⌘ K
… 读取采集状态 同步中...
雷

多模态

文本之外的能力：视觉理解、图文混合、音视频输入输出的模型与产品进展。

207条精选相关主题图像生成AI 视频语音与音频

最新精选

第 41–60 条 · 共 207 条
10月1日周四
  1. AI科技评论83

    AMD 以 82 亿美元全股票收购 World Labs，李飞飞出任首席科学家

    AMD 以约 82 亿美元全股票收购李飞飞创立的 World Labs，这是 AMD 史上第二大收购，交易完成后李飞飞将出任 AMD 执行副总裁兼首席科学家，直接向 CEO 苏姿丰汇报。

    推荐理由：82 亿美元全股票收购为空间智能赛道提供量化价值锚点，世界模型团队的硬件话语权切入构成行业新变量。

  2. 苍何91

    谷歌发布 Gemini 4 Argon 旗舰模型，多项目前测试超越 GPT 6 Astra

    谷歌发布新旗舰模型 Gemini 4 Argon，多项基准测试位列第一，输出上限提升至 100 万 token，标准价格 4 美元/百万输入、20 美元/百万输出。原文提供了自动化任务、代码迁移、内存优化等内部应用案例，但表示大部分人暂未开放使用，需等待后续测试。

    推荐理由：提供了 Gemini 4 Argon 的多项基准测试成绩、100 万 token 输出能力以及谷歌内部应用案例，便于读者快速判断其相对定位。

  4. AI HOT92

    Google DeepMind 发布 Gemini 4 Argon，面向可信网络防御者先行开放

    Google DeepMind 发布新前沿模型 Gemini 4 Argon，先通过 Fairwind 计划向受信任的网络防御者开放。输入 token 每百万 2 美元，输出 token 每百万 10 美元；输出上限从 64K 提升至 1M token。

    推荐理由：官方给出定价、百万 token 输出上限和 DeepSWE 基准成绩，便于读者判断其编码能力在开发与企业场景中的位置。

  5. InfoQ CN90

    谷歌发布 Gemini 4 Argon，多项基准领先并参与内核代码迁移

    谷歌发布 Gemini 4 Argon，重点面向长流程软件工程与网络安全防御，目前通过 Fairwind 计划向受信任团队开放。该模型输出 Token 上限提升至 100 万，在 DeepSWE v1.1 中以 77.9% 创纪录，并参与内部 80 多万行内核代码向 Rust 的迁移。

    推荐理由：Argon 在 DeepSWE 和 Vals Index 等长流程基准中创纪录，并在内部参与了 80 万行内核代码迁移。

9月30日周三
  1. InfoQ CN77

    DeepSeek 开源昇腾平台基础设施组件，覆盖 TileLang、计算库与分布式通信库

    DeepSeek 开源面向华为昇腾平台的基础设施组件，包含 TileLang 编译工具及 DeepGEMM、DeepEP、TileKernels、FlashMLA 和 DeepSelect 的昇腾实现。这些组件与英伟达版本接口对齐，支持 BF16、FP8 等精度及稀疏注意力，并提供针对昇腾 950 的 128 卡超节点联合优化方案。

    推荐理由：组件与英伟达接口对齐并提供测试代码，开发者可据此评估昇腾环境下的迁移成本。

9月29日周二
  1. 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。

  5. Latent Space78

    AMD 以 82 亿美元收购 World Labs，其 Atlas 模型解决稀疏重建难题

    AMD 以 82 亿美元收购 World Labs，旨在提升机器人仿真与空间智能能力。World Labs 发布的 Atlas 模型通过结合生成模型与多视角几何，解决了计算机视觉中的稀疏重建问题，能预测新相机视角，在 2D 图像输入上优于 SOTA 结果。

    推荐理由：文章揭示了 AMD 收购 World Labs 的 82 亿美元交易及 Atlas 模型在稀疏重建领域的技术突破，读者可据此评估空间智能赛道的整合趋势。

  6. 极客公园85

    Manus 正式发布 2.0：推出 Cascade 框架、云电脑及个人 Agent 应用 CUE

    Manus 发布 2.0 版本，更新自研 Cascade Agent 框架、云电脑、视频与游戏开发环境及个人 Agent 应用 CUE。Cascade 框架使任务 Token 消耗减少 23.2%，运行成本降低 32%。CUE 为每个 Agent 提供独立邮箱、电话和钱包，支持多 Agent 协作及线下服务接入，目前处于抢先体验阶段。

    推荐理由：文章梳理了 Manus 2.0 的全场景产品矩阵与 CUE 应用细节，并结合独立运营背景分析了个人 AI 赛道的竞争格局。

  7. 深度学习与NLP83

    Anthropic 披露 Claude 发现噬菌体全新酶系统 ART

    Anthropic 发布新分子生物学实验室首个成果，Claude 在噬菌体 DNA 中自主发现了名为 ART 的全新酶系统。该系统包含逆转录酶和类似 CRISPR 的 DNA 重复序列，由 950 个 Claude 智能体运行 21 小时、消耗 2.1 亿 Token 完成初步筛选，随后由人类科学家进行实验验证。

    推荐理由：展示了950个AI Agent通过21小时协作挖掘生物序列的落地案例，为观察通用AI介入基础研究提供了具体参考。

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27日周日
  1. APPSO93

    GPT-6 发布：通过 Computer Use 成为操作数字与物理世界的通用接口

    OpenAI 发布 GPT-6 及其核心组件 GPT-6 Astra，展示了强大的 Computer Use 能力。模型不仅能在 Blender 建模、Minecraft 游戏等数字环境中执行复杂任务，还能零样本控制机械臂完成物理操作。技术拆解显示，Astra 通过 Accessibility Tree 识别和代码模式执行操作，在 OSWorld 2.0 基准测试中得分 72.6%。

    推荐理由：文章通过机械臂绘画等实例展示了 GPT-6 在 Computer Use 上的跨领域能力，并解析其技术实现逻辑。

9月25日周五
  2. 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. 智东西76

    爱诗科技发布 PixVerse R2，把世界建模能力接入实时运行

    爱诗科技（AIsphere）发布实时世界模型 PixVerse R2，用户可以持续输入提示词操控角色与剧情。技术报告将系统拆为 Omni Causal AR 和 Real-Time Acceleration 两层，前者扩展世界建模能力，后者把能力加速到实时区间，并沿模型、数据、任务、控制信号和时间尺度五个维度继续 Scaling。

    推荐理由：作者实测了用户可即时改变画面的世界模型，并解释了其用蒸馏框架连接能力上限与实时运行的技术路径。

9月23日周三
  1. CVer87

    小米开源MiMo V2.6系列模型，登顶全球开源榜单

    小米MiMo团队正式发布并全面开源新一代MiMo V2.6系列模型，包含Pro、Flash和Ultraspeed三款子模型。MiMo V2.6 Pro在Artificial Analysis智能指数中取得46分，全球开源模型排名第一。

    推荐理由：原文通过Artificial Analysis数据直观展示了MiMo V2.6系列在性能与成本上的双重优势，读者可以据此评估当前开源模型的实际竞争力。