全球首个“飞行街景”功能并免费开放
高德于2026年1月7日正式发布全球首个“飞行街景”功能,面向所有商家免费开放。该功能基于高德自研世界模型,支持用户以第一视角沉浸式俯瞰店内外实景,实现从高空到室内的连续动态还原。相比谷歌未规模化的“沉浸式视图”,高德通过生成式技术路径大幅降低成本,并在WorldScore评测中位列第一,标志着其在空间智能场景化落地方面取得阶段性领先。
具身智能与机器人协作
本版导读苹果HALO项目利用宇树G1结合Mac mini与千问模型,通过合成数据训练实现家庭环境自主行动。星尘智能CoMind框架解决多机器人隔墙协作难题,大幅提升任务成功率。蚂蚁灵波开源触觉基础模型LingBot-Touch,增强灵巧手操作能力。这些进展表明AI正加速融入物理世界,从单一控制走向多机协同与精细感知。
苹果公布HALO人形机器人研究:宇树G1搭载Mac mini与千问模型实现自主行动
苹果研究团队公开名为 HALO 的人形机器人项目,使用宇树 G1 作为本体,背部搭载运行阿里千问模型的 Mac mini M4 Pro。该方案通过生成式仿真合成视觉-语言-动作(VLA)训练数据,避免了传统遥操作采集的人力瓶颈。在6个未扫描的真实家庭环境中,机器人在坐下、钻桌底等任务上的平均成功率达到91%,且全程无需联网或遥控。
蚂蚁灵波开源触觉基础模型 LingBot-Touch
蚂蚁灵波科技开源触觉基础模型 LingBot-Touch,基于近5000小时真实触觉数据预训练,覆盖磁触觉、视触觉和压阻式三类传感原理并输出统一触觉表征。在 Sharpa Wave 和 XHand1 两款灵巧手的26项真机测试中,接入该模型后四种动作模型的平均任务成功率较无触觉时提高约14至26个百分点。
星尘智能发布多机协同框架CoMind,实现隔墙高效协作
星尘智能发布面向多机器人协同操作的模型框架CoMind(Be My Eye),支持去中心化主动共享与任务关键信息精选压缩。在隔墙拿笔等极限测试中,该框架将任务成功率从0%提升至100%,盲盒置物准确率从38.9%升至88.9%,同时减少约80%的信息传输量。其核心创新在于动作级反向传播机制,使队友的动作结果直接指导自身提供何种关键视觉特征,从而优化协同决策效率。
蚂蚁灵波具身大模型挑战赛15强出炉,将展开48小时真机角逐
首届蚂蚁灵波具身大模型挑战赛公布决赛晋级名单,15支战队从全球1855支队伍中脱颖而出。这些团队将于11月14日至15日在上海张江进行48小时线下真机黑客松,基于LingBot-VLA 2.0开源预训练模型完成从任务理解到真机部署的全流程。此外,11月16日将举行闭幕式暨首届开发者大会,正式发布开发者生态计划,并邀请多家机构嘉宾围绕模型演进与产业应用进行交流。
设计工具链AI重构
本版导读Adobe推出本地MCP协议允许外部LLM调用其功能,ArtCraft发布开源替代品PhotoCraft挑战传统软件垄断。优设网分享引导AI临摹而非想象的设计方法,Duoasa开源Agent Skill辅助设计师保留个人审美判断。百度文心5.5 Flash强化编程与3D建模能力,腾讯混元Hy4具备原生视觉与电脑操作能力,显示通用大模型正深度嵌入专业工作流。
百度发布文心 5.5 Flash Preview,强化编程与3D建模能力并将于11月25日开源
百度正式发布文心 5.5 Flash Preview,该模型总参数量达 2800 亿,支持最长 100 万 Token 上下文。其在编程、3D 建模(适配 Blender/CAD)、知识工作及视频创作方面表现突出,已上线千帆平台并提供 API 调用,模型权重将于 11 月 25 日面向全球开源社区发布。
Adobe 发布 Photoshop 等产品的 AI 新功能并推出本地 MCP
Adobe 在 MAX 大会上宣布为 Photoshop、Premiere、Illustrator 和 InDesign 等产品增加更多 AI 功能,并发布了允许 ChatGPT、Claude 或 Gemini 等外部聊天机器人调用 Adobe 功能的 Model Context Protocol (MCP)。
ArtCraft发布基于Rust的开源Photoshop替代品PhotoCraft及多款AI克隆软件
ArtCraft在AI Engineer Code Summit上展示了其开源策略,发布了包括PhotoCraft在内的17款由AI辅助构建的软件工具,旨在替代Adobe Photoshop、Acrobat及Figma等主流应用。
腾讯混元Hy4发布:具备原生视觉与电脑操作能力,实测多模态Agent交付力
腾讯正式发布混元Hy4大模型,总参数770B,激活参数49B,首次引入原生视觉能力和电脑操作功能,并宣称跻身最强开源模型之列。作者通过WorkBuddy平台实测发现,Hy4能精准还原设计截图生成复古音乐播放器,自主构建可交互的3D游乐园,并在制作PPT和开发图片批处理工具等长程任务中展现出阶段性自检与修正能力。
Duoasa 开源 be-yourself Agent Skill 辅助设计师个性化创作
Duoasa 在 GitHub 开源了名为 be-yourself 的 Agent Skill,支持 Codex 和 Claude Code 等客户端安装调用。该工具不提供固定画风或审美预设,而是引导模型从用户的目标、稿件和偏好出发,解释设计取舍并协助迭代,强调保留设计师的个人判断与品味。
优设网分享让 AI 生成更具设计感 UI 的七个方法 · 该内容已按来源方要求下架或调整展示方式。