端侧多模态、通用触觉与推理加速同频共振
1. DeepSeek 发布 DSpark：大模型推理加速再进一步，开源工具链同步放出
近日，DeepSeek 团队发布了一篇由梁文锋署名的新论文，提出面向大模型推理的加速方案 DSpark
具体而言，DSpark 先用一个并行骨干网络一次性生成多个候选 token，再用一个低成本的马尔可夫顺序头逐位置注入前缀依赖，修正并行生成中常见的“后缀衰减”问题。论文中的所有加速数字，都是与 DeepSeek-V3 已采用的 MTP-1 基线对比得出的，意味着这 60%–85% 的提速是在已有优化基础上的进一步叠加。
更值得注意的是工程落地细节。DSpark 配套了一个名为 DeepSpec 的全栈训练库，已把 Eagle3、DFlash、DSpark 三类草稿模型的训练代码开源，并支持 Qwen3、Gemma 等外部模型。也就是说，其他团队可以直接基于这套工具，为自己的大模型训练专属草稿器。
值得关注：当大模型能力差异逐渐缩小，推理成本和响应速度正成为下一个核心战场。DeepSeek 这次不仅给出了一套性能亮眼的技术方案，还配套了可复用的训练基础设施。DSpark 的加速收益能否在真实业务负载中稳定复现，值得持续跟踪；而它的开源姿态，也可能进一步推动行业在推理效率上的集体竞赛。
2. 杭州 Om AI 发布 VLX：全球首个面向物理世界的端侧流式多模态模型系列
杭州 AI 团队 Om AI 近日发布了 VLX 系列模型，这是首个面向物理世界的端侧流式多模态模型。该系列包括三款定位不同的模型：VLX-Flow 负责持续流式感知，VLX-Seek 负责精准定位，VLX-Go 负责把感知结果转化为机器人可执行的短时航点。
与常见的“把云端大模型压缩到端侧”路线不同，VLX 从架构设计的第一天起就围绕端侧约束展开。它用 Linear Attention 加双层记忆机制，让视频流能够持续输入而不会因为上下文变长导致显存爆炸；用 Region Token 替代坐标自回归生成，降低定位任务的端侧部署成本；而 VLX-Go 仅用约 0.6B 参数，就能完成实时运动规划。
团队公布的参考数据显示：VLX-Flow 处理单路视频最快仅需 0.06 秒；VLX-Go 以约十分之一的参数规模，取得了优于更大模型的导航表现；VLX-Seek 则以 3B 级模型在目标检测等任务上达到甚至超过更大规模通用模型的效果。
值得关注：CVPR 2026 上，VLM/多模态相关论文占比已从去年 4.9% 增长到 10.6%。VLX 的出现，意味着多模态模型的竞争焦点正在从“更大、更通用”转向“更实时、更端侧、更能行动”。如果端侧流式多模态真能跑通感知—定位—行动的闭环，具身智能、无人机、智能摄像头等场景的落地节奏可能都会被改写。
3. Sharpa 联合清华等高校发布 FTP-1：首个通用触觉基础策略，打通 21 种传感器
机器人触觉领域迎来了一个重要节点。Sharpa 联合清华大学、UC Berkeley、上海交通大学、ETH Zurich 等机构发布 FTP-1，这是首个通用触觉基础策略，目标是让机器人触觉能力像视觉能力一样可预训练、可共享、可迁移。
FTP-1 基于约 3,000 小时、来自 26 个数据来源和 21 种不同触觉传感器的数据进行预训练。它的核心创新有两点：一是 MTTS（形态感知触觉 token 空间），能把任意触觉输入映射到 24 个语义一致的功能区域 token，让不同传感器在统一表示下对话；二是独立的触觉 Transformer 专家，避免触觉信号直接灌入视觉—语言 backbone 时干扰原有知识。
在真实机器人评测中，FTP-1 在传感器已出现在预训练数据中的任务上，平均成功率达到 62.5%，比基线 π₀.₅ 的 45.3% 高出 17.2 个百分点；在预训练阶段从未见过的新传感器上，提升更为显著，比最强基线高出 31.6 个百分点，而团队只需从头训练对应传感器的 encoder。
值得关注：长期以来，触觉机器人困在一个死循环里：没有统一表示，就难以形成统一数据集；没有统一数据集，就难以训练通用模型。FTP-1 用统一的触觉 token 语言、大规模异构数据集和独立触觉专家，把这个循环打破了。对具身智能而言，这意味着触觉不再只是视觉的配角，而可能成为与视觉并行的另一条基础能力线。
4. 南大 & 腾讯混元推出 HYDRA/HYDRA-X：单个 ViT Tokenizer 统一多模态理解与生成
南京大学王利民团队与腾讯混元联合发布了 HYDRA 系列工作，挑战了原生多模态模型中“理解用一套 encoder、生成用另一套 encoder”的主流做法。HYDRA 训练了一个基于 ViT 的统一视觉 Tokenizer，让它同时承担理解和生成的任务。
传统做法中，理解 encoder（如 SigLIP 2）学到的是语义特征，生成 encoder（如 VAE）学到的是重建特征，两者特征空间不一致，模型需要额外学习映射。HYDRA 通过一个 Generation-Semantic Bottleneck（GSB）模块，在生成路径和语义路径之间做投影，让同一个 Tokenizer 既能高质量重建，又能提供丰富的语义特征。
在 1.5B 参数规模下，HYDRA 在多模态理解评测中平均得分 63.1，显著超过基线 Show-o2 的 53.2；在生成评测 GenEval 和 DPG-Bench 上也有大幅提升。进一步推出的 HYDRA-X 把这一思想拓展到视频，支持图像理解、视频理解、图像生成、视频生成和指令引导图像编辑五个任务。
值得关注：原生多模态模型是 2026 年模型架构竞争的焦点之一。HYDRA 的意义在于，它证明了“一个统一 Tokenizer”这条路可以走得通，而且可能比解耦方案的上限更高。如果后续能在更大规模和更复杂任务上保持优势，它可能会影响下一代多模态模型的设计范式。
5. First Proof 第二批测试结果公布：AI 在严格数学测试中仍逊于人类顶尖研究者
在 AI 数学能力被广泛讨论的背景下，独立研究项目 First Proof 公布了第二批正式测试结果。该项目向四个基于公开模型的 AI 系统提出了 10 道研究级数学题，所有题目均来自数学家正在解决的未发表问题，并经过 30 位领域专家以匿名方式评审。
结果显示：四个系统中表现最好的也仅通过 6 道题，且没有任何一道题被所有系统同时攻克。AI 在部分题目中展现出新颖的证明思路，比如系统 A 在第 5 题中用一条与人类解法完全不同的路径，被评审评定为“无实质性问题”。但 AI 答卷也暴露出系统性缺陷：包括遗漏关键引用、虚构不存在的文献定理、在困难步骤上语焉不详，以及“几乎逐行照搬出题者已有论文却没有注明来源”的引用问题。
测试中的四个系统分别为：苏黎世联邦理工和奥胡斯大学团队的 ProofCouncil、UCLA 团队（含数学家陶哲轩）的 Moonshot Harness、OpenAI 的 ChatGPT 5.5 Pro，以及普林斯顿大学的 Momus。整个测试在亚马逊 AWS 独立服务器上运行，确保所有系统都无法获得额外人工帮助。
值得关注：这场测试的关键价值在于“题目设计”——它切断了 AI 从训练数据或公开文献中检索答案的路径。在真实研究场景下，AI 的强项是“在已有思想结构中找捷径、转译和复用”，但在“提出深刻猜想、构建理论框架”以及“判断哪个方向值得追逐”的直觉层面，与人类顶尖研究者仍有明显距离。它提醒我们，AI 当前更适合作为科研助手，而非独立研究者。
今日小结
今天的 AI 行业呈现出几条清晰主线：
推理效率正在成为新的竞争高地：DeepSeek DSpark 用系统工程和模型协同设计，把大模型推理速度再推上一个台阶，并配套开源训练库，可能引发一波推理优化浪潮。
多模态模型开始走向端侧与物理世界：Om AI 的 VLX 证明，端侧流式多模态不只是“小模型”，而是一种新的模型形态，可能成为具身智能和空间智能的基础设施。
触觉进入基础模型时代：FTP-1 用统一触觉语言打破传感器壁垒，让触觉能力像视觉一样可迁移，这对机器人精细操作是重要一步。
原生多模态架构持续进化：HYDRA/HYDRA-X 用单个 ViT Tokenizer 统一理解与生成，为下一代多模态模型提供了一种新的设计思路。
AI 科研能力的边界仍需理性看待：First Proof 的严格测试提醒我们，在切断“数据检索”这一捷径后，AI 的原创数学能力仍有明显短板，更适合作为人类研究者的辅助工具。
