跳到正文
只看一手#多模态
  1. OpenAI82

    OpenAI 在 ChatGPT 全量上线 GPT-6 与 Intelligent UI

    OpenAI 宣布 GPT-6 和 Intelligent UI 正在向所有 ChatGPT 用户推送。Intelligent UI 提供快速、可交互的回答，让日常问题更直观、复杂话题更易理解，并可在当前任务中直接调用交互工具。

    推荐理由：OpenAI 官方公布 GPT-6 与 Intelligent UI 在 ChatGPT 全量上线，读者可据此了解模型与交互界面的同步变化。

  1. Google DeepMind62

    Google DeepMind 向所有人开放 SynthID Detector，可检测 OpenAI、NVIDIA 等生成内容

    Google DeepMind 宣布 SynthID Detector 现已向所有人开放，用户可借此判断线上内容是否由 Google AI 或其行业伙伴的工具生成。合作方包括 OpenAI、NVIDIA、Kakao，Apple 也将很快加入，试用入口为 https://synthid.com。

    推荐理由：SynthID Detector 向所有人开放，并接入 OpenAI、NVIDIA 等合作方，读者可据此了解 AI 内容水印检测的可用范围。

  2. Google DeepMind74

    Google DeepMind 发布 EmbeddingGemma 2 开源多模态嵌入模型

    Google DeepMind 发布 EmbeddingGemma 2，一个基于 Gemma 4 架构、Apache 2.0 许可的开源多模态嵌入模型，参数量 740M，可把文本、图像、音频和视频映射到统一嵌入空间。

    推荐理由：官方给出 740M 参数、模块化编码器与端侧内存占用，可据此判断本地多模态检索的落地成本。

  3. Google DeepMind65

    Google DeepMind 发布 EmbeddingGemma 2，首个原生多模态端侧嵌入开放模型

    Google DeepMind 发布 EmbeddingGemma 2，称其为首个面向端侧嵌入的原生多模态开放模型。该模型在文本之外统一了代码、图像、音频和视频，将它们映射到同一共享空间。

    推荐理由：EmbeddingGemma 2 把端侧嵌入从文本扩展到代码、图像、音频和视频的统一空间，可据此判断本地多模态检索的可行边界。

  1. Google DeepMind82

    Google DeepMind 发布 Gemini 4 Argon 前沿模型

    Google DeepMind 发布新前沿模型 Gemini 4 Argon，先通过 Fairwind Program 向受信任的网络安全防御方开放，之后再逐步面向开发者、企业和消费者，起步价每百万输入 token 2 美元、输出 token 10 美元。

    推荐理由：官方给出 Argon 在编码、企业知识与网络安全上的基准成绩和分阶段开放路径，可据此判断前沿模型的能力边界与落地节奏。

  1. Microsoft Research66

    微软研究院发布 Quine：面向生物学复杂性的 AI 研究系统

    微软研究院发布 Quine，一个面向生物学复杂性的 AI 研究系统，由生物世界模型和连接模型、科学工具、文献与实验人员的交互式 harness 组成。

    推荐理由：微软研究院公开 Quine 生物世界模型的设计思路与胰腺癌化合物筛选的湿实验验证结果，可了解多模态建模在科研闭环中的实际用法。

  1. Google DeepMind71

    Google DeepMind 发布 Gemini 3.8 Live with Live Avatar

    Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，在 Gemini 3.8 Live 的实时对话能力上加入低延迟流式视频，让企业智能体具备可听、可看、可说的动态视觉形象，即日起在 Gemini Enterprise 上线。

    推荐理由：官方披露了实时视频与语音耦合的对话能力、异步工具调用和 97 种语言支持，可据此判断企业级数字人交互的落地边界。

  1. Meta AI58

    Meta 发布 Muse Realtime Avatar 实时虚拟形象技术

    Meta 发布 Muse Realtime Avatar，这项实时具身化技术把 Muse Realtime Voice 变成有表现力的可交互虚拟形象。该技术为 Muse 带来全新的交互范围，首批应用是实时对话。

    推荐理由：Meta 把实时语音扩展为可交互的实时虚拟形象，读者可据此了解 Muse 交互形态的变化方向。

  1. Google DeepMind71

    Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS

    Google DeepMind 推出 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，前者面向角色设计与逐行表演指导，后者面向高并发配音和语音智能体。

    推荐理由：官方给出两款 TTS 的定位差异、可用入口与基准排名，可据此判断语音生成在创作与规模化场景的落地方式。

  1. Google DeepMind60

    Google DeepMind 为最新 Gemini 模型带来智能体视频理解

    Google DeepMind 宣布为最新 Gemini 模型加入智能体视频理解能力，模型分析视频的准确率更高，同时最多可减少 88% 的 token 消耗。

    推荐理由：官方给出 Gemini 视频理解在准确率与 token 消耗上的变化，可据此判断多模态推理成本走向。

  1. Meta AI58

    Meta 发布 Muse Spark 1.2，支持视觉转代码与机器人导航等多模态任务

    Meta 发布 Muse Spark 1.2，支持从视觉生成可运行代码、将感知转化为物理动作，并具备音视频理解能力以应对企业级视频工作流。官方同时公布了新的评测与演示，展示该模型在视觉理解与推理上的覆盖范围，其中包括解析多模态观测并调用工具引导机器人在非结构化环境中寻找橡皮鸭。

    推荐理由：Meta 官方给出 Muse Spark 1.2 的多模态评测与演示，可了解其在视觉理解与工具调用上的能力边界。

  1. Meta AI62

    Meta AI 模型参加亚洲物理奥赛理论考试获满分 30/30

    Meta AI 提交模型参加亚洲物理奥赛（APhO）理论考试，取得 30/30 满分，与排名前三的学生选手并列。Meta AI 表示此举是为展示其模型的先进推理与多模态能力，并感谢 APhO 委员会允许模型参赛。

    推荐理由：Meta AI 让模型参加亚洲物理奥赛理论考试并拿到满分，读者可据此了解前沿模型在竞赛级推理上的表现。

已经到底了