⌘ K
… 读取采集状态 同步中...
雷

#多模态

今日 0 条
10月9日周五
10月8日周四
10月7日周三
  1. Google DeepMind78

    Google DeepMind 发布轻量级多模态嵌入模型 EmbeddingGemma 2

    Google DeepMind 发布 EmbeddingGemma 2，这是一个专为端侧推理优化的轻量级多模态嵌入模型。该模型拥有 7.4 亿参数，基于 Gemma 4 架构构建，采用 Apache 2.0 开源协议，支持原生映射文本、代码、图像、视频和音频到统一嵌入空间。

    推荐理由：EmbeddingGemma 2 将代码、图像、视频和音频统一进单一嵌入空间，并提供 740M 参数端侧推理方案，开发者可据此直接构建离线多模态 RAG 管线。

  2. Google Research33

    Google Earth AI 如何将行星级地理空间基础模型应用于全球公共卫生

    Google Research 引入基于 Google Earth AI 的 Population Dynamics Foundation Model（PDFM），利用自监督预训练的位置嵌入作为即插即用输入，增强现有流行病学模型。在涵盖 MMR 疫苗接种、心血管疾病、登革热、产后抑郁及霍乱的全球验证中，PDFM 嵌入在多个病种和地理场景下匹配或优于传统输入，无需任务特定微调即可弥补数据缺口。

10月6日周二
  1. Mistral AI89

    Mistral 发布 Mistral Large 4 公开预览版

    Mistral 发布 Mistral Large 4（ML4）公开预览版，这是一款 1 万亿参数、原生多模态的大语言模型，可在 Mistral Studio 通过预览 API 体验，模型权重将于本月底开源。

    推荐理由：Mistral Large 4 为万亿参数开源多模态模型，当前开放预览 API，权重月底发布，重点展示其编码、安全及企业级性能。

10月5日周一
10月1日周四
9月30日周三
9月29日周二
  2. Hugging Face Blog79

    NVIDIA 发布 Kumo Tabular：无需训练的表格预测基础模型

    NVIDIA 在 Hugging Face 发布开源表格基础模型 Kumo Tabular，支持单步前向推理完成分类与回归任务，无需训练或特征工程。该模型包含 28M 至 215M 参数版本，在 TabArena、BeyondArena 等基准测试中排名首位，并基于 OpenMDW-1.1 协议发布，可通过 GitHub 开源库使用。

    推荐理由：提供无需训练的表格预测模型及开源库，单步前向推理即可处理分类与回归任务。

  3. Microsoft Research78

    微软研究院发布生物学多模态世界模型 Quine

    微软研究院发布 Quine，一个旨在连接模型、科学工具、文献和研究者的多模态生物学世界模型系统。通过与 Broad Institute 合作，该系统在胰腺癌研究中用于优先筛选能驱动肿瘤状态转变的化合物，并将湿实验验证流程缩短至一个周末。

    推荐理由：系统构建了跨生物模态的世界模型并连接实验工具，读者可据此理解AI如何辅助干实验。

  4. Microsoft Research20

    Microsoft Research Asia – Singapore 运营一周年：推进研究、合作与人才发展以实现现实世界影响

    Microsoft Research Asia – Singapore 于 2025 年 7 月 24 日在东南亚成立首个 Microsoft 研究实验室，运营一周年。该实验室聚焦下一代 AI 模型和 agentic 系统、领域特定 AI、AI 原生研究实践及人才发展四大支柱。通过与新加坡医疗生态等合作伙伴协作，将前沿研究转化为实际医疗决策支持及行业解决方案。

9月28日周一
  1. Mistral AI64

    Mistral 在慕尼黑开设德国枢纽，推动欧洲工业 AI 发展

    Mistral 在慕尼黑开设德国枢纽，设立专注于物理 AI 和工业 AI 的研究团队与应用工程团队，直接服务企业伙伴。公司计划到 2030 年建成 1 吉瓦的欧洲计算能力，并继续推进前沿模型开发。

    推荐理由：Mistral 宣布在慕尼黑设立枢纽并收购 Emmi AI，明确将物理 AI 与工业 AI 纳入欧洲主权计算战略。

9月25日周五
  1. Google DeepMind75

    Google DeepMind 发布 Gemini 3.8 Live with Live Avatar

    Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，通过近乎实时的视频与语音生成实现动态视觉形象。该功能支持 97 种语言的唇形同步，并能在对话过程中后台异步执行工具调用，目前已在 Gemini Enterprise 开放使用。

    推荐理由：官方给出了 Live Avatar 在 97 种语言下的多模态交互能力与异步工具调用机制，读者可判断其对实时企业场景的支撑边界。

9月24日周四
  2. Google Search Central30

    Google Search Console 正式推出网页多模态搜索报告

    Google Search Console 正式发布网页多模态搜索报告，数据已集成至搜索结果效果报告及生成式 AI 功能报告。该功能支持通过新的多模态搜索类型过滤条件查看及导出数据，覆盖使用智能镜头、Android“圈定即搜”、上传图片及 Chrome 右键点击“搜索此图片”等多模态搜索场景。

9月23日周三
9月22日周二
9月21日周一
9月16日周三
9月9日周三
9月8日周二
  1. Google DeepMind66

    Google DeepMind 发布 AlphaGenome Atlas 全基因组 DNA 变体影响预测平台

    Google DeepMind 发布 AlphaGenome Atlas，预计算了人类基因组中 90 亿个单核苷酸变体的分子影响，并生成综合的 AlphaGenome Variant Impact (AVI) 评分。

    推荐理由：平台预计算了 90 亿个 DNA 变体的分子影响，并配合单一 AVI 评分，为研究者提供从罕见病到群体遗传学的快速变异解释方法。

9月4日周五
9月3日周四
9月2日周三
  1. Google Research60

    Google 发布基于深度学习的全球甲烷点源监测框架 MAPL-EMIT

    Google 在 PNAS 发表论文发布 MAPL-EMIT，这是一个用于利用卫星影像检测、增强预测和估算甲烷羽流的深度学习框架。该模型在专家标注的甲烷羽流数据集上达到了 84% 的召回率。Google 已在全球地球引擎（Earth Engine）、Kaggle 和 Github 上开源了相关羽流数据库、预训练模型和推理库。

    推荐理由：论文展示了基于视觉Transformer的深度学习模型如何用卫星影像识别全球甲烷点源泄漏，给出了84%召回率和相关开源资产入口。

  2. Google DeepMind75

    Google DeepMind 在 Gemini 中推出 Agentic Video Understanding 功能

    Google DeepMind 宣布在 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 模型中推出 Agentic Video Understanding 功能，通过结合代码执行和原生视频工具动态搜索、扫描目标视频片段，将 Token 消耗最多降低 88%，成本降低最多 66%，同时将准确率提升最多 7%。

    推荐理由：该功能通过智能体循环动态检索视频片段，在保持准确率的同时将 Token 消耗最多降低 88%，为长视频分析提供了更经济的工程方案。

9月1日周二
8月28日周五
8月27日周四
8月26日周三
8月22日周六
8月21日周五
8月17日周一
  1. Google Research44

    Google 发布 PhotoScan：通过智能手机影像估算身体成分并预测胰岛素抵抗风险

    Google Research 推出实验性深度学习框架 PhotoScan，可直接从标准 2D 智能手机照片估算体脂率、Android/Gynoid 脂肪比和内脏/皮下脂肪比。在独立验证队列中，PhotoScan 的体脂率预测 MAE 为 2.13，优于基于智能手表的生物阻抗分析传感器。该框架旨在提供一种可扩展、无创的近 DXA 精度方法来预测胰岛素抵抗。

8月13日周四
  2. Microsoft Research37

    Microsoft 研究发布 MindTopo 基准以评估 VLM 的空间拓扑推理能力

    Microsoft 研究推出新基准 MindTopo，用于测试多模态大语言模型在连通性、闭合等拓扑概念上的推理与规划能力。当前模型在静态图像识别上表现优于交互规划任务，且普遍低于人类水平，主要失败原因在于规划阶段无法维持结构关系。该基准旨在为机器人等交互环境中的 AI 系统提供诊断工具。

8月12日周三