Infinitum

07-26日报 | FLUX.3 原生音视频、N0 触觉具身、Cloudflare AI 爬虫分级、微软 Fara1.5

来源：24 个引用生成：2026/07/27 06:11

内容

声明：完全使用AI生成，可能存在错误，需谨慎甄别。

摘要

2026-07-26 AI 领域呈现多模态生成与具身基建同步推进的格局，值得关注的信息：黑森林实验室发布 FLUX.3，可单次原生生成最长 20 秒音画同步内容；新智具身联合复旦发布 N0 系列触觉报告，开源超 3 万小时视触数据；Cloudflare 推出 AI 爬虫分级管控与按请求付费网关；微软发布纯视觉浏览器智能体 Fara1.5。开源侧 The Stack v3、MonkeyOCRv2 与手机 Agent Open Minis 同步上新，FFmpeg PixelSmash 远程代码执行风险亦需警惕。

热点事件

黑森林实验室发布 FLUX.3：单次原生生成 20 秒音视频

黑森林实验室（Black Forest Labs）发布多模态基础模型 FLUX.3，基于 Self-Flow 统一架构联合学习图像、视频与音频，可单次原生生成最长 20 秒音画同步内容，支持文生视频、图生视频、关键帧转视频及多镜头串联。FLUX.3 Video 已开放 Early Access，图像版与开源版 Flux3Dev 将陆续推出。人工评测中，对 Grok Imagine Video 胜率 69%，对 Seedance 2.0 与 Gemini Omni Flash 均为 52%，对 Luma Ray3.2、Runway Gen-4.5 分别达 93% 与 77%。实验室还联合 Mimic Robotics 推出机器人动作模型 Flux-mimic，已在奥迪工厂测试，把多模态能力延伸到实体产线。

重点： 音视频原生一体化与工业机器人联动

来源：展开 3 条收起 3 条

新智具身联合复旦发布 N0 系列：3 万小时触觉数据开源

2026 年 7 月 26 日，新智具身（NeoteAI）联合复旦大学可信具身智能研究院发布 N0 系列三份技术报告，将触觉从辅助模态升级为具身智能核心基建。N0-Foundation 构建超 3 万小时视觉-触觉交互数据集与 NeoForce 统一表征，解决跨设备融合；N0-VTLA 预测未来 50 步触觉演变，使插插头等任务成功率显著超越纯视觉方案；N0-TWAM 在世界模型中联合预测视频、触觉与动作，仿真平均成功率约 84.5%，真机约 46.3%。项目数据与模型均已开源。

重点： 当日发布并开源，补齐具身“手感”

来源：展开 2 条收起 2 条

Cloudflare 分级管控 AI 爬虫，配套按请求付费网关

Cloudflare 面向出版商推出 AI 流量控制框架，将爬虫按用途划分为搜索、AI 训练与 AI 智能体三类，默认拦截训练与智能体、仅放行搜索，控制将于 9 月 15 日生效，并发布 BotBase 公开数据库做爬虫身份验证。同步上线的付费网关允许出版商按请求向 AI 智能体收取网页、API 与模型上下文协议访问费用。数据显示自动化请求已占其 HTTP 流量的 57.5%。Googlebot、Applebot 等兼具搜索与训练的多用途爬虫可能被连带封禁，社区也质疑 Cloudflare 既服务 AI 基建又限制爬虫的利益冲突。

重点： 内容侧对训练与 Agent 抓取显著收紧

来源：展开 2 条收起 2 条

微软发布 Fara1.5-27B：纯视觉浏览器操作智能体

微软研究院 AI 前沿团队发布 Fara1.5-27B，一款面向浏览器的纯视觉多模态计算机操作智能体，基于 Qwen3.5-27B 监督微调，训练数据来自 FaraGen1.5 合成任务，并配合 MagenticLite 框架运行。同步提供更小的 Fara1.5-4B 与 Fara1.5-9B 检查点。已知局限包括 缺乏 DOM 感知、仅支持英文、易受视觉提示注入。该路线强调“看屏幕操作”而非依赖页面结构，为浏览器自动化 Agent 提供了可复用的工程基线。

重点： 纯视觉浏览器 Agent 新开源检查点

来源：展开 1 条收起 1 条

变更与实践

阿里发布 Qwen-Audio-3.0-TTS：支持 16 语与最长 3 分钟生成

阿里巴巴 Qwen 团队推出 Qwen-Audio-3.0-TTS，提供 Flash 与 Plus 两个版本，支持 16 种语言，具备 `[whisper]、[angry]` 等内联控制标签、自然语言风格引导、嘈杂参考音频鲁棒性，以及最长 3 分钟一次性生成能力。团队称其在 Artificial Analysis TTS 排行榜位居前列，适合多语种语音产品与可控风格合成场景快速接入。

来源：展开 1 条收起 1 条

智能音箱接入大模型后：仍需重做注意力、身份与授权

分析文章指出，语音交互在大模型加持下仍需跨过三道关卡：注意力管理（高分心场景要压缩回复）、身份边界（共享空间厘清指令归属与隐私）、动作授权（付款等操作差异化确认并保留撤销）。文中以 OpenAI 语音硬件传闻、GPT-Live 与 CarPlay 语音优先模式为背景，强调 流畅对话并不足以构成真正的语音 Agent，关键在于场景化交接机制。

来源：展开 1 条收起 1 条

Netflix：约 300 个 title 嵌入 GenAI，强调工业判断优先

Netflix 在 2026 年 Q2 股东信披露约 300 个 title 使用 GenAI 工作流，主要集中在预演、场景参考、镜头规划与 VFX 等后期卡点，而非端到端一键成片。Partner Help 要求进入成片与涉及演员肖像的素材须书面审批。文章认为 决定 AI 真正用处的是影视工业多年积累的制作判断，全虚拟角色路线未必更省总成本。

来源：展开 1 条收起 1 条

安全与风险

FFmpeg PixelSmash：特制视频可触发远程代码执行

JFrog 安全研究团队披露 FFmpeg 关键漏洞 PixelSmash（CVE-2026-8461，CVSS 8.8），位于 MagicYUV 解码器，已潜伏约 16 年。攻击者仅需投递特制小型媒体文件（AVI/MKV/MOV）即可触发远程代码执行或拒绝服务，影响桌面播放器、缩略图生成、云转码、Jellyfin、Emby、Nextcloud 及部分 NAS。团队已在 Jellyfin 与 Nextcloud 上演示完整 RCE；发现过程得益于 AI 赋能安全模型，官方已发布修复补丁。

影响： 播放器、媒体服务器与云转码链路

建议： 尽快升级 FFmpeg 或禁用 MagicYUV

来源：展开 1 条收起 1 条

开源与工具

The Stack v3 发布：约 5 万亿 token 开放代码语料

Hugging Face 研究人员发布 The Stack v3，号称迄今最大开放代码数据集：约 114TB 原始数据、2.24 亿仓库、440 亿文件、770 种编程语言、约 5 万亿 token。相较 v2，过滤后语料从约 5500 亿跃升至 5 万亿，C++、TypeScript、Rust、Python 等规模显著增长；排除限制性许可，并提供可直接训练版本。

适用场景： 代码大模型预训练与开源复现

来源：展开 1 条收起 1 条

MonkeyOCRv2：以重建保留文档证据，开源 1.13 亿图数据

MonkeyOCRv2 提出“重建即文档视觉记忆”，用像素级重建约束编码器保留笔画、字形与版面。受控实验中替换视觉编码器带来 13.2 分差距；字符打乱测试低分辨率识别由 55.4% 升至 72.1%。0.7B 参数的 Parsing 版在 17 语种 MDPBench 以 83.3 分位列开源第一，并开源含 1.13 亿张文档图像的 MonkeyDoc v2。

适用场景： 多语种文档解析与 OCR 基座训练

来源：展开 1 条收起 1 条

Open Minis 开源：跨 iOS/Android 的手机端 AI Agent

开发者 Ethan 宣布将 Open Minis 完整 iOS 与 Android 代码开源。应用支持原生 Linux shell、浏览器自动化、可扩展技能、持久内存与深度系统集成，可操作日历、通讯录、定位、照片等权限；iOS 额外支持 HealthKit/HomeKit/NFC，安卓支持无障碍与 Shizuku。使用需自备 AI API，无内置模型，适合本地优先的个人工作流二次开发。

适用场景： 手机端个人 Agent 二次开发与集成

来源：展开 1 条收起 1 条

数据与洞察

地方 AI 生态重塑助手竞赛：份额集中但事务能力分化

基于 Sensor Tower《2026 年 AI 状态报告》的分析指出，全球 AI 助手仍高度集中——ChatGPT 约 46%、Gemini 约 28%、Claude 约 10%——但榜单难衡量“把回答变成预订、购买、支付”的能力。韩国 Naver AI Tab 两个月累计用户破 400 万后于 7 月 15 日达 1000 万；中国通义在春节补贴下日活从 700 万跃至 5800 万。文章提出“模型—助手—生态”框架，强调本地语言、地图、支付与商户关系正在把助手升级为事务型界面。

数据： ChatGPT 46%/Gemini 28%；通义日活至 5800 万

意义： 本地生态把助手从问答推向可执行操作

来源：展开 1 条收起 1 条

其他值得看

图书管理员推广“远离 AI”工作坊

教用户关闭强制植入的系统 AI 功能。

来源：展开 1 条收起 1 条

奥地利部署基于 Mistral 的 GovGPT

开源权重政府 AI 平台，服务约 18 万雇员。

来源：展开 1 条收起 1 条

DeepSeek 梁文锋：开源优先的 AGI 路径

投资者会议强调优化 AGI 成功概率。

来源：展开 1 条收起 1 条

AI 构建者应了解的 11 种协议

MCP、A2A 等到传统标准的系统速查。

来源：展开 1 条收起 1 条

北航等提出 InfraNet 红外主导检测

夜间与复杂场景 RGB-IR 检测新框架。

来源：展开 1 条收起 1 条

Verizon 与 Google 签超 10 亿美元暗光纤

为 AI 数据中心网络连接加码基建。

来源：展开 1 条收起 1 条

三星与博通签 2000 亿美元五年备忘录

覆盖 2nm 制程与 HBM4 高带宽内存。

来源：展开 1 条收起 1 条

社区为 Scratch 接入 AI 编程助手

语音文字引导少儿完成动画与小游戏。

来源：展开 1 条收起 1 条
← 上一篇07-25日报 | Claude Opus 5 ...下一篇 →