进入 2025 年，GUI Agent 赛道热度逐渐抬升 —— OpenAI 推出 Operator 并发布了 ChatGPT Agent，字节则发布了 UI-TARS-1.5 定位 GUI 开源方案。但大多数产品依然依赖本地执行，难以 24h 稳定运行。
硅谷各个模型公司在这个季度，开始分化到各个领域，除了 Google Gemini 和 OpenAI 还在做通用的模型；Anthropic 分化到 Coding、Agentic 的模型能力；Mira 的 Thinking Machines Lab 分化到多模态和下一代交互。
AI Agent正在被要求处理越来越多复杂的任务。 但当它要不停地查资料、跳页面、筛选信息时，显存狂飙、算力吃紧的问题就来了。
要让视频生成模型真正成为模拟真实物理世界的「世界模型」，必须具备长时间生成并保留场景记忆的能力。然而，交互式长视频生成一直面临一个致命短板：缺乏稳定的场景记忆。镜头稍作移动再转回，眼前景物就可能「换了个世界」。
昨晚睡不着，我把四份最新AI纪要摊床上，越看越像四盘菜：Kimi那盘是精算师凉面，DeepSeek端上战略家佛跳墙，ChatGPT递来脱口秀炸酱面，Gemini则摆好外交官寿司。
大模型与多模态之间的关系，可以理解为大模型就像是人脑中的‘前额叶’，主要负责高级认知功能，但只有前额叶的大脑是无法处理复杂任务的，这就需要多个不同模型之间互相协调，从单纯的“前额叶”走向“完整的大脑”，从而处理更加复杂的现实任务。
就在刚刚，全球首个手机通用Agent，来了！
RoboNeo 拿下百万 MAU 后，美图财报依旧强势。7 月中旬，美图上线了面向影像领域的 AI Agent RoboNeo，并靠“emoji 小人”的社媒风潮获取了第一批用户，上线一个月左右的时间，已拿下 100W 左右的 MAU。美图又以极快的速度，推火了一款新产品。在 AI 时代，聚焦影像的美图，有点乘风起的意味，如其昨天发布的半年报。
近年来，扩散大语言模型（Diffusion Large Language Models, dLLMs）正迅速崭露头角，成为文本生成领域的一股新势力。与传统自回归（Autoregressive, AR）模型从左到右逐字生成不同，dLLM 依托迭代去噪的生成机制，不仅能够一次性生成多个 token，还能在对话、推理、创作等任务中展现出独特的优势。
虽然大模型的优越表现令人瞩目，但动辄高昂的使用成本也让不少用户望而却步。 为平衡性能与成本，上海人工智能实验室科研团队基于前期技术积累，开源推出了Avengers-Pro多模型调度路由方案。
