小天才海外版 imoo 发布二合一硬件，具备实时翻译功能；Streamo：让大模型变成实时流式交互助手丨日报

处在信息爆炸的这个时代，技术的迭代速度超出人的想象。就在本周，针对多项AI领域出现的突破性进展，使得“智能”这两个字拥有了更具形象的落地场景，从那种能够听懂你话外之音的陪伴机器人，到会去判断何时开口说话的实时视频助手，人机交互的边界正在被重新进行定义。

小参数大能量 多模态OCR新标杆

正在被大幅拉 low 的是图像转代码的门槛，近期，小红书旗下的 rednote - hilab 团队发布了参数量仅仅为 3B 的多模态 OCR 模型 dots.mocr，在同级多语言文档解析任务当中这个模型达到了行业领先水平，它不但能够识别文字，而且具备精准的定位、识别以及语义理解能力，能够直接把图表和 UI 布局转换为可用的 SVG 代码，极大地简化了前端设计与数据提取流程。

然而，官方也坦率地表明了模型当下的限制之处。于处理架构繁杂的表格提取工作时，模型的稳健性依旧具备提升余地；在把图像转化成SVG格式的进程里，针对某些特殊元素的还原程度也存有欠缺。团队宣称，这些局限将会是未来版本更新的关键要点，目的乃为开发者给予更稳定、更精确无误的工具支撑。

让AI学会“察言观色” 实时视频助手登场

视频理解正从“事后分析”朝着“实时陪伴”迈进，香港浸会大学与腾讯优图实验室共同提出的Streamo模型，其核心创新之处在于把“何时回答”变为模型要预测的一个特殊token，借助端到端的训练框架，该模型成功把传统的离线视频模型转变为能处理真实场景的实时流视频助手。

突破这一技术的关键之处在于，解决了决策和生成分离的难题，以往的系统常常需要一个模块进行是否响应的判断，之后再调用另一个模块去生成内容，这致使反应迟缓且连贯性不佳，Streamo却把“是否响应”与“生成什么”统一到同一个“下一个词预测”的过程当中，使得模型能够在持续变化的视频内容里，自然而然地学会在恰当的时机作出精准的回应。

从离线到在线 解锁动态交互新可能

实时交互的难点在于时机，而非答案这点。现有的大多数视频大模型是基于完整视频片段设计，适用于离线场景，然而真实世界的需求常常是“边看边说”的直播理解、智能驾驶提醒或者安防巡检这类情况。Streamo借助将决策跟生成统一在同一个语义空间，使得模型能够联合建模时序线索、任务目标以及语言输出。

这种设计在实现真正的实时多模态交互时，并不需要引入额外的决策头或者外部控制器，它是通过把三种状态token直接融入标准的自回归训练框架来做到这点 的，这一方式不仅解决了当前视频大模型的关键瓶颈，还为将静态感知模型转换为动态交互智能体提供了一条可复用的技术路线，进而推动流视频理解领域的发展。

AI创作变现 音乐市场的新生态

近日，名为ElevenLabs的旗下的ElevenCreative平台正式上线了Music Marketplace，那允许创作者还有音乐人通过其凭借音乐模型所生成的曲目去获取版税收入，这使得已从“玩票”走向商业变现的AI音乐创作，创作者在平台里面完成提示词生成以及后期精调过后，则能够把作品直接发布至音乐市场，从而将创作流跟收益直接挂钩。

该举措为AI音乐创作者开拓了全新的收入途径，它搭建起一个自生成至发布的闭环生态，使得创作者既能享有基于AI的创作便利，又能凭借高质量作品获取经济收益，这表明AI生成内容正获主流商业体系接纳，为数字音乐产业增添新活力。

可穿戴新物种 手表与耳机的无缝融合

就智能穿戴设备而言，其正在对形态以及功能的极限展开探索，imoo所推出的Watch Buds，以巧妙的方式把手表跟耳机融合为一体，解决了怎样确保两个独立设备功能不受到影响的那种复杂技术难题，除开基础的健康监测之外，这款设备还支持实时翻译以及语音转录，能够把结果即刻传输至耳机以及App，达成多语言环境之下的面对面沟通。

此款产品得以问世，源于imoo于手表与耳机这两条产品线之中所具备的深厚积累，它把imoo Watch Phone的通信能力，与imoo Openbuds的音频技术予以深度融合，进而创造出全新的品类，这种跨界整合不但为用户节省了携带空间，而且在特定的沟通场景里提供了超越单一设备的便捷体验。

具身智能新篇章 能共情的陪伴机器人

具身智能陪伴机器人Amoo，由有十个月研发之久的上海青心意创科技有限公司推出，其技术正从“工具”向“家人”进化，为使机器人真正读懂用户，团队为它搭建多样协同情绪表达系统，拥有由情绪引擎驱动的丰富细腻拟人动作与复合情绪的全维度感知能力 ，这能力可帮助机器人实现从“工具”到“家人”的进化。

市场当下可规模化的机器人常常不容易达成整体能力的提升，然而，Amoo于感知、算法以及运控的协同那里有突破出现， 凭原子化动作库保障表情输出在物理层和语义层高度相匹配，致使情感表达更精准且更真实，这样一个能共情、会自主的“家人”，象征着具身智能由单一声功能朝着综合情感交互的跨越。

现今技术飞速地演进着，我们目睹AI正从小巧冰冷的工具转变成可以理解、懂得交互的伙伴。要是让你来做选择，你最为期望AI以哪一种形式融入你的日常的生活呢——是那种能够实时解说的称之为“智能眼睛”的东西，还是那种能够共情陪伴之“机器人家人”呢？在评论区分享你的想法，并且点赞转发它，让更多的人看到科技所蕴含的温度句号。

相关标签： # AI # 机器学习 # 大模型 # 技术趋势 # 产品创新