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 559 条
Google DeepMind 宣布 Gemini 4 Argon 即日起全球开放，开发者和企业可通过 AI Studio 与 Gemini 平台的 API 使用，Google AI Ultra 订阅者可在 Google Antigravity 使用，Ultra 和 Pro 订阅者可在 Gemini app 和 Search 的 AI Mode 使用。
推荐理由：原文列出定价、上下文规格和多领域实测数据，读者可据此评估它对现有工作流的适配度。
NVIDIA Blog 通过十余个案例展示开发者如何用自然语言指挥 GPT-6 Astra、Claude 等前沿模型，配合 NVIDIA Omniverse 库构建仿真应用。
推荐理由：通过十余个具体案例展示了前沿模型与 Omniverse 库结合的可迁移工作流，读者可对照自己的仿真场景找到入手方式。
GPT-6 正在 ChatGPT 中全球推出，并搭配 Intelligent UI，带来更快的响应以及可直接探索和使用的可视化与交互体验。
OpenAI 随新的 GPT-6 模型推出名为 Intelligent UI 的新界面，周三起为 ChatGPT 对话加入大量可交互视觉元素，包括可点击按钮、定制计算器、交互图表和可编辑图表等。
推荐理由：原文交代了新界面的交互形态、示例场景和分层推送节奏，可据此判断它对现有对话体验的实际改变。
Liquid AI 发布 d1 决策模型家族的两款开放权重模型 d1-3B 和 d1-omni-600M（实验版），在 Decision Index 0.2.1 上 d1-3B 得分 48.57，超过所有 4B、9B 模型以及 Decider 35B-A3B（47.11）。
推荐理由：给出了不同设备上的实测延迟和基准分数，读者可据此判断它是否满足自己的端侧部署预算。
Google DeepMind 发布 EmbeddingGemma 2，一个基于 Gemma 4 架构、采用 Apache 2.0 许可的 740M 参数多模态嵌入模型，将文本、代码、图像、视频和音频统一映射到共享嵌入空间。
推荐理由：给出了参数量、内存占用与上下文长度等具体指标，读者可据此判断它是否适合端侧部署。
Google Research 介绍其 Earth AI 的 Population Dynamics Foundation Model（PDFM）如何把隐私保护的搜索趋势、人类流动、建成环境密度和环境因素压缩为按月刷新的位置嵌入，无需任务特定微调即可作为即插即用输入接入现有流行病学与机器学习工作流。
推荐理由：原文用五个独立合作方的验证矩阵说明地理嵌入如何在不同疾病与地区中补充现有流行病学模型，读者可据此评估其跨场景迁移价值。
Mistral AI 宣布 Mistral Large 4（代号 le Chonk）进入公开预览，可在 Mistral Studio 使用 preview API，权重将于本月底发布。
推荐理由：原文给出了模型规模、开放权重时间表和多领域基准成绩，读者可据此评估其在企业级任务中的可用性。
Google 发布新前沿模型 Gemini 4 Argon，这是继 Gemini 3.1 Pro 之后七个多月来的首个前沿模型，在部分基准上追平或超过 OpenAI 与 Anthropic 的竞品。
推荐理由：文章汇总了独立评测与价格数据，读者可据此判断它与竞品的真实差距和成本结构。
Google DeepMind 推出 SynthID Bio，把水印技术引入合成生物学，将不可察觉的签名直接嵌入蛋白质的氨基酸序列与 3D 结构坐标中，且在实验室测试中保持蛋白质生物功能不变。
推荐理由：原文说明了水印如何嵌入生物代码并经湿实验验证功能不受损，读者可据此理解其对 DNA 合成筛查的实际作用。
OpenAI 在旧金山 Dev Day 开发者大会上发布多项面向办公场景的 ChatGPT 新功能，包括共享工作区 Space、文档工具 Pages 和协作幻灯片 collaborative slides。
推荐理由：原文点出 OpenAI 与 Microsoft 在办公软件上的双向竞争，读者可据此理解这次发布在行业格局中的位置。
AMD 宣布以 82 亿美元收购 World Labs，交易预计年底前完成，需监管批准。World Labs 创始人 Fei-Fei Li 将加入 AMD 担任执行副总裁兼首席科学家，她表示希望把技术突破扩展到实验室之外、更贴近硬件。
推荐理由：收购将世界模型竞争与芯片生态绑定，读者可据此理解 AMD 对标 Nvidia 的布局路径。
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、文献与实验的交互式 harness 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，从缩小搜索空间到选出候选化合物仅用一个周末，湿实验验证中排名最高的化合物产生了最大的预期细胞状态转变。
推荐理由：微软研究院公开 Quine 的多模态生物世界模型与实验闭环，读者可了解 AI 参与药物发现的具体流程与验证结果。
AMD 以 82 亿美元收购 World Labs，后者自 2024 年成立以来专注空间智能，覆盖创意、设计到机器人仿真。World Labs 近期发布的 Atlas 模型通过结合生成模型与多视图几何，解决了计算机视觉中长期存在的稀疏重建问题，可从 2D 图像预测新视角，性能超过专用模型。该能力被用于机器人 RL 环境、治疗与娱乐场景生成，以及房地产、设计和建筑的真实世界重建。
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赛道的整合动向。
AMD 宣布以约 82 亿美元全股票交易收购李飞飞联合创办的 AI 研究实验室 World Labs，交易预计年底前完成。World Labs 于 2024 年成立，数月内估值达 10 亿美元，2025 年推出首个商业产品世界生成模型 Marble，可根据提示词生成可交互 3D 世界。
推荐理由：这笔全股票交易给出了金额、估值变化与人事安排，可观察芯片厂商向模型研究延伸的路径。
Google 研究团队发布 AI video co-director 等多智能体框架，在 Gemini 和 Veo 之上编排多镜头长视频生成，缓解语义漂移与级联失败。
推荐理由：Google 把长视频生成拆成四个可组合的智能体框架，读者可了解多镜头一致性的具体解法与评测基准。
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，将实时视频生成与语音对话结合，为 Gemini 的对话式 AI 带来近实时的视觉形象。
推荐理由：Gemini 3.8 Live 新增实时视频形象能力，读者可了解其多语言同步与异步工具调用如何用于企业对话场景。
Google DeepMind 在 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 上推出 agentic video understanding，通过让模型主动调用原生视频工具按需检索画面、音频与字幕，替代固定帧率的静态处理。
推荐理由：原文给出了成本、token 与准确率三项量化变化及启用方式，读者可据此评估它对长视频分析工作流的实际影响。
Google Research 介绍 Google Earth AI 的实验性能力 planetary prediction engine（PPE），可从自然语言查询出发自主完成数据发现、特征工程、模型训练与评估，把复杂地理空间预测模型的构建时间从数周缩短到数分钟。
推荐理由：原文给出了三阶段架构与四类任务的具体指标，读者可据此判断自动化地理空间建模相对人工流程的实际增益。
Google DeepMind 宣布推出 Gemini Omni 1.1 Flash，通过 Gemini API 在 Google AI Studio 面向开发者开放，使 Omni 1.1 达到可用于专业生产的状态。
推荐理由：原文列出了场景延展、首尾帧插值、360p 快速原型和 4K 升档等具体能力与参数，可据此评估其对生成视频工作流的改动。