北美具身智能公司 Skild AI 发布机器人基础模型 S1，核心是上下文学习能力：模型无需后训练或微调，只看一段人类演示视频，就能完成未见过的新任务。官方展示中，S1可处理煎饼、咖啡冲泡、植物换盆和设备组装等任务，最长任务时长超过 10 分钟。在未见过任务上，其成功率为 66%，高于基于语言提示的 VLA 的 9%；若走传统后训练路线，大约需要约 380 次演示才能追平这一水平。
ByteDance Seed 团队在论文《Scaling Properties of Text Conditioning in Visual Generation》中提出，文生图训练中真正决定效果的并非 Caption 长度，而是其中可被模型利用的图像信息。团队据此引入 Structured Prompt，用结构化 JSON 组织全局、元素和关系层信息，并结合 GPG、ED 两项指标衡量文本条件信息量。在相同 Qwen-Image 架构、训练图像和预算下，这套结构化接口在复杂组合、推理和世界知识生成任务上取得更好结果。
自监督学习新工作 VISReg 近日获得图灵奖得主 Yann LeCun 连续转发，并被其概括为从 VICReg 到 SIGReg 再到 VISReg 的技术延续。该方法把表征正则拆分为“尺度”和“形状”两个独立目标，试图解决 JEPA 世界模型中的表征坍塌问题。论文称，VISReg 不依赖 EMA、教师-学生网络、停止梯度冻结层等启发式技巧，在 15 个数据集上综合表现超过 7 种主流方法，并以约 1/10 的训练数据在 OOD 基准上追平 DINOv2。
