ChatGPT 新增 GIF 生成功能,并随 Images 2.6 模型提速
ChatGPT 现在可以用提示词或上传的照片生成 GIF,并支持调整动画速度、逐帧编辑和分享。该功能随 OpenAI 的 Images 2.6 模型一同推出,同时带来更快的图像生成,Images 2.6 正面向网页、桌面和移动端的全部 ChatGPT 与 Codex 用户推送。
ChatGPT 现在可以用提示词或上传的照片生成 GIF,并支持调整动画速度、逐帧编辑和分享。该功能随 OpenAI 的 Images 2.6 模型一同推出,同时带来更快的图像生成,Images 2.6 正面向网页、桌面和移动端的全部 ChatGPT 与 Codex 用户推送。
Amazon Bedrock 新增 Kimi K3 的印度境内推理选项,通过 in.moonshotai.kimi-k3 推理配置文件让推理处理限定在孟买和海得拉巴区域,满足严格数据驻留要求。
NVIDIA 及其合作伙伴正将物理 AI 与智能体 AI 扩展至全球城市,依托共享算力基础设施让市政部门无需各自采购资源即可构建服务。
Google 将实验性 AI 应用 Dreambeans 扩展至印度,这是其首个美国以外市场,支持包括印地语、旁遮普语、泰米尔语在内的 13 种本地语言。该应用接入 Calendar、Gemini、Gmail、Photos、Search 和 YouTube 等 Google 服务,无需提示词即可主动生成个性化图文故事,近期还加入 Veo 模型为部分故事生成动画。
基于 Amazon Bedrock AgentCore、Amazon Nova Multimodal Embeddings 和开源 Strands Agents SDK,可构建多智能体工程助手,自动完成零件替代评估中的跨文档比对。
Google 联合斯坦福、牛津等机构推出视频智能体 StreamVibe,能区分用户明说、未说出口和任务中途改变的需求,自主决定何时出声。其 StreamVibe-VL 基于 Qwen3.5-9B 训练,响应时机与质量较其他模型提升 10.7%,独立记忆系统再提升主动交互 12.3%。
Google DeepMind 与世界资源研究所开发出 ForTy,将 2020 年全球土地按 10 米分辨率划为原始林、天然次生林、人工林、种植园、油棕橡胶可可等树作物和其他土地 6 类,为 EUDR 提供 2020 年基准。
NVIDIA 员工用 Nemotron Voice Agent 搭建了万圣节互动装置 MonsterHouse,让车库门以暴躁老海盗船的嗓音与讨糖孩子对话。
Mistral 发布多模态 MoE 模型 Mistral Large 4(Le Chonk),约 1T 总参数、49B 激活参数,上下文窗口 1M tokens,提供 FP8 与 NVFP4 两个官方版本。
推荐理由:原文给出 MoE 架构、稀疏注意力与安全基准细节,可据此判断开源权重模型在编码与网络安全场景的可用性。
NVIDIA Nemotron 3.5 Super VL 已上线 AWS,这是一个 120B 参数的 MoE 多模态模型,每 token 激活 12B 参数,支持最长 1M tokens 上下文和文本、图像、文档、视频输入。
Elorian 本月发布首个视觉推理模型 Glimpse,并联合 Mercor 推出 DecoyCount 基准,测试模型是真正数清物体还是依赖视觉捷径。
LiquidAI 发布 LFM3 新一代 Liquid Foundation Models,六个 2B 级模型(文本、视觉、音频、omni 及两个 d1 决策模型)全部从 LFM3-1.7B-Base 分支而来,覆盖文本、图像、视频和音频输入。
推荐理由:LiquidAI 公布了 LFM3 的架构改动与六个 2B 级模型的实测对比,可据此判断端侧多模态选型。
蛋白质和基因组设计软件现在支持用自然语言告诉 AI 工具想要制造什么样的蛋白质。用户可直接用口语化描述提出设计需求,而非依赖专业参数输入。
Google 发布 Genie 4 世界模型,用于生成交互式体验,主要更新包括更逼真的世界、用自然语言提示词实时修改体验、生成音频,以及底层使用 Gemini 3.8 Flash 辅助模拟。
Property Finder 发现其评估标签中 96.8% 直接来自现有视觉语言模型的预测而非人工核验,导致任何替代模型在对比中天然处于劣势。团队重新人工标注 356 张 UAE 图像,将单标签改为多标签分类,并通过 v0 到 v27 的提示词优化循环在 Amazon Bedrock 上选型,最终实现准确率提升且成本降低 86%。
Google DeepMind 发布世界模型 Genie 4,可实时生成带原生音频的可交互模拟世界,支持用自然语言实时修改天气、镜头和人物。Genie 4 首次在实时世界模型中原生生成音频,包括环境音与可随输入变化的角色对话,并借助 Gemini 模型维持模拟的连贯性。
推荐理由:读者可了解 Genie 4 在实时世界模拟中加入原生音频与人物交互的能力边界,以及它与 Gemini 模型协同完成多步任务的方式。
Google DeepMind 推出 Genie 4,这是 Genie 3 的后续版本,可逐帧计算场景并响应用户输入,用户用键盘移动、用文本提示词驱动事件。DeepMind 称这是其首个直接生成声音的实时世界模型,每个世界带有自己的背景音,角色之间能对话并实时反应。
Google DeepMind 发布 Genie 4 世界模型,称其在几乎各个方面都改进了 Genie 3,并借助更新后的 Gemini 模型让模拟更真实。该模型无需预先渲染环境或编写交互元素,用户只需描述需求,它便能在探索过程中逐帧实时生成体验。DeepMind 将世界模型视为通往 AGI 的关键要素,认为它可用于为物理机器人构建训练环境,或加速创意领域的原型设计。
推荐理由:文章交代了 Genie 4 相对 Genie 3 的改进方向,以及世界模型被定位为通往 AGI 的关键环节。
Google DeepMind 以研究预览形式发布世界模型 Genie 4,可生成更逼真的交互世界,并支持在模拟过程中输入提示词实时改变场景。新模型能生成与场景匹配的实时音频,包括音乐、环境音和交互对话,场景一致性最长维持两分钟,是前代 Genie 3 的两倍。
OpenAI 发布 GPT-6.1 Terra,官方称其结合了细致的视觉推理与精确的电脑操作,写作也更清晰自然,定位介于 GPT-6.1 Sol 与 GPT-6 Luna 之间。
Google Research 在 IDWeek 2026 上介绍了其结核病筛查 AI 从研究基准走向临床部署的路径,并推出 MedGemma、MedSigLIP 等开放基础模型。
推荐理由:Google Research 梳理了结核病筛查从基准论文到 CE 认证工具、再到开放基础模型的完整落地路径,可供理解医疗 AI 的转化环节。
OpenAI 于周四向所有客户开放 Decisions API,该产品在 9 月 29 日的开发者日上发布,基于 ChatGPT Luna 重新配置以加快推理并降低成本。
Ai2 发布 OlmoEarth v1.3 卫星嵌入模型,为全球每 10 米像素生成 128 维向量,前 64 维可单独使用。团队同时公开全行星预计算年度嵌入(10m、64 与 128 维)和无需登录的 OlmoEarth Embeddings Explorer 浏览器工具,模型权重、预训练数据和代码全部开放。
Google DeepMind 与 Google Research 联合 WRI、IIASA 发布 Forest Typology(ForTy)2020,把全球每块 10×10 米土地归入六类森林与土地利用类型,并给出 2017 至 2025 年的逐年变化时序。
NVIDIA 正推动欧洲零售商在电商与仓储场景落地开放模型和物理智能:Shopify 用 NVIDIA Nemotron 3.5 Lightning 后训练出 Sidekick 的 GraphQL 子智能体,内部基准上准确率超过领先前沿模型,服务成本降低 90%、响应快 7 倍。
Google Research 在 JAMA Network Open 发表前瞻性多中心研究,其盲扫超声 AI 模型在芝加哥(n=192)和内罗毕(n=193)的孕周评估平均绝对误差为 4.18 天,与专家超声医师的 4.48 天相比达到非劣效。
推荐理由:研究给出跨芝加哥与内罗毕的前瞻性验证数据,可了解盲扫超声 AI 在低资源场景替代专家测量的实际误差水平。
Amazon SageMaker JumpStart 在 2026 年 1 月至 9 月新增超过 100 个模型,来自 30 家不同提供商。其中 Alibaba(Qwen)贡献 29 个模型,NVIDIA 贡献 17 个,包括 Cosmos3 世界基础模型系列与 Nemotron-3-Super-120B。新增模型重点覆盖多模态、量化与紧凑模型,以及图像视频生成能力。
Kling AI 发布 4.0 版本,单次可生成最长 30 秒视频,支持最多 10 张关键帧图像输入,提示词理解扩展至 8,000 tokens。新版本加入双声道立体声和十余种语言的改进口型同步,Omni Reference 单次可接受最多 15 个参考素材,并推出最高 720p、20 秒的轻量版 Kling 4.0 Flash。
TwelveLabs 的视频语言模型 Pegasus 1.5 已在 Amazon Bedrock 上线,可将长视频按用户定义的分段规则输出带起止时间的结构化 JSON 元数据。
Meta 发布开源权重模型 Muse Spark Open,称其为美国最强开源权重模型,采用 8160 亿参数和 100 万 token 上下文窗口,原生多模态,面向复杂编码与智能体任务。
Elorian 发布首个模型 Glimpse,以研究预览形式开放 API,聊天界面需排队。Glimpse 在推理过程中可裁剪图像区域、抽取视频帧或运行代码来测量和比较所见内容,Elorian 称这一机制为视觉草稿空间。定价为每百万 token 输入 0.60 美元、输出 3 美元,Elorian 的评测称其在科学图表推理和短视频描述上超过 GPT-6 Astra。
Meta 发布开源权重模型 Muse Spark Open,采用 MoE 架构,总参数约 816B、每 token 激活约 42B,支持文本、图像、音频和视频输入,上下文窗口最高 1M tokens。
推荐理由:Meta 开源 816B 多模态 MoE 模型,文中给出各推理框架的部署命令与微调配置,可据此评估本地运行门槛。
Meta 发布 Muse Spark Open 模型,称其是迄今能力最强的美国开源权重模型,也是同类中首个能在桌面端运行、需两台搭载最新 MLX 框架的 Apple M5 Ultra Mac Studio 的模型。
推荐理由:Meta 与 Apple 罕见联手,让 816B 参数开源模型能在两台 Mac Studio 上本地运行,可观察端侧大模型的部署边界。
Meta 发布开源权重模型 Muse Spark Open,称其为美国最强开源权重模型,面向编码与智能体任务,拥有 8160 亿参数(激活 420 亿)、最高 100 万 token 上下文,支持文本、图像、视频和音频。
推荐理由:Meta 重返开源权重赛道,读者可了解其参数规模、多模态能力与商用许可限制。
Apertus 1.5 在 8B 和 70B 两个规模上扩展了 Apertus 1.0,新增图像与音频理解、可选思考模式、4 倍长的上下文窗口、更强的指令遵循和工具调用能力,权重以 Apache 2.0 许可发布于 Hugging Face。
推荐理由:Apertus 1.5 的发布说明完整披露了多模态早融合、训练阶段与评测口径,可据此判断开源多模态模型的工程取舍。
Nvidia 发布 Nemotron 3.5 Super VL,一个 120B 参数的开源多模态模型,采用 MoE 架构,每个 token 仅激活 12B 参数,面向持续在后台运行的企业智能体。
推荐理由:原文给出 Nemotron 3.5 Super VL 的架构、压缩与缓存细节,可据此判断开源多模态模型在企业智能体场景的落地边界。
Google 发布面向机器人任务的 Gemini 4 Argon,宣称用同一模型完成机器人控制、虚拟仿真环境构建与训练视频评估。演示中它让 Boston Dynamics Spot 在 MuJoCo 仿真中练习后完成踩踏板投罐任务,并从单张照片生成 77 项任务、4500 多个训练回合,使真机成功率从 56% 升至 75%、执行时间从 35 秒降至 24 秒。
推荐理由:通过多个机器人演示与提示词细节,读者可判断单一模型覆盖仿真、控制与评估的实际边界。
YouTube Music 开始推出生成式 AI 音乐标签,用于区分真人歌手与 AI 生成内容,该标签后续也将登陆 YouTube。
NVIDIA 发布开源 1200 亿参数的 Nemotron 3.5 Super VL,面向多模态智能体任务,并同步推出两款端侧模型 Nemotron 3.5 Bolt 74B-A9B 24GB 和 Bolt E4B 4GB。
推荐理由:原文给出三款模型的参数规模、内存占用与开放权重,读者可据此判断不同部署层级如何选择。
Google Research 在 Research@ 2026 活动上公布十项研究进展,覆盖地球科学、医疗、科研智能体与教育等方向。Google Earth AI 扩大早期访问,新增地理空间分析、行星预测引擎和 agent-to-agent API,并整合 Dataset Search 与 TimesFM。