Liquid AI 发布开源端侧决策模型 d1-3B 与 d1-omni-600M
Liquid AI 发布 d1 决策模型家族的两款开源权重模型 d1-3B 与实验性 d1-omni-600M,d1-3B 在 Decision Index 0.2.1 得 48.57 分,超过 Decider 35B-A3B(47.11)。
推荐理由:d1-3B 在 Decision Index 0.2.1 上以 48.57 分超过 Decider 35B-A3B,为端侧结构化决策提供了可复用的开源权重方案。
Liquid AI 发布 d1 决策模型家族的两款开源权重模型 d1-3B 与实验性 d1-omni-600M,d1-3B 在 Decision Index 0.2.1 得 48.57 分,超过 Decider 35B-A3B(47.11)。
推荐理由:d1-3B 在 Decision Index 0.2.1 上以 48.57 分超过 Decider 35B-A3B,为端侧结构化决策提供了可复用的开源权重方案。
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。
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。
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。
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。
谷歌推出全新 macOS 应用 AI Edge Foresight,采用 EmbeddingGemma 2 端侧多模态模型,支持完全离线运行。
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。
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。
Google 发布开源多模态嵌入模型 EmbeddingGemma 2,参数量 740M,号称是同类最紧凑模型,在多模态嵌入基准上超过两倍于其体量的竞品。
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。
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。
Mistral 发布迄今最大模型 Mistral Large 4(ML4)公开预览,API 现已通过 Mistral Studio 开放,权重计划 10 月底放出。
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。
Pinterest 推出 AI 驱动的 Beauty Guides 功能,将用户收藏的美发、美甲类美妆 Pin 转化为可带去沙龙的行动方案。该功能由 Pinterest Intelligence 提供支持,把 Pin 翻译成造型师与美甲师常用术语(如 balayage、root melt、almond nails),并给出所需时间、价格区间和维护建议。
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。
Mistral AI 发布 Mistral Large 4(ML4,代号 le Chonk)公开预览版,预览版 API 即日起在 Mistral Studio 开放体验,模型权重将于本月底开放下载。
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。
NVIDIA Inception 计划的多家初创公司正借助 NVIDIA AI 基础设施,在乳腺癌影像、风险评估与治疗规划等环节开发 AI 应用。
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。
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。
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。
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。
Google 分享了一项新研究实验,教师可借助专为学习优化的生成式 UI(GenUI)动态创建定制化、有引导的教育模拟互动。同时发布超过 30 个由 AI 生成、经教师审核的英语学习互动示例,覆盖物理、化学、生物和数学等面向中学的 STEM 学科。
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。
微软研究院联合华盛顿大学与 Providence 发布开源病理基础模型 GigaPath-Flash 与 GigaTIME-Flash,权重与代码以 Apache 2.0 许可在 HuggingFace 开放。
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。