一、重磅工具：“空間智能”正式上線，AI開始自己造世界

　　新聞：World Labs發(fā)布世界模型Marble。這個(gè)生成式AI世界模型允許用戶根據(jù)文本、圖像、視頻和3D布局等多種輸入，生成可持續(xù)交互的3D環(huán)境。這些模型基于渲染場(chǎng)景中的高斯濺射特征生成3D世界，能在用戶探索時(shí)保持一致性。

　　World Labs一直在開發(fā)能夠突破空間智能邊界的世界模型，其理念基于該公司創(chuàng)始人李飛飛所提出的“空間智能是AI下一個(gè)前沿”。空間智能是AI理解物理世界的基礎(chǔ)，支持創(chuàng)建和編輯交互式AI世界；這項(xiàng)技術(shù)有望成為一種基礎(chǔ)性的AI模型技術(shù)，既能服務(wù)于視頻和圖像的生成式AI模型，也能支持機(jī)器人和自動(dòng)駕駛汽車等與物理世界交互的AI模型。

　　銳評(píng)：這是要造出《黑客帝國(guó)》母體的節(jié)奏。

　　二、AI技術(shù)與產(chǎn)品發(fā)布：從會(huì)說話到會(huì)“說人話”，個(gè)性成GPT-5.1新亮點(diǎn)

　　1. 新聞：本周OpenAI發(fā)布GPT-5.1。作為GPT-5的更新版，GPT-5.1旨在實(shí)現(xiàn)更“富有人情味”的交互體驗(yàn)。它提供兩種主要模式：GPT-5.1 Instant （即時(shí)模式），用于快速、熱情、遵循指令的聊天；以及GPT-5.1 Thinking（思考模式），用于更持久的多步驟推理。即時(shí)模式能提供快速、友好的回答，而思考模式則會(huì)在處理復(fù)雜任務(wù)時(shí)自動(dòng)放慢速度。而在“自動(dòng)”模式下，ChatGPT會(huì)自動(dòng)將用戶任務(wù)分配給最合適的模式。

　　GPT-5.1還包含一套更豐富的個(gè)性預(yù)設(shè)（默認(rèn)、專業(yè)、友好、坦誠(chéng)、古怪、高效、書呆子氣、尖酸刻薄），讓用戶可以通過設(shè)置微調(diào)回復(fù)的語氣。GPT-5.1的發(fā)布公告并未提及新模型的推理或基準(zhǔn)測(cè)試能力有何具體提升，而舊版GPT-5模型將會(huì)保留數(shù)月時(shí)間。

　　評(píng)測(cè)指出，GPT-5.1感覺更“溫暖”、更具個(gè)性化，解決了此前GPT-5缺乏個(gè)性的問題，在交互式聊天中對(duì)指令的響應(yīng)和遵循能力也有所改善。TechRadar的日常使用評(píng)測(cè)稱GPT-5.1“能力更強(qiáng)且更可控”。Digital Trends則表示：“我更喜歡用Gemini，但GPT-5.1更新可能會(huì)讓ChatGPT成為你真正想用的AI助手。”

　　OpenAI還擴(kuò)展了ChatGPT的協(xié)作功能，允許多人與同一個(gè)AI對(duì)話。GPT-5.1中的這項(xiàng)功能主要針對(duì)項(xiàng)目工作、規(guī)劃和學(xué)習(xí)小組的需求，允許用戶邀請(qǐng)朋友加入進(jìn)行中的ChatGPT對(duì)話，并看到AI結(jié)合上下文回復(fù)每個(gè)人的消息。

　　銳評(píng)：GPT情商拉滿，終于學(xué)會(huì)“好好說話”了。

　　2. 新聞：百度發(fā)布ERNIE-4.5-VL-28B-A3B-Thinking，這是一個(gè)基于混合專家（MoE）架構(gòu)的新型多模態(tài)推理模型。其總參數(shù)量為280億，但每個(gè)token僅激活30億參數(shù)。ERNIE-4.5-VL-28B-A3B-Thinking能夠處理圖表理解、視頻理解、視覺定位和工具增強(qiáng)的圖像搜索等視覺推理任務(wù)。在MathVista和其他VQA（視覺問答）套件等基準(zhǔn)測(cè)試中，它的表現(xiàn)與Gemini 2.5 Pro和GPT-5.1相當(dāng)，但模型規(guī)模要小得多。ERNIE-4.5-VL-28B-A3B-Thinking基于Apache 2.0開源許可協(xié)議，其文檔、演示以及權(quán)重已同步上線Hugging Face。

　　銳評(píng)：百度這波“以小博大”，證明“濃縮就是精華”，順手還給開源了。

　　3. 新聞：ElevenLabs推出Scribe v2 Realtime，這是該公司最新的用于實(shí)時(shí)轉(zhuǎn)錄的低延遲語音轉(zhuǎn)文本模型。Scribe v2 Realtime能以低于150毫秒的延遲轉(zhuǎn)錄語音，目標(biāo)應(yīng)用場(chǎng)景包括語音助手、會(huì)議助手和實(shí)時(shí)字幕，并支持90多種語言。ElevenLabs為使用其API的用戶和開發(fā)者提供了產(chǎn)品頁面和技術(shù)文檔。