⌘ K
… 读取采集状态 同步中...
雷

#多模态

今日 3 条
10月7日周三
  2. MarkTechPost77

    Mistral AI 发布 Mistral Large 4 模型预览版

    Mistral AI 于 10 月 6 日发布 Mistral Large 4 (Le Chonk) 公开预览版，这是一个包含 1.05 万亿总参数、每 token 激活 49 亿参数的多模态 MoE 模型，拥有 100 万 token 上下文窗口。其 API 现已上线，但权重预计 10 月底才开放；在网络安全任务中表现突出，且在人工盲测中得分仅次于 Claude Opus 5。

    推荐理由：原文明确标注模型为公开预览且权重尚未开放，并指出了API支持功能及权重发布时间，利于判断即时可用性。

  3. AGI Hunt81

    谷歌开源原生多模态 Embedding 模型 EmbeddingGemma 2

    谷歌 DeepMind 发布开源 Embedding 模型 EmbeddingGemma 2，这是首个支持文本、代码、图片、视频和音频的五模态原生嵌入模型。该模型参数总量为 740M，基于 Apache 2.0 协议开放，纯文本版本仅需 270M 参数，量化后在 Pixel 11 Pro 上全模态运行内存占用约 567MB。

    推荐理由：该模型以740M参数支持五种模态嵌入并开源权重，为端侧本地RAG提供了低内存占用的跨模态检索方案。

  4. The Verge · AI44

    苹果与谷歌探索“不存储”AI 硬件，技术界争论“录制”定义是否应改变

    Apple 和 Google 正在开发利用 AI 处理视觉数据但不保存视频录制的硬件，如 Apple 智能家居摄像头和 rumored AirPods。Apple 称此类功能仅生成文本摘要且原始数据在处理后删除，不保存音频。这种技术挑战了传统“录制”定义，引发关于隐私、数据保留及用户知情同意的新争议。

  6. AI HOT79

    Google 发布 EmbeddingGemma 2：基于 Gemma 4 的开源多模态嵌入模型

    Google 发布开源多模态嵌入模型 EmbeddingGemma 2，采用 Apache 2.0 许可，基于 Gemma 4 架构，支持将文本、代码、图像、视频和音频映射至统一 768 维向量空间。模型提供 270M 至 740M 的模块化参数配置，支持 Matryoshka 表示学习以动态降低存储需求，并显著提升了代码检索性能，适用于本地 RAG 应用与智能体代码搜索场景。

    推荐理由：原文提供了模块化加载逻辑与维度截断配置，可指导开发者在本地设备端平衡检索质量与内存占用。

  8. CVer77

    何恺明团队发布VISTA：面向交互式视觉推理的无损记忆框架

    MIT 团队提出 VISTA 视觉运行框架，让现有多模态模型按需回看、放大和读取旧帧像素，在 25 个 ARC-AGI-3 公开游戏上实现全通关。Claude Opus 5.0 配合 VISTA 达到 100.00 RHAE 且总动作数比人工参考少 57.4%。GPT-5.6 Sol 配合 VISTA 达到 99.00 RHAE；将图像输入替换文本格点，每游戏 token 用量减少 57.3%。

    推荐理由：为现有多模态模型提供外部视觉记忆与主动检查机制，可帮助读者理解长期交互推理中证据检索的作用。

  9. 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
  2. AI HOT93

    Mistral 发布 Large 4 公开预览版，1 万亿参数权重将开放

    Mistral 发布 Mistral Large 4（代号 le Chonk）公开预览版，该 1 万亿参数、490 亿激活参数的原生多模态模型现已开放 API 试用，权重将于本月底发布。在网络安全与智能体工作流基准中，该模型表现领先多项开源指标，且使用 3800 块 NVIDIA Grace Blackwell GPU 在欧洲自有数据中心训练。

    推荐理由：官方公布了1万亿参数多模态模型基准及月底开放权重计划，读者可据此评估其在开源模型中的定位。

  3. 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。

  4. AI HOT87

    Mistral 发布 Mistral Large 4：1T 参数、49B 激活的原生多模态模型

    Mistral 发布 Mistral Large 4（又名 Le Chonk），这是一款 1T 参数、49B 激活的原生多模态模型。该模型在综合基准测试中被称为来自美国或欧洲的最佳开放权重模型，在网络安全、制造业和金融等关键负载上达到 SOTA，且视觉 grounding 能力超越闭源前沿模型。

    推荐理由：原文给出了1T参数、49B激活及视觉定位超越闭源前沿模型的具体事实，以及开放权重将于十月底发布的时间表，读者可据此评估其在开源阵营中的定位。

  5. AI HOT77

    Mistral Large 4 发布：1T 参数原生多模态，月底开放权重

    Mistral AI 发布名为 Le Chonk 的 Mistral Large 4，总参数 1T、激活参数 49B，原生多模态。官方称其在网络防御、制造和金融等关键工作负载达到 SOTA，视觉定位上超越闭源前沿模型；现已通过 Mistral Cloud API 开放，开放权重版本计划 10 月底发布。

    推荐理由：官方给出了1T参数原生多模态模型的基准表现与月底开放权重时间表，读者可据此评估其在美欧开放阵营中的定位。

  7. MarkTechPost76

    Reka 发布 Rho-1：19B 全模态推理模型，统一理解、生成视频并输出机器人动作

    Reka 发布 Rho-1 研究预览版，这是一个 19B 的全模态推理模型，能统一处理文本、图像、视频和机器人动作。模型采用双流架构，在 320 张 H100 上训练 3 个月，支持视频生成与实时控制，蒸馏版本可将去噪步骤从 99 降至 8。

    推荐理由：Rho-1 展示了单模型处理多模态与机器人动作的架构，以及蒸馏带来的推理速度变化，便于对比现有多模态流水线。

  8. MarkTechPost68

    JEPA-Anything 发布：单一正交预测配方覆盖七大领域的领域无关世界模型

    多机构研究团队发布领域无关世界模型框架 JEPA-Anything，通过正交预测因子分解（OPF）统一处理视觉、生物、临床、控制、分子、物理场及气象等七个领域的预测任务。实验显示该框架在全部10项匹配动力学任务上优于标准 JEPA，其中干预性 Pong 任务的单次干预误差下降 34.83%，核心代码采用 Apache-2.0 协议开源。

    推荐理由：统一范式在7个领域的基准测试展示了正交因子分解对复杂系统建模的有效性，提供了跨学科模型设计的参考。

  12. 深度学习与NLP94

    AMD 收购 World Labs，李飞飞出任首席科学家

    AMD 宣布以约 82 亿美元的全股票交易收购 World Labs，李飞飞将出任执行副总裁兼首席科学家。World Labs 此前发布了全模态模型 Atlas，重点攻关新视角预测与稀疏重建等空间智能难题，并将图像、视频生成能力拓展至机器人仿真等场景。双方计划结合 AMD 硬件生态与 World Labs 的模型和软件能力，提供开放的模型和端到端 AI 平台。

    推荐理由：交易细节与双方对开放模型、硬件协同的规划可帮助读者判断这次收购如何改变空间智能的研发路径。

  14. The Decoder71

    Reka AI 发布多模态模型 Rho-1

    Reka AI 发布 190 亿参数多模态模型 Rho-1，使用单一神经网络处理文本、图像、视频和机器人控制动作。该模型在单一上下文窗口内处理所有模态，无需外部工具调用，并能实时生成连续视频，使用相机图像预测权重直接驱动机器人运动。Reka AI 利用逆向动力学模型从普通互联网视频提取控制信号以补充机器人训练数据，Rho-1 在 320 个 H100 GPU 上训练约三个月。

  15. MIT Technology Review · AI20

    EmTech Future 2026：当 AI 与万物相遇

    Google Research 副总裁 Yossi Matias 在 EmTech Future 2026 上探讨 AI 与生物学、基础设施、制造业及科学领域的交叉影响。该三天的活动议程还涵盖量子计算、未来能源系统及 AI 对人类工作思维的影响等主题。MIT Technology Review 订阅者可享受 20% 折扣，以 596 美元的价格访问全部录播节目。

  17. AI HOT73

    Liquid AI 发布 d1 决策模型并新增图像输入能力

    Liquid AI 发布首个支持文本与图像输入的 d1 决策模型，已在 console.liquid.ai 和 d1 Playground 上线，支持实时文本决策，单次耗时 200 至 300 毫秒。官方对比显示，d1 在六个真实应用中的四个上效果与 GPT-6.1 Sol 持平或更优，成本比二者低 19 至 200 倍；图像按每 32×32 像素块 1.5 个 token 计费。

    推荐理由：原文明确了 d1 在四类真实应用中相对 GPT-6.1 Sol 与 Claude Opus 5.5 的成本优势，给出 200–300 ms 的决策时延与 19–200 倍价格差距。

  19. TechCrunch · AI31

    Hot Girl Hotline 是为 AI 时代打造的“亲密关系热线”

    初创公司 Hot Girl Hotline 推出面向年轻女性的 AI 情感咨询应用，采用 $9.99/月的订阅模式。其核心功能是基于行为科学提供苏格拉底式提问，并在检测到危机风险时引导用户拨打 988 热线。应用目前在 iOS 和网页端可用，并承诺零数据保留，不会将用户数据用于模型训练。

10月5日周一
  4. The Verge · AI28

    人类认知无法有效应对 AI：从神经科学视角看大脑局限性

    神经科学家 Paul Cisek 提出，将大脑视为计算机的认知模型存在偏差，应通过进化历史构建基于反馈控制的生物学模型。这一模型解释人类感知、行动与认知的非线性演化，指出现有 AI 产业基于“生物计算机”的简化假设忽视了神经系统与环境互动的复杂性。该视角揭示了 AI 作为认知“垃圾食品”对人类思维系统的潜在负面影响。

  5. 新智元56

    魔芯科技MoWorld实现4D世界模型端侧落地

    华为Mate 90发布会上，鸿蒙独占应用“摸小宠”亮相，背后是魔芯科技的MoWorld 4D世界模型。该模型首次实现4D世界模型在手机端侧运行，通过端云协同架构完成：云端昇腾NPU负责高算力生成3D高斯模型，端侧麒麟芯片运行量化后的MoWorld-2.0-Flash（约6亿参数）完成渲染。

  6. 新智元83

    Caltech物理信息神经网络攻克三维无强迫欧拉方程奇点问题

    Caltech的Anima Anandkumar团队利用物理信息神经网络，在无强迫的三维欧拉方程中成功找到奇点候选解。该模型通过行波形式和高效二阶优化器SS-eSOAP，让缩放指数自由收敛至理论预测的0.5。

    推荐理由：报道展示了用物理信息神经网络在无强迫三维欧拉方程中验证奇点解的方法，以及计算结果与理论预测吻合的关键证据。

  7. MarkTechPost73

    Qwen 模型族演变史：从 7B 到 2.4T 参数及开源策略转型

    Alibaba 发布 Qwen3.8 旗舰模型 Qwen3.8-2.4T-A95B，采用 2.4 万亿总参数与 95B 激活参数的架构。该模型开源权重附带商业许可限制，月流水超过 5000 万美元的服务商需购买商业授权。文章回顾了 Qwen 从 2023 年 Qwen-7B 到 2026 年 Qwen3.8 的迭代历程，展示了其从纯开源向“中小模型开源 + 旗舰模型专有”双轨策略的转型。

    推荐理由：梳理了 Qwen 从 7B 到 2.4T 参量的演变路径，并剖析其开源许可证与商业化战略的转折点。