MiniMax 开源 SOTA 生图模型 H3-Image:原生 4K,一张两毛
MiniMax 开源 SOTA 图像生成模型 H3-Image,分辨率达 16MP(4096×4096),即原生 4K,网页端体感 10-20 秒生成。作者实测发现,它能根据产品外观图推演正交三视图、绘制带引线标注的机械爆炸图,高数试卷排版无乱码且答案正确,人脸毛孔、雀斑等细节清晰,AI 味明显降低。
MiniMax 开源 SOTA 图像生成模型 H3-Image,分辨率达 16MP(4096×4096),即原生 4K,网页端体感 10-20 秒生成。作者实测发现,它能根据产品外观图推演正交三视图、绘制带引线标注的机械爆炸图,高数试卷排版无乱码且答案正确,人脸毛孔、雀斑等细节清晰,AI 味明显降低。
苹果发布博文公开首款智能家居中枢 HomeView 的人员识别流程,家庭环境下最多识别 6 位用户并据此提供个性化体验。识别通过 Center Stage 摄像头的面部识别与语音识别完成,前提是该用户有一台支持 Apple Intelligence 的已注册设备连接家庭 Wi-Fi 且近期解锁过。
.NET中文开源社区发布 SimdFace 1.1.0,在照片比对基础上加入摄像头活体核验,最终给出照片匹配与活体检测两个独立结果。核验流程使用 YuNet、SFace、MiniFASNetV2 和 MediaPipe Face Mesh 四个模型,分别负责人脸定位、特征比对、防翻拍评分和动作判断,YuNet 与 SFace 可选 Vulkan GPU 执行。
大晓机器人推出酒店洗衣机器人方案,采用Mundo世界模型与Astra通用模型的双脑协同架构,以及具身RSI自进化机制。云端通用脑负责任务拆解与策略生成并沉淀为Skill,本地执行脑调用Skill完成物理动作,全流程耗时从纯Astra实时决策的30分钟以上降至18.648秒,缩减超98%;BotAgent调度中枢将流程拆为53个原子动作和14个语义步骤,可编排200余种动作序列。
谷歌推出 Gemini Decisions API,由 Gemini Decision 1 模型驱动,可在一次快速处理中对文本、图像、视频和 PDF 内容完成至多 1000 项是非判断、选项选择和标准评估。
Google 发布决策模型 Gemini Decision 1 的 API,支持 yes/no、选择和 rubric 评分三类问题,每百万输入 token 10 美分、输出免费。与仅支持文本的 Jev 和支持文本与图像的 OpenAI 不同,它覆盖文本、图像、音频、视频和 PDF;作者用视频实测发现其返回概率值而非 1.0/0.0。
Google DeepMind 推出 Gemini Decisions API 及底层模型 Gemini Decision 1,可在单次推理中处理最多 1,000 个封闭式决策问题,覆盖文本、图像、音频、视频和 PDF,并在 150 至 250 毫秒内返回带置信度的选项概率。
Adobe 公布四项实验性 AI 功能,可将平面图像转化为可漫游的 3D 场景,并通过对话式试镜设计 AI 角色。
DeepL 推出新的 Aure 语音模型,可在实时翻译中把原说话者的语气、情绪、重音和语速带入目标语言。
xAI 因 Grok 被用户用于将普通照片篡改成儿童性虐待材料,面临多起由未成年受害者提起的集体诉讼,律师估计符合索赔条件的受害者可能多达数千人。xAI 表示严格禁止并已采取技术措施,今年 1 月将 Grok 图片生成改为付费用户专享,并称已关闭为真实人物生成未经同意性化图片的能力;与此同时,xAI 又起诉明尼苏达州,反对针对 AI 裸体图像生成技术的法律。
推荐理由:原文梳理了多起集体诉讼与监管调查的来龙去脉,读者可借此理解 AI 生成内容责任归属这一尚无定论的行业难题。
腾讯宣布全新搜索产品「元宝搜索」正式上线,在浏览器输入 so.qq.com 或将 QQ 浏览器切换引擎即可使用。元宝搜索基于元宝大模型重构搜索链路,索引覆盖全网网页、公众号、视频号等腾讯生态内容与学术文献,接入 157 个权威信源,优先展示权威机构与官方来源,并将广告与答案明确区分、支持整块折叠。
Adobe 在 Adobe MAX 2026 大会上宣布为 Photoshop、Premiere、Lightroom、Illustrator、InDesign 等创意软件带来一波 AI 新功能。
AIRECO、EverestLabs AI 与 Greyparrot 等 NVIDIA Inception 成员正用视觉 AI 与机器人分拣混合废弃物。AIRECO 采用 NVIDIA Jetson Orin NX,识别准确率超 95%;EverestLabs AI 的 150 台机器人已回收约 25,000 吨材料。
Google DeepMind 正式向开发者、企业、科研人员及普通消费者开放最新旗舰模型 Gemini 4 Carbon,擅长复杂编程、网络安全、科学推理和长时间执行的多智能体任务。
谷歌宣布正式开放 Gemini 4 Carbon 模型,面向开发者、企业、科研人员和消费者提供服务,定位为谷歌目前能力最强的推理模型,重点面向复杂软件工程、多步骤智能体任务、科学研究和网络安全场景。
Anthropic 开始推出 Claude Whiteboards(白板)、Claude Sheets(表格)和 Claude Data(原 Claude Dashboards),面向所有付费计划,支持网页端、桌面端和移动端,白板和表格处于测试阶段,Claude Data 已正式上线。
推荐理由:原文把三项工具的定位、上线状态和互通关系讲得比较清楚,读者可以判断 Claude 从聊天助手转向团队工作台的路径。
谷歌联合 Artificial Analysis 发布多模态知识智能体基准测试 MKA,用于评估 AI 智能体处理视觉复杂文件、完成现实知识工作任务的能力。评测集包含 200 项私有任务,覆盖 10 个行业、83 种职业,由基于非谷歌模型的智能体评审系统评分,与领域专家人工评分一致率达 96%。
文章对比了 OCR、VLM、ASR 三者的分工:OCR 做字符级精准提取并输出文字与坐标,VLM 看懂整张画面并问答推理但容易幻觉,ASR 负责把声音转成文字。生产环境可用低成本 OCR 先拿全文,按置信度阈值把低置信区域、复杂表格或图表路由给 VLM 校验和推理,再用 OCR 文本交叉校验以压制幻觉。
Anthropic 为 Claude 应用新增多项协作功能:Claude Sheets 支持 AI 辅助创建和编辑带公式与多标签页的电子表格,Claude Whiteboards 可总结团队头脑风暴,Claude Data(原 Dashboards)连接 Snowflake 和 Salesforce 构建数据看板。
Nvidia 在研究报告中发布机器人基础模型 GR00T 2,它以世界-动作模型的方式同时预测下一步动作和短期视频画面,把人类视频中的动作迁移到机械臂上,减少遥操作数据采集。
Google DeepMind 发布视觉-语言-动作模型 Gemini Robotics 2.5,在 Mercedes-Benz 位于匈牙利和德国的活跃产线试点中,由 Apptronik Apollo 2 完成金属零件分拣,成功率达 96%。
MiniMax 正式发布图像生成模型 H3 Image,在 H3 全模态能力基础上针对图像生成与编辑进行后训练优化,并在发布当天开放权重。实测显示它生成一张 4096×4096 的 4K 图片仅需 10~20 秒,最多支持 16 张参考图,还可通过 API 接入 Claude Code、Codex 等 Agent Harness 参与复杂任务流程。
Google DeepMind 发布 Gemini Robotics 2.5,称其在高灵巧度任务上显著提升,部分 Gemini 机器人已在 Mercedes-Benz 工厂完成实际工作,并同步准备开源安全基准 ASIMOV-jailbreak。
Adobe 在迈阿密 MAX 大会宣布为 Photoshop、Premiere、Illustrator、InDesign 和 Firefly 增加多项 AI 功能,并发布本地 MCP,让 ChatGPT、Claude、Gemini 等聊天机器人调用 Adobe 功能。
智元发布 WITA-Omni(硅光动语全模态大模型),官方称其为行业首个具身全模态端到端交互大模型。模型基于机器人本体感知数据训练,除音视频外新增触觉、本体状态等输入,以及机器人动作、表情等输出;采用流式全双工架构,可边听边想边应边动,交互响应最快约 400 毫秒、平均约 600 毫秒,较业内平均水平快近 3 倍。
Fable 5.2 发布后首批实测出炉,智能体编程、科学研究、计算机操作等基准几乎全线超越 Opus 5.5,编程测试超过 Opus 5.5 的 45.5%,软件工程测试达 69.9%。
Simon Willison 用 Claude Fable 5.2 Medium 生成 three.js 动画项目 Yonkers Rises:扬克斯(Yonkers)边界化身巨型机甲,在纽约市 3D 微缩模型中起身并巡游踩踏曼哈顿、布鲁克林、皇后区和布朗克斯。
2026 年中国金鸡百花电影节首次设立电影 AI 单元,推介仪式今日在福建厦门举行。AI 极客松吸引 287 支团队报名,20 支团队入围并围绕命题展开 72 小时限时创作,“等等知了”团队制作的《无人知晓》获得 Top 1 推荐作品荣誉。
Anthropic 于 11 月 10 日发布 Claude Fable 5.2 与 Claude Mythos 5.2 两款模型,官方称编码、推理、科学研究、网络安全及机器人等领域显著提升,输出速度最高提高 30%,成本下降 20%。
同一新闻,精选展示《Anthropic 发布 Claude Fable 5.2 与 Mythos 5.2:多智能体协作升级,性价比反超 Opus 5.5》
字节旗下 Seedream 5.5 图像模型已在即梦、豆包和豆包工作上线,实测在100轮连续编辑中比 GPT-Image 2.6 保持更高保真度。新版本还提升了真实感、小字与多语言渲染、透明图直出和图层拆分能力,生成速度更快;以2K方图编辑为例单张成本约0.28元,不到 Seedream 5.0 Pro 的一半。
Adobe 与华特迪士尼达成多年战略合作,成为迪士尼官方 AI 创新合作伙伴,将为其开发定制 AI 模型。Adobe 将提供 Firefly、Firefly Foundry、Premiere 和 Photoshop 等工具的优先使用权限,并派工程与研究团队支持迪士尼工作流。
魅族 Flyme AIOS 宣布「超级 Aicy」已上线,提供通话助手、出行管家、办公助手、金融管家等技能。它深度集成 130+ 项手机原子能力,支持主动备车与定时服务,Aicy 记忆还能自动记住用户偏好并加密存储。
火山引擎发布豆包图像创作模型 Seedream 5.5,2K 方图编辑单张 0.28 元,较 Seedream 5.0 Pro 便宜 60%、生成速度快近 40%,API 将于本周上线火山方舟。
Meta 发布轻量级模型 Muse Ember,官方称其表现媲美 Claude Haiku 5.5,单任务成本仅 1/3。该模型支持 100 万 Token 上下文、最多 51.2 万 Token 输出,原生理解文本、图像、音频和视频,可在一次会话中执行数百次编程子任务。
同一新闻,精选展示《Meta AI 发布最小高效模型 Muse Ember》
字节跳动 Seed 团队发布图像生成模型 Seedream 5.5,支持最多 100 轮多轮编辑,未改动区域可像素级保持且无色偏。模型可生成原生 RGBA 透明背景图,光影、材质与皮肤纹理更真实,密集小字更准确;官方称其文字结构与真实感领先于 GPT Image 2.5 Sunburst。Seedream 5.5 正通过即梦、豆包、豆包工作台和火山引擎 Ark 逐步开放,并计划推出 Pro 版本。
Meta 发布 Muse Ember,其迄今最小、最高效的 AI 模型,面向智能体日常的工具调用、小段编码、请求路由、数据提取和长文档处理。
Anthropic 发布 Claude Fable 5.2 和 Claude Mythos 5.2 两款模型,称其在编码、推理和视觉方面均有改进,输出速度快于 5.1 版本。
Anthropic 发布 Mythos 5.2 与 Fable 5.2,官方称新模型在编码、推理和视觉方面有改进;Fable 价格从每百万输入 token $10 降至 $8,低于主要竞品 GPT-6 Astra,跨 effort 档位响应速度提升 30%。
同一新闻,精选展示《Anthropic 发布 Claude Fable 5.2 与 Mythos 5.2:多智能体协作升级,性价比反超 Opus 5.5》
Instagram 推出 Effect Builder,用户在提示词框中描述滤镜创意并可附上风格参考图,由 AI 为 Stories 生成自定义滤镜,目前面向美国 18 岁以上用户开放。滤镜可直接提交到 Instagram,但需通过安全审核后才会出现在 Stories 中供他人使用,并在被使用时链接回作者主页。作者实测发现,AI 将一句提示词改写为详细指令后,生成的滤镜效果与原提示词几乎相同。
Latent Space 与 Handshake AI 团队深度对谈,其 AI 训练数据业务约一年内从上线做到 $1 billion 年化总收入。