技术方向
文字之外的能力：看懂图片、图文混合理解、音视频输入输出的模型与产品进展。
139 条精选近 30 天 19 条共收录 560 条
Google DeepMind 发布 Gemini 4 Hydrogen，面向日常编码与智能体工作流，强调快速执行，同时覆盖 Google AI Studio、Gemini API、Gemini for business、Gemini app、Google Search 及付费 Google AI Pro 和 Ultra 订阅者。
推荐理由：原文给出定价、基准分数与安全指标，读者可据此判断它在多模型工作流中如何与 Carbon、Argon 分工。
Google DeepMind 宣布发布下一代 DNA 序列模型 AlphaGenome 2，可预测 DNA 序列及其变异对特定人类细胞类型的影响。该模型改为条件化架构，一次针对一个组织、细胞类型或状态进行预测，训练数据涵盖 68 个组织、超过 1.07 亿个单细胞图谱。
推荐理由：原文给出条件化架构改造与 TenK10K 上的召回对比，读者可据此判断细胞类型特异性预测相比上一代的实际提升幅度。
Google DeepMind 宣布开源支撑 WeatherNext 3 的两个基础数据集 SatWeave 与 PARDIG，历史存档与实时数据流已在 Google Cloud Storage 开放，PARDIG 历史目录也上架 Google Earth Engine。
推荐理由：原文说明了两个数据集的构成与评测口径，读者可据此判断它们对天气水文建模的可用性。
Thinking Machines 发布 Inkling 2 Small，一个 594B 总参数 / 17B 激活参数的多模态 MoE 模型，支持文本与图像输入、文本输出，具备原生视觉能力，上下文窗口和最大输出均为 1M tokens，现已在 Tinker 和 Tinker Playground 上开放微调与推理，Apache 2.0 权重将在外部安全测试完成后于下周发布。
推荐理由：原文汇总了训练成本、独立评测与安全披露，读者可据此判断这款开源权重模型的真实定位与短板。
NVIDIA 为 Cosmos 3 模型家族新增四个开源权重检查点，用于生成交互式世界仿真和多传感器多视角驾驶场景：Cosmos3-Nano-Transfer-Auto 生成多视角驾驶数据。
推荐理由：四个检查点分别对应驾驶数据生成、流式仿真、模拟器渲染和双臂机器人动作预测，读者可据此判断各自适配的落地场景。
Google Research 在 Nature 发表多模态 AI 系统 AI-PPG-ACC-HTN，可用消费级智能手表被动检测高血压迹象，无需传统臂式袖带校准。
推荐理由：原文给出无需袖带校准的筛查方案与对照临床数据，读者可据此判断智能手表在高血压筛查中的实际定位。
NVIDIA 发布开源权重语音模型 Nemotron 3.5 Transcribe，将转写、说话人分离、翻译和音频问答整合到单一 checkpoint，支持 40 种语言转写、31 种语言与英语互译、13 种语言说话人归属，可处理最长一小时录音并标注最多 8 位说话人，现已在 Hugging Face 和 ModelScope 开放。
推荐理由：原文给出榜单成绩与微调配方，读者可据此判断该模型在多语种转写与说话人分离上的可用性。
Liquid AI 发布新一代 LFM3 系列，以 LFM3-1.7B-Base 为共享骨干衍生出文本、视觉、音频、omni 和决策共六款 2B 级模型，全部开源并可在 Hugging Face 下载。
推荐理由：原文给出架构改动、基准对比和微调入口，读者可据此评估 2B 级模型能否替代自己的通用大模型。
Google DeepMind 宣布发布新世界模型 Genie 4，提升实时交互模拟的真实感，可原生同时生成音乐、环境音与交互对话。
推荐理由：原文说明了 Genie 4 与 Gemini 系列的分工方式，读者可据此理解实时世界模拟如何借助推理模型维持连贯性。
Google Research 在 IDWeek 2026 分享其结核病（TB）筛查 AI 从研究走向临床的全过程：2019 年在 Radiology 发表基准证明深度学习可匹敌资深放射科医生。
推荐理由：原文梳理了从算法研究到临床落地的完整路径，读者可了解医学 AI 走出论文、跨越转化鸿沟的具体环节。
OpenAI 首次向所有客户开放 Decisions API，该产品基于 ChatGPT Luna 重新配置以提升推理速度并降低成本，将响应时间从 1 到 3 秒压缩到 100、120、180 毫秒，并新增语音和视觉模态。
推荐理由：原文对比了 OpenAI 与 TypeSafe Jev 在速度、成本和基准上的差异，读者可据此判断决策模型这一新品类的竞争格局。
Hugging Face 发布 OlmoEarth v1.3 卫星嵌入模型，读取 Sentinel-1 雷达与 Sentinel-2、Landsat 多光谱时间序列。
推荐理由：原文给出了评测对比和训练成本变化，读者可据此判断其相对前代与同类模型的实际改进幅度。
NVIDIA 扩展 Cosmos 平台，新增训练工具、仿真检查点和 Cosmos Data Factory 蓝图，其在六个开放模型排行榜上均进入前五。
推荐理由：原文给出了数据、训练、部署三层工具的具体入口和落地数字，读者可据此判断世界模型开发流程的变化。
Google Research 在 JAMA Network Open 发表论文，评估其 AI 孕周估算系统在芝加哥 Northwestern Medicine 与肯尼亚内罗毕 Jacaranda Health 两处临床环境中的泛化表现。
推荐理由：研究展示了AI在真实临床环境中跨硬件、跨地区的泛化能力，为低资源地区扩大产前超声覆盖提供了可参考的验证路径。
Mistral AI 发布 Voxtral 3，包含语音转文本、文本转语音模型与基于 LiveKit 的语音 Agent SDK，把听、推理、工具调用与说话整合进单一实时流式管线，每轮对话在 1 秒内完成。
推荐理由：原文给出各模型定价与多项评测口径，读者可据此比较它与现有语音方案的成本和适用场景。
Hugging Face 发布 TorchTPU，一个把 TPU 作为 PyTorch 原生后端的项目，Transformers、Diffusers 和 Kernels 可直接在 TPU 上运行，只需 device_map="tpu" 即可加载模型，不再依赖 torch_xla 或 Optimum TPU。
推荐理由：原文给出了从 torch_xla 迁移到原生后端的具体改动和实测加速数字，读者可据此评估 TPU 工作流的实际收益。
Meta 发布开源权重多模态模型 Muse Spark Open，约 816B 总参数、每 token 约 42B 激活参数，上下文窗口达 1M tokens，支持文本、图像、音频、视频输入与文本输出，面向 agentic coding 场景。
推荐理由：原文给出完整架构参数与多框架部署配方，读者可据此评估自托管该模型的资源门槛与可行路径。
NVIDIA 发布开源 1200 亿参数模型 Nemotron 3.5 Super VL，以及面向边缘的 Nemotron 3.5 Bolt 74B-A9B 24GB 和 Bolt E4B 4GB 两款模型，覆盖从企业服务器到本地设备的智能体部署。
推荐理由：原文给出了三档模型的参数、显存与部署入口，读者可据此判断从数据中心到本地设备的选型路径。
Apertus 1.5 在 Apertus 1.0 的 8B 和 70B 模型基础上新增图像与音频理解、可选思考模式、4 倍更长的上下文窗口（262,144 tokens）、改进的指令遵循与工具使用，模型权重已于 7 月 24 日以 Apache 2.0 许可发布至 Hugging Face。
推荐理由：原文详述了从文本模型扩展到多模态的训练配方与各阶段开源产物，便于复现其开放开发路径。
Google Research 将 Geospatial Reasoning 智能体从概念推进为可多步空间推理、并能自主训练预测模型的实验系统，同时发布技术报告、伙伴实测与早期访问入口。
推荐理由：原文给出了评测设计和伙伴实测细节，读者可据此判断专用工具与规划步骤对空间任务的实际增益。