谷歌「推理之王」也跑路Meta了，當年還是李飛飛挖來的

這篇消息聚焦「為什麼大廠都在搶世界模型：四個商業場景和三個社會影響」。原始導語提到：講講世界模型可能有什麼用 從 AI 情報角度來看，這類內容值得關注其背後的技術進展、產品落地、產業競爭與後續市場影響。

這篇消息聚焦「95後博士投身世界模型，臉譜心智融資數千萬元」。原始導語提到：星連資本、360出手。 從 AI 情報角度來看，這類內容值得關注其背後的技術進展、產品落地、產業競爭與後續市場影響。

中國信通院 6 月 25 日宣佈，在工業和信息化部信息通信管理局的指導下，中國信息通信研究院泰爾終端實驗室聯合深圳市 AI 眼鏡產業聯盟研究起草了《AI 眼鏡可信視界自律公約》（以下簡稱《公約》），得到產業鏈上下游企業的積極響應。

這篇消息聚焦「阿里練操作，Momenta 開真車，英偉達搭片場：三個"世界模型"根本不是一回事」。原始導語提到：同名不同命：三家世界模型各玩各的 從 AI 情報角度來看，這類內容值得關注其背後的技術進展、產品落地、產業競爭與後續市場影響。

翁荔迴歸萬字長文《Scaling Laws， Carefully》拆解大模型規模定律，直指行業共識可能寫反：從Kaplan到Chinchilla，主流數據配比未必最優。文章細究算力、模型大小與數據量的權衡，暗示數百億美元押注的路徑或需徹底反思，引發從業者重新審視預訓練配方的有效性。

現有的統一高光譜圖像恢復方法還存在不少缺點：如果用顯式退化先驗，很難適配真實場景裡的未知退化；採用黑盒隱式表徵的話，又容易過擬合訓練數據的分佈，對於未見退化的泛化效果不好，光譜保真度也普遍偏低。針對這一問題，文中提出了一個可解釋的空間-光譜度量，得到連續的退化提示，然後再搭配上退化自適應專家混合結構，以度量作為路由動態激活對應的專用專家，最終只用單個模型就能夠滿足多種不同退化類型的情況。從實驗結果來看，該方法在5類常規恢復任務上達到了SOTA水平，而在運動模糊、泊松去噪這類訓練中沒出現過的任務上，零樣本表現也很突出，同時計算開銷比大多數同類方法更低。論文題目：Degradation-Aware Metric Prompting for Hyperspectral Image Restoration中文題目：面向高光譜圖像恢復的退化感知度量提示方法論文鏈接：https://arxiv.org/abs/2512.20251代碼鏈接：https://github.com/MiliLab/DAMP論文作者：Binfeng Wang, Di Wang, Haonan Guo†, Ying Fu†, Jing Zhang†（†為通訊）作者單位：北京理工大學計算機科學與技術學院、北京中關村學院、武漢大學計算機學院發表年份：ICML 2026論文引言高光譜圖像能夠捕捉數百個連續波段的光譜信息，是精準農業、環境監測、地物分類、變化檢測等空天領域應用的重要數據基礎。但受到成像硬件條件和物理環境的雙重幹擾，實際採集到的高光譜圖像往往存在低信噪比、運動模糊、波段缺失等多種退化問題，會大幅降低光譜特徵的判別能力，對下游任務的性能發揮造成不利影響。早期的高光譜恢復方法大多是針對特定任務設計的，只能處理單一類型的退化，很難應對真實場景裡混合、未知的退化模式。受自然圖像恢復領域提示學習思路的啟發，近些年已