欧洲多城部署 NVIDIA 加速的 AI 智能体,推进城市运营智能化
欧洲多国城市正联合 ABA Technology、Akila、K2K、Milestone 等软件伙伴,用 NVIDIA 加速计算、Cosmos 与 Nemotron 开放模型及 Metropolis VSS 蓝图构建物理 AI 智能体和数字孪生,用于交通、能源、公共安全等城市运营。
欧洲多国城市正联合 ABA Technology、Akila、K2K、Milestone 等软件伙伴,用 NVIDIA 加速计算、Cosmos 与 Nemotron 开放模型及 Metropolis VSS 蓝图构建物理 AI 智能体和数字孪生,用于交通、能源、公共安全等城市运营。
Simon Willison 为 llm-gemini 0.35 加入对 Gemini 4 Argon 的支持,该模型当天通过 Gemini API 和每月 100 美元订阅计划开放。
Meta AI 发布新模型 Muse Wonder 与 Muse Wonder Full,称其为目前能力最强的模型,Artificial Analysis 将 Muse Wonder(Max)评为与 GPT-6.1 Sol 相当。
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。
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。
Elorian 与 Scale AI 发布 Humanity's Sixth Sense(HSS)视觉推理基准,含 522 道题、288 张图和 234 段短视频(共 17.6 小时),人类 pass@1 为 93.1,最佳 AI 系统 GPT 6 Astra 仅 53.6,GLM-5.3-flash 为 26.8、Kimi K3 为 25.5。
Odyssey 面向公众开放其世界模型 Odyssey-3 的研究预览,用户可从文本提示生成可实时探索的交互环境,开发者可申请 API 访问。免费在线演示基于 Odyssey-3 Flash,基础模型 14B 参数、生成 832×480 视频,Pro 版支持 1280×720。
Anthropic 的 Claude Science 首次绘制出完整的紫外波段全天图,用于展示 AI 如何接手研究人员长期搁置的繁琐数据工作。Claude Science 调度多个 AI 智能体,从多个太空任务下载数据、校准并合并,再用 inpainting 技术补全缺失区域,测试中预测值与实测值平均偏差约 10%。
OpenAI 在 ChatGPT 中推出 Intelligent UI 功能,让回答结合图表、表单、可点击按钮等交互式视觉内容,该更新随 GPT-6 一同向所有用户推送。
推荐理由:ChatGPT 新增交互式可视化回答能力,读者可了解 GPT-6 上线后对话形态与搜索体验的具体变化。
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。
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。
Google 将 SynthID Detector 开放给公众,任何人都可以检测图片、视频或音频是否由 Google 及其合作方的 AI 生成,支持 JPG、PNG、MP4 和 MP3 格式。
LiquidAI 发布 d1 决策模型家族的两款开源模型 d1-3B 和实验性的 d1-omni-600M,前者支持文本与图像,后者支持文本配图像或音频。
推荐理由:LiquidAI 开源两款端侧决策模型,给出决策指数排名与 Jetson 实测延迟,可据此判断端侧多模态决策的可用性。
Google 上线新网站,任何人都可以验证图片、视频或音频是否由 AI 生成,此前该工具仅向部分记者、媒体从业者和研究人员开放测试。网站使用 2023 年推出的 SynthID 水印技术,支持 JPG、PNG、MP4、MOV、WAV、MP3 等图片、视频和音频格式。
Google 宣布其 SynthID 检测器现已支持所有合作方嵌入的水印,并上线独立网站 SynthID.com 供任何人使用。此前非 Google 信任测试者只能通过询问 Gemini 来检测水印,且旧版检测器只识别 Google 自家的 SynthID,ChatGPT 等合作方图片即使带有水印也不会被标记。
Google 发布浏览器端 AI 平台 Playground,美国成年用户无需编程,仅靠文本输入即可创建游戏,并通过与 AI 多轮对话调整规则、物理、角色和环境,随后即时测试。
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,可将文本、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门槛。
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。
Simon Willison 用“穿渔网袜的犰狳在火星乱穿马路”这一提示词,分别让 claude-opus-5.5、gpt-6.1-sol、gemini-3.8-flash 和 mistral/mistral-large-4 生成 SVG,以回应 Hacker News 上关于基准测试已饱和的评论。各模型均使用默认推理等级。
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。
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。
法国 AI 实验室 Mistral AI 发布 Mistral Large 4(昵称 Le Chonk),一个 1 万亿参数的大规模多模态模型,目前仅通过带护栏的公开端点访问,计划在三周后完成安全测试再开放权重。
Mistral 发布迄今最大模型 Mistral Large 4,总参数 1 万亿、激活 49 亿,采用细粒度 MoE 架构,上下文窗口 100 万 token,已在 Mistral Studio 开放 API 预览,权重预计 10 月底发布。
Pinterest 推出 Beauty Guides,依托其视觉智能与生成式 AI 技术 Pinterest Intelligence,把发型、发色、美甲等美妆类 Pin 转成可带去沙龙的行动方案。
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。
NASA 与 IBM Research 联合多家学术机构发布 NASA-IBM Lunar Foundation Model,称其为最早的开源月球科学基础模型之一。
研究团队提出 Image-to-Code 方法,让编码智能体接收单张照片后迭代编写并运行 Blender 程序,直到场景匹配原图,输出为可运行、可修改的代码。配套的 LEGO-Bench 包含 104 个室内外场景的 208 张图像和 443 个注册资产,从有效性、几何精度和外观相似度三方面评分。
Google 在 Gemini Live 中上线 Guided Vision,今天起在兼容的 Android 设备上可用,通过共享摄像头对镜头中的内容给出实时语音描述,可帮助阅读小字、描述周围环境、寻找或识别物体。
Tavus 推出 Griffin,公司称其为首个 Human Interaction Model(HIM),可在接收和生成视频的同时处理语音、面部表情、语调、手势和停顿。
OpenAI 在 DevDay 上发布由 GPT-6 Astra 驱动的智能体 Dots,目前仅面向每月 20 美元的 Pro 及以上订阅用户,而 Meta 的 Muse 对所有 Meta 账号免费开放。
Google 母公司 Alphabet 发布 Gemini 4 Argon,称其可处理编码、研究和写作等任务,并专门针对防御性网络安全训练,能自主发现、验证和修补关键软件漏洞。
Condé Nast 与 AWS 生成式 AI 创新中心合作,基于 Amazon Bedrock 和 Amazon OpenSearch Service 构建多模态视频检索方案,采用 TwelveLabs Marengo 嵌入模型联合编码画面、音频与转录文本信号,将单次内容检索耗时从 250 分钟降至 2 分钟以内。
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。
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。
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。
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。
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。
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。
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。
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。