跳到正文

全部动态

今日 6 条
9月2日周三
  10. Fei-Fei Li57

    World Labs 发布从零训练的多模态世界模型 Atlas。模型可生成具有像素级相机控制能力的图像和视频帧，从单张输入图像重建大型场景，通过重帧视频模拟时空，并从一张或多张输入图像原生输出 3D 空间，还能将多张带位姿的图像合成一致的三维世界。作者称其为迄今最好的相机条件世界模型，可能应用于 VFX 到机器人等多个方向。

  13. Google DeepMind80

    Gemini 3.8 Flash 发布，网络安全版本限定防御团队使用

    谷歌推出 Gemini 3.8 Flash，升级编码、推理和长程智能体任务，并接入开发平台及部分付费消费入口。另一个 Flash Cyber 版本只向获准的防御团队开放；普通版本的优惠价格有截止日期，更高推理强度也可能增加用量。

    推荐理由：通用版本与安全专用版本采用不同开放范围，团队可以同时比较日常任务能力、推理成本和受控访问条件。

  14. Artificial Analysis 完整文章（网页）66

    Google 发布 Gemini 3.8 Flash，四个月内第四款 Flash 模型

    Google DeepMind 发布 Gemini 3.8 Flash，在 Artificial Analysis Intelligence Index 上以 high 推理得分 59，较 Gemini 3.7 Flash 提升 3 分。

    推荐理由：评测方一手数据给出了智能指数、单任务成本和速度的具体变化，可帮助读者判断该模型在实际任务中的性价比。

9月1日周二
  7. IT之家（RSS）42

    大连化物所联合科大讯飞、阿里云发布智能化工大模型 3.0 Pro

    中国科学院大连化物所联合科大讯飞、阿里云等研发的智能化工大模型 3.0 Pro 于 8 月 31 日发布，从知识问答模型升级为化工任务智能执行系统。模型构建大模型、智能体、专业技能与工具、应用场景四层体系，集成超过 400 个化工智能体和工具，文本问答与多模态问答准确率分别为 81.96% 和 80.75%，综合得分较 3.0 版本相对提升 20.2% 和 31.4%。

  8. 上海人工智能实验室 InternLM：原创项目63

    上海AI实验室发布 InternLumina-U2：16B-A1B 多码本扩散统一多模态模型

    上海AI实验室发布 InternLumina-U2，一个 16B 参数（激活 1B）的 MoE 扩散语言模型，用 8 码本全离散视觉表示统一覆盖文本问答、文生图、图像理解与编辑、视频及 3D 理解。

    推荐理由：原文给出多码本全离散统一架构的设计细节、基准分数和双硬件适配说明，读者可以了解统一理解与生成模型的一条新路线。

  12. Runway：News（网页）67

    Runway 发布 Interface World Models 首个模型 Solaris，实时逐帧生成可交互界面

    Runway 发布 Solaris，称其为新模型家族 Interface World Models 的第一个模型，由世界模型实时逐帧生成界面并对点击、拖拽等交互作出响应，无需代码等中间表示。

    推荐理由：官方完整披露了模型机制、用户研究和局限，读者可以据此理解去除中间表示后界面生成与智能体训练的路径。

  14. Meta 官方70

    Muse Voice Transcribe 发布，实时转写支持多说话人与语言切换

    Muse Voice Transcribe 提供流式语音识别、说话人区分和端点检测，已用于 Meta AI、Muse Code 并通过模型 API 提供。模型训练覆盖七十多种语言，其中二十五种经过深入验证；支持语言切换不代表所有语言质量完全相同。

    推荐理由：实时转写同时输出说话人和语言变化，为会议及编程助手保留对话结构，便于后续检索和任务处理。

  15. Microsoft Research 博客（RSS）72

    微软研究院发布高效病理基础模型 GigaPath-Flash 与 GigaTIME-Flash

    微软研究院推出 GigaPath-Flash 和 GigaTIME-Flash，旨在通过蒸馏技术大幅降低计算成本以支持大规模病理研究。GigaPath-Flash 将十亿参数模型压缩至 22M 参数，在保持竞争力的同时实现约 50 倍的算力节省；GigaTIME-Flash 则提升了空间蛋白质组学预测效率并改善了泛化能力。两款模型均以 Apache 2.0 协议开源，专为科研设计而非临床诊断，使研究人员能在单 GPU 上处理百万级切片数据。

8月31日周一
  1. IT之家（RSS）77

    DeepSeek-V4-Flash-Vision-Exp 模型已开源，多模态 Agent 能力接近 Opus-4.8

    DeepSeek 于 8 月 31 日在 Hugging Face 开源首个多模态模型 DeepSeek-V4-Flash-Vision-Exp，采用 MIT License，公开模型文件、Tokenizer、Prompt Encoding 参考实现及最小化 PyTorch 推理实现。

    推荐理由：原文梳理了模型开源内容与能力定位，读者可据此评估其在多模态 Agent 场景中的可用性。

8月28日周五
  1. Google DeepMind71

    Google DeepMind 发布 Gemini Omni 1.1 Flash

    Google DeepMind 发布 Gemini Omni 1.1 Flash，为开发者带来场景延长、首尾帧插值、360p 快速草稿和最高 4K 放大等生成视频控制能力。

    推荐理由：官方给出场景延长、首尾帧插值与 4K 放大等具体能力与开放入口，可据此判断生成视频工作流的变化。

8月27日周四
  1. Google DeepMind71

    Google 发布 Gemini 3.5 Transcribe 语音转文字模型

    Google 发布 Gemini 3.5 Transcribe，称其为目前最精确的语音转文字模型，可将原始音频直接转为准确、格式化文本。据 Artificial Analysis 测量，流式场景平均词错误率 4.0%，非流式 2.6%；相比上一代 Chirp 3，最终转写时间改善 70%，FLEURS 基准上流式 WER 为 5.50%、非流式为 5.04%。

    推荐理由：Gemini 3.5 Transcribe 的 WER、延迟与多语言数据，可用来判断实时语音转写当前的能力水位。

8月14日周五
8月12日周三
8月6日周四
  1. Google DeepMind71

    Google DeepMind 发布 WeatherNext 气旋预报模型并开源

    Google DeepMind 在 Nature 发表论文，称 WeatherNext AI 模型在预测气旋路径、强度和风场结构上达到 SOTA，平均为预报员多争取一天预警时间，三天预报精度相当于此前模型的两天水平。

    推荐理由：原文给出气旋预报多出一天预警时间的实测结果与开源入口，读者可据此判断气象 AI 的可用边界。

7月30日周四
  1. Google DeepMind71

    Google DeepMind 发布 Gemini Robotics ER 2 具身推理模型

    Google DeepMind 发布 Gemini Robotics ER 2，定位为机器人的高层大脑，可理解物理世界、规划多步任务，并把动作执行交给底层 VLA 模型，同时支持调用 Google Search 等工具。

    推荐理由：官方给出 ER 2 相对 ER 1.6 的能力升级与开放入口，读者可据此判断机器人在视频理解与多机协作上的进展。

7月28日周二
  1. Google DeepMind74

    Google DeepMind 发布 Gemini Robotics 2，实现机器人全身控制

    Google DeepMind 发布 Gemini Robotics 2，由 Gemini Robotics 2、Gemini Robotics ER 2 和 Gemini Robotics On-Device 2 三款模型组成，首次实现对人形机器人从脚到指尖的全身控制，并支持双手与夹爪的精细操作和多机器人协作。

    推荐理由：官方给出三款模型的定位与开放入口，可据此判断机器人全身控制与端侧适配的进展。