跳到正文
10月8日周四
  1. The Verge · AI42

    ChatGPT 将推出大学申请规划工具

    OpenAI 为 ChatGPT for Teens 推出 College Planner 功能,把申请要求、截止日期、任务和助学金步骤整合到一个计划中,帮助学生规划大学申请。该功能即将上线,美国地区首先面向计划申请四年制大学的 10 至 12 年级学生。ChatGPT 还新增学习功能:iOS 端支持连续多张照片拍摄并合成一个 PDF,并能根据用户笔记生成闪卡。

10月7日周三
  1. Ars Technica · AI69

    Google 推出改进版 SynthID AI 内容检测器,全球开放使用

    Google 宣布改进版 SynthID 检测器现已支持所有合作方的水印,并上线专门网站 SynthID.com 供全球用户直接使用。Gemini 已在超过 1800 亿张图片和视频以及 24 万年的音频中集成 SynthID 水印。此前普通用户只能向 Gemini 询问检测结果,且旧检测器只识别 Google 自己的版本,现在包括 ChatGPT 图片在内的合作方内容也能被检出。

  2. The Decoder74

    Google 推出 AI 游戏创作平台 Playground

    Google 推出基于浏览器的 AI 平台 Playground,美国成年用户无需编程即可通过文字输入创建并调试游戏。平台由 Gemini、Nano Banana 和 Lyria 模型驱动,作品可经链接分享或发布到公开画廊,部分游戏类型支持排行榜与多人模式;Playground 免费,Google One 订阅者享有更高的每周用量额度,发布作品需按社区准则接受安全审核。

  3. TechCrunch · AI76

    Google 推出全新 SynthID 网站,可识别 AI 生成的图像、视频与音频

    Google 推出全新 SynthID 网站,向所有用户开放验证图片、视频和音频是否由 AI 生成,此前该工具仅限部分记者、媒体从业者与研究者测试。网站支持 JPG、PNG 等图片格式、MP4 等视频格式和 WAV 等音频格式,Gemini、Veo、Lyria 等模型与工具已用 SynthID 为生成内容添加水印,OpenAI、Nvidia 和 Kakao 也支持该标准。

    推荐理由:对比 OpenAI 自建检测站点与 Microsoft、Meta 各自标准,可以看出 AI 内容溯源仍缺乏统一方案。

  4. IT之家63

    谷歌发布 AI 图像模型 Nano Banana 2.1,提升视觉设计、蒙版编辑与主体一致性

    谷歌正式发布 AI 图像生成与编辑模型 Nano Banana 2.1,重点提升视觉设计、基于蒙版的图像编辑以及主体一致性表现。该模型正逐步部署至 Gemini 应用、Google AI Studio 等多个平台,面向开发者的模型 ID 为 gemini-nano-banana-2.1,支持文本、图片、音频和视频输入,可输出 1K、2K 和 4K 分辨率图像。

  5. IT之家72

    谷歌推出 EmbeddingGemma 2:支持多模态、7.4 亿参数量化手机端运行只需 191MB 内存

    谷歌正式推出 EmbeddingGemma 2,把嵌入能力从文本扩展到代码、图像、视频、音频,统一映射到同一嵌入空间。模型基于 Gemma 4 架构,总参数 7.4 亿,采用 Apache 2.0 许可;纯文本任务仅需 2.7 亿参数,量化后在 Pixel 11 Pro 上纯文本权重约占 191 MB 运行内存,完整多模态约 567 MB。

  6. Google DeepMind76

    EmbeddingGemma 2 发布:开源轻量级多模态嵌入模型

    Google DeepMind 发布 EmbeddingGemma 2,一个基于 Gemma 4 架构、740M 参数的开源轻量级多模态嵌入模型,采用 Apache 2.0 许可,可将文本、图像、音频和视频统一映射到同一嵌入空间。

    推荐理由:原文给出了参数量、模态拆分与量化后的内存占用,便于读者判断它能否直接落到自家端侧检索链路中。

  7. Simon Willison30

    Claude Opus 5.5 作曲测试:效果出人意料

    Claude Opus 5.5 在作曲测试中展现出意料之外的能力,能按指令设计文本音乐格式、生成可播放的 artifact 并附带示例曲目。生成的音乐明显偏向 Monkey Island 主题,效果超出作者预期。作者猜测作曲可能是文本模型近几个月新涌现的能力,但需对比新旧模型实验才能确认。

10月6日周二
  1. TechCrunch · AI70

    Mistral Large 4 发布:1T 参数多模态模型,瞄准超越闭源与开源对手

    Mistral AI 发布多模态大模型 Mistral Large 4(ML4,昵称 Le Chonk),参数量达 1T,目前仅能通过公开护栏端点访问,计划在三周内完成安全测试后开放权重。ML4 完全使用 Mistral 自有算力训练,仅动用 4000 块 Nvidia GPU,官方称比中国竞争对手少两到三倍;基准结果尚未公布,优化方向包括网络安全、金融与芯片设计。

  2. Mistral AI77

    Mistral AI 发布 Mistral Large 4:1 万亿参数原生多模态模型开启公开预览

    Mistral AI 发布 Mistral Large 4(ML4)公开预览,1 万亿参数、490 亿活跃参数的原生多模态模型,为其迄今最大最强模型。权重将于本月底开放,模型在 Mistral 自有欧洲数据中心基于 3,800 块 NVIDIA Grace Blackwell GPU 完成训练。

    推荐理由:官方公布 ML4 在网络安全、编码与多模态基准上与闭源模型的对比数据,读者可据此判断开放权重模型的当前位置。

  3. The Decoder61

    Reka AI 发布全模态模型 Rho-1:单一模型处理文本、图像、视频与机器人控制

    Reka AI 发布 Rho-1 研究预览版,这是一个 190 亿参数的全模态模型,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。所有模态作为 token 在一个共享上下文窗口中运行,无需工具调用或外部模型,同一套预测相机图像的权重也驱动机器人运动。

10月5日周一
10月2日周五
  1. Latent Space42

    AINews:Pi 1.0、Pi Durable 与 AIE NYC

    Pi 1.0 与 Pi Durable 双双登上 Hacker News 首页:Pi 1.0 带来原生 MCP 支持、虚拟模型扩展、延迟工具加载与会话中系统消息等更新;Pi Durable 将 Pi 迁移至 TypeScript,实现崩溃后自动恢复、跨 JavaScript 运行时可移植与多路并发。

9月29日周二
  1. Microsoft Research72

    Microsoft Research 推出 Quine:面向生物学复杂性的 AI 研究系统

    Microsoft Research 发布 Quine,一个面向生物学的多模态世界模型与交互式研究系统,把模型、科研工具、文献与湿实验连接进闭环。在与 Broad Institute(哈佛与 MIT)合作的胰腺导管腺癌研究中,Quine 用一个周末完成数千化合物的预测与排序,最高排名化合物在多个湿实验中产生了最大的靶向细胞状态转变。

    推荐理由:原文展示了多模态生物世界模型如何与湿实验形成闭环,读者可据此判断 AI 在药物筛选与实验设计中的实际作用边界。

9月25日周五
  1. Google Research64

    Google Research 发布连贯长视频生成研究框架套件 Co-Director、CANVAS、A²RD 与 VQQA

    Google Research 发布面向连贯长视频生成的研究框架套件,将长视频生成建模为全局优化与世界状态追踪问题,在多镜头叙事一致性与角色持久性上取得显著提升。

    推荐理由:原文把长视频生成拆解为全局优化与世界状态追踪四个框架,并给出各基准上的量化提升,可据此对照现有 Agent 编排管线的短板。

  2. Google DeepMind64

    Google DeepMind 发布 Gemini 3.8 Live with Live Avatar 实时虚拟形象功能

    Google DeepMind 发布 Gemini 3.8 Live with Live Avatar,将近实时视频生成与语音结合,为 Gemini 实时对话模型增加能看、能听、能说的动态虚拟形象。该功能今天起在 Gemini Enterprise 可用,支持后台异步工具调用、97 种语言间的无缝语音同步切换,以及基于参考图像定制品牌虚拟形象,所有音视频输出均带 SynthID 水印。

    推荐理由:原文列出了实时视觉形象、后台异步工具调用与 97 种语言同步能力,读者可据此评估企业级虚拟客服的落地方式。

9月18日周五
9月16日周三
  1. Google DeepMind83

    Google DeepMind 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking 语音模型

    Google DeepMind 发布 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking 两款近实时语音对话模型,前者主打规模与成本效率,后者面向高复杂度任务的多步推理。

    推荐理由:原文给出两款模型在语音对话质量榜和多项 agent 基准上的具体得分,并说明开发者与企业的分阶段获取入口,可据此评估落地成本。

9月1日周二
8月13日周四
  1. Microsoft Research54

    Microsoft Research 提出 MindTopo 基准,评估 VLM 拓扑推理与规划能力

    Microsoft Research 提出 MindTopo 基准,围绕连通性、分离、顺序、包围和打结五类拓扑性质,评估多模态模型在静态场景识别与交互式规划两层的表现。测试显示模型静态推理 consistently 强于交互规划,且均远低于人类水平,错误多发生在规划阶段,如丢失结构关系或提出违反物理约束的动作。图像与视频生成工具仅在单帧可见关系时偶有帮助,跨多步动作时并不可靠。