跳到正文

#多模态

今日 0 条
10月14日周三
  1. Google DeepMind92

    Google DeepMind 发布 Gemini 4 Argon 前沿模型

    Google DeepMind 发布 Gemini 4 Argon,面向开发者、企业、科研人员和消费者开放,通过 AI Studio 与 Gemini API 提供,Google AI Ultra 订阅者可在 Antigravity 中使用。

    推荐理由:官方给出 Argon 在编码、科研与安全对齐上的具体案例和定价,可据此判断前沿模型在长程任务中的落地程度。

  2. Google DeepMind88

    Google DeepMind 发布 Gemini 4 Argon 机器人模型

    Google DeepMind 发布 Gemini 4 Argon,主打物理理解、代码生成与视觉语义推理,在 Embodied Reasoning(ERQA)基准上以纯推理取得 87%,称超过其他前沿模型。

    推荐理由:官方给出 Argon 在 ERQA 上的得分与四类机器人工作流示例,可据此判断物理推理模型在机器人栈中的落点。

10月12日周一
10月11日周日
10月9日周五
10月8日周四
  1. The Decoder84

    OpenAI 为 ChatGPT 推出 GPT-6 与 Intelligent UI 交互界面

    OpenAI 面向所有 ChatGPT 用户推出 GPT-6,并带来名为 Intelligent UI 的新功能,回答不再以纯文本呈现,而是自动适配问题生成图形、按钮、图表和表单,用户还能在对话内构建储蓄计算器、小游戏等小工具。

    推荐理由:OpenAI 把 ChatGPT 输出从纯文本改为交互界面,读者可了解具体形态与分阶段开放节奏。

  2. TechCrunch · AI82

    OpenAI 随 GPT-6 推出 Intelligent UI,ChatGPT 转向可视化交互界面

    OpenAI 推出名为 Intelligent UI 的新界面,随新 GPT-6 模型于周三开始推送,在对话中大量加入可交互的可视化元素,如可点击按钮、定制计算器、交互式图表和可编辑图形。

    推荐理由:OpenAI 随 GPT-6 推出 Intelligent UI,读者可了解 ChatGPT 从纯文本转向可交互可视化界面的具体形态与开放节奏。

10月7日周三
  1. The Decoder62

    Google 发布 EmbeddingGemma 2 多模态嵌入模型

    Google 发布开源多模态嵌入模型 EmbeddingGemma 2,可将文本、图像、视频、音频和代码转换为向量,参数量 7.4 亿。Google 称其在多模态嵌入基准上超过参数量两倍的竞品,在 Massive Text Embedding Benchmark(Code)上得分 78.68,较前代 68.76 提升近 10 分。

  2. Simon Willison28

    Simon Willison 用 Claude Opus 5.5 生成游戏配乐工具 Scrimshaw Jukebox

    Simon Willison 测试 Claude Opus 5.5 能否作曲,让它设计一种简单的文本音乐格式并构建可播放的 artifact,还要求附带示例曲目,风格对标初代《猴岛小英雄》。结果成品比他预想的更贴近猴岛主题,效果出奇地好。他猜测这种作曲能力可能类似文本模型近期涌现的 3D 图形能力,但需用更多新旧模型做实验才能确认是否为新能力。

10月6日周二
  1. Mistral AI88

    Mistral 发布 Mistral Large 4 公开预览,1 万亿参数多模态模型

    Mistral 发布 Mistral Large 4 公开预览,这是一个 1 万亿参数、520 亿激活参数的原生多模态模型,权重将于本月底开放。官方称其在网络安全、金融、法律等企业场景中达到开源模型领先水平,在视觉 grounding 的 Dense 200 上以 42% 超过 GPT-6-Astra 的 41%。

    推荐理由:Mistral 公布 1 万亿参数多模态模型的公开预览与权重开源计划,可对照其编码、网络安全与智能体基准表现。

  2. The Decoder71

    Reka AI 发布 190 亿参数全模态模型 Rho-1,统一处理文本、图像、视频与机器人控制

    Reka AI 发布 190 亿参数全模态模型 Rho-1 的研究预览版,可在单一神经网络中处理并生成文本、图像、视频和机器人控制动作。与多数将任务分发给专用模型的系统不同,Rho-1 把所有模态作为 token 放在同一上下文窗口中运行,无需工具调用或外部模型,可实时生成连续视频并即时响应新指令,预测摄像头图像的同一套权重也驱动机器人运动。

10月4日周日
10月3日周六
10月2日周五
10月1日周四
9月30日周三
  1. The Decoder80

    AMD 以 82 亿美元收购世界模型初创公司 World Labs

    AMD 宣布以约 82 亿美元全股票交易收购专注空间智能的初创公司 World Labs,交易预计在 2026 年底前完成,尚待监管批准。World Labs 创始人李飞飞将加入 AMD 领导团队,出任执行副总裁兼首席科学家,直接向 CEO 苏姿丰汇报并负责前沿研究。

    推荐理由:这笔全股票收购把世界模型团队并入芯片厂商,读者可据此观察硬件与模型能力整合的新路径。

  2. 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、文献与研究者的交互式 harness 两部分组成。该系统与 Broad Institute 合作用于胰腺导管腺癌研究,预测并优先排序数千种化合物,湿实验中排名最高的化合物产生了最大的 classical 到 basal 细胞状态转变,整个过程仅用一个周末完成。

    推荐理由:微软研究院公开 Quine 的生物世界模型与实验闭环,并给出胰腺癌化合物筛选的湿实验验证结果。

9月29日周二
  1. TechCrunch · AI40

    Marissa Mayer 推出照片驱动 AI 助手 Dazzle,从相机胶卷读懂你的生活

    前 Yahoo CEO Marissa Mayer 发布个人 AI 助手 Dazzle,它不读取邮件和日历,只通过分析手机相机胶卷来了解用户的爱好、饮食与风格偏好。Dazzle 支持 App 和短信交互,可扫描近期照片自动填充日历、根据照片库生成旅行和礼物建议,并称会丢弃被标记为敏感的个人信息。该产品去年 12 月完成 800 万美元种子轮融资。

  2. Latent Space76

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

    AMD 以 82 亿美元收购 World Labs。World Labs 创始人李飞飞在博客中回顾,公司自 2024 年成立以来构建了图像、视频与空间重建的模型训练团队,并在收购 SceniX 后推进机器人仿真能力。

    推荐理由:AMD 以 82 亿美元收购 World Labs,读者可借此了解空间智能与机器人仿真方向的整合动向。

  3. Latent Space78

    Opus 5.5 发布:擅长代码生成讲解视频,SimpleBench 达 88.4%

    Anthropic 本周发布 Claude Opus 5.5,在 SimpleBench 上以 88.4% 领先,并被社区认为擅长用代码生成讲解视频。在 Terminal-Bench-Science 上,Opus 5.5 从低推理档的 24% 升至 xhigh 档的 62%,max 档反而回落到 59%,有用户建议避开 max 档。

    推荐理由:汇总 Opus 5.5 与 GPT-6 系列在基准、成本与社区口碑上的对比,可快速判断前沿模型格局变化。

  4. The Verge · AI75

    AMD 以逾 80 亿美元收购 World Labs

    AMD 宣布以约 82 亿美元全股票交易收购 AI 研究实验室 World Labs,交易预计年底前完成。World Labs 由知名研究者李飞飞联合创立,2024 年成立后数月内估值达 10 亿美元,2025 年推出首个商业产品——可从提示词生成交互式 3D 世界的世界生成模型 Marble。

  5. Microsoft Research20

    微软研究院亚洲新加坡分院成立一年:推进前沿 AI 研究、合作与人才培养

    微软研究院亚洲新加坡分院(MSRA – Singapore)作为微软在东南亚的首个研究实验室,成立一年来围绕下一代 AI 模型与智能体系统、领域专用 AI、AI 原生研究实践、生态与人才培养四大方向展开工作。该实验室与新加坡医疗、金融、教育等领域伙伴合作,推进多模态医疗 AI 与自进化诊断智能体等研究落地,并获新加坡经济发展局支持联合培养博士。

  6. AWS Machine Learning Blog28

    在 SageMaker AI 上用 vLLM-Omni 生成图像与视频(第二部分)

    AWS 发布教程,演示在 SageMaker AI 上从同一个 vLLM-Omni DLC 部署两个端点:实时端点运行 FLUX.2-klein-4B 生成图像,异步端点运行 Wan2.1-VACE-1.3B 做图像条件视频生成。文本提示词先生成 PNG,再连同运动提示词经 Amazon S3 传给视频端点,最终取回 MP4,并提供命令行与 Streamlit 界面。