AI 简报 - 2026/10/23

本期值得看

• 在连续的音视频流上分别评测是否回应、何时回应和回应质量，领先的实时模型平均延迟不到一秒，但在应答窗口内的回应率不超过 53.77%。
• 指出 JEPA 选择哪些特征取决于特征集合之间的预测关系，本身难以预测的特征只要能帮助预测别的特征，也会被保留。
• 用单个 VLA 只看画面、只输出原生键鼠动作完成 Minecraft 里的所有子任务，并能从零做出铁镐。

全双工语音对话

DIVE: Benchmarking Full-Duplex Interaction with Visual Engagement in Continuous Streams

Yuhang Chen, Guangyue Liu, Shilong Liu · arXiv 2026-10-20