Gemini 应用上线音乐生成模型 Lyria 3 测试版
Google DeepMind 宣布其最新生成音乐模型 Lyria 3 在 Gemini 应用中以测试版形式上线,用户可用文字或上传照片、视频在数秒内生成 30 秒带歌词或纯器乐的曲目,并自定义风格、人声和节奏,封面图由 Nano Banana 生成。
推荐理由:原文说明了 Lyria 3 相对前代的三项能力改进和版权处理方式,可帮助读者判断其可用范围与边界。
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 16 条共收录 573 条
Google DeepMind 宣布其最新生成音乐模型 Lyria 3 在 Gemini 应用中以测试版形式上线,用户可用文字或上传照片、视频在数秒内生成 30 秒带歌词或纯器乐的曲目,并自定义风格、人声和节奏,封面图由 Nano Banana 生成。
推荐理由:原文说明了 Lyria 3 相对前代的三项能力改进和版权处理方式,可帮助读者判断其可用范围与边界。
Google DeepMind 宣布向美国 18 岁以上 Google AI Ultra 订阅用户开放 Project Genie,一个基于 Genie 3、Nano Banana Pro 和 Gemini 的实验性研究原型网页应用,可创建、探索和 remix 交互世界。
推荐理由:原文说明了原型的三项核心能力与已知局限,读者可据此判断世界模型目前能做什么、还做不到什么。
Google 发布 MedGemma 1.5 4B,支持 CT、MRI、全片病理等高维医学影像解读,以及胸片时序回顾、解剖定位和检验报告结构化抽取,并同步推出面向医疗听写的开源语音识别模型 MedASR。
推荐理由:原文给出了各医学影像模态的具体基准提升数字,读者可据此判断该模型在实际医疗场景中的可用程度。
Google DeepMind 发布 Gemini 3 Flash,主打前沿智能与速度兼得、成本更低,已在 Gemini API、Google AI Studio、Gemini CLI、Google Antigravity、Vertex AI、Gemini Enterprise 开放预览,并成为 Gemini app 与 Search AI Mode 的默认模型。
推荐理由:原文给出多项基准分数、定价与速度对比,读者可据此判断它在成本与能力上的取舍位置。
OpenAI 发布 GPT-5.2,称其是面向日常专业工作的最先进前沿模型,具备 state-of-the-art 的推理、长上下文理解、编码和视觉能力。该模型已在 ChatGPT 和 OpenAI API 中可用,用于驱动更快、更可靠的 agentic workflows。
推荐理由:官方定位说明它面向日常专业工作,读者可据此判断与既有模型的取舍。
Google DeepMind 宣布借助 AlphaFold,密苏里大学研究者解析了赋予“坏胆固醇”形态的关键蛋白 apoB100 的结构。研究者先用冷冻电镜(cryo-EM)拍摄 LDL 颗粒图像,再用 AlphaFold 生成原子级分辨率预测并对照实验数据精修,得到包裹 LDL 颗粒的笼状外壳及维持颗粒完整的带状结构,为高胆固醇和动脉粥样硬化性心血管疾病的防治提供了新可能。
推荐理由:原文说明了冷冻电镜与 AlphaFold 结合如何突破 50 年未解的结构难题,读者可了解这一方法的迁移价值。
Google DeepMind 发布 Nano Banana Pro(Gemini 3 Pro Image),一款基于 Gemini 3 Pro 的高保真图像生成与编辑模型,已在 Google AI Studio 和 Vertex AI 通过 Gemini API 开启付费预览。
推荐理由:原文列出了分辨率、输入数量和文字渲染等具体能力边界,便于开发者判断是否迁移。
Google DeepMind 发布 Nano Banana Pro(Gemini 3 Pro Image),基于 Gemini 3 Pro,主打更强推理与世界知识带来的精准图像生成与编辑。
推荐理由:原文列明了能力变化与各产品线的开放范围,读者可据此判断它会怎样接入现有工作流。
Google Research 介绍了一种端到端实时语音到语音翻译(S2ST)模型,可保留原说话人声音进行实时翻译,延迟仅 2 秒,而现有级联式方案通常有 4–5 秒延迟并存在误差累积。
推荐理由:原文对比了级联方案的延迟与误差累积问题,读者可据此理解端到端流式架构带来的改进方向。
Google DeepMind 发布 Gemini 3,其中 Gemini 3 Pro 在 Gemini API 中以 preview 提供,200k tokens 及以下提示词定价为 $2/百万输入 tokens。
推荐理由:原文给出定价、基准分数和接入入口,读者可据此评估它能否接入现有编码与智能体工作流。
Google DeepMind 发布 Gemini 3,先推出 Gemini 3 Pro preview,并同步上线 Gemini app、AI Studio、Vertex AI、Gemini CLI 及 Search 的 AI Mode,首次在 Search 第一天接入。
推荐理由:官方给出了各基准的具体分数与开放入口,读者可据此评估其相对 2.5 Pro 的实际提升。
Google Research 发布论文并推出 Generative UI,让模型针对任意提示词动态生成网页、游戏、工具和应用等交互界面,该能力以 dynamic view 和 visual layout 两项实验形式在 Gemini 应用上线。
推荐理由:原文说明了实现所需的三项关键设计和评测对比口径,读者可据此判断生成式 UI 目前的能力边界。
Google DeepMind 发布 SIMA 2,将 Gemini 模型作为智能体核心,使其从指令跟随者进化为可思考目标、与用户对话并随时间自我改进的游戏伙伴。
推荐理由:原文说明了从指令跟随到推理与自我改进的架构变化,读者可据此理解具身智能研究的路径取舍。
ChatGPT 推出群聊功能,用户可以和他人以及 ChatGPT 在同一个对话中协作。
Google 宣布基于 Gemini 模型打造的个人健康教练将在未来一周内向美国 Fitbit Premium Android 用户推出可选公开预览,iOS 版本随后扩展。
推荐理由:原文拆解了健康教练背后的多智能体框架与评测体系,读者可了解其如何把通用模型落到具体健康场景。
Hugging Face 宣布为开源工具 AI Sheets 加入视觉支持,用户可在表格中直接查看、分析、提取图片信息,生成新图并实时编辑,底层通过 Inference Providers 调用数千个开源模型。
推荐理由:通过手写食谱的完整示例,读者可以看到从图片抽取到结构化导出的可迁移工作流。
Hugging Face 发布指南介绍如何挑选和使用开源 OCR 模型,覆盖模型能力、输出格式(DocTag、HTML、Markdown、JSON)、评测基准与成本对比。
推荐理由:文章给出模型能力、输出格式与成本的对照维度,读者可据此为自己的文档场景挑选 OCR 模型。
OpenAI 发布 Sora 2 系统卡,介绍其新一代视频与音频生成模型。Sora 2 在 Sora 基础上引入更准确的物理表现、更强的真实感、同步音频、增强的可控性以及更广的风格范围等此前视频模型难以实现的能力。
OpenAI 宣布推出 Sora 2 视频模型和 Sora 应用,称针对前沿视频模型与全新社交创作平台带来的新型安全挑战,将安全作为基础,并以具体保护措施作为其做法的锚点。
推荐理由:官方说明了面向视频模型与社交创作平台的具体安全保护措施,可了解其安全设计思路。
OpenAI 宣布推出 GPT-5,称其为迄今最好的 AI 系统,相比此前所有模型在智能上有显著跃升,在编码、数学、写作、健康、视觉感知等多个领域达到 state-of-the-art 表现。