AI at Meta@AIatMetaAI 评分6262

Meta Superintelligence Labs 发布 Muse Voice Transcribe，称其为首个实时音频感知模型。模型支持实时流式 ASR、20+ 说话人的 diarization 和 endpointing，多语言且可无缝 code-switching，可通过语言、关键词和上下文偏置提升准确率。该模型在 Artificial Analysis 的流式语音转文本和公开 diarization 基准上排名第一。

Google DeepMind 为 Gemini 推出 agentic 视频理解功能

Google DeepMind 为 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 推出 agentic video understanding，模型动态扫描视频片段，相比固定帧率处理 token 消耗最多降低 88%，成本最多降低 66%，准确率最多提升 7%。

World Labs@theworldlabsAI 评分4848

推出 Atlas： 全球首个多模态世界模型，可生成图像和视频帧，具备像素级精准的相机控制，并在 3D 中重建它们。 建模世界，移动相机，模拟空间与时间。

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。

百度千帆Token Plan企业版更新：DeepSeek-V4-Pro-0813与GLM-5.3等三款模型上线并接入百度搜索工具

百度千帆Token Plan企业版更新，DeepSeek-V4-Pro-0813正式版与GLM-5.3、GLM-5.3-Flash三款模型上线，原有模型ID可直接调用。百度搜索工具正式接入，专属API-KEY即可调用，限时优惠每次2.5积分。Token福利包扩展覆盖语音、OCR、智能文档分析等AI开放能力，席位扩展为四档并有限时赠送积分、夜享Token低至2折等活动。

vLLM-Omni 实现 MiniMax H3 实时音频视频生成，FastH3 四步蒸馏让完整 MP4 生成快于播放

vLLM-Omni 团队发布 MiniMax H3 生产级服务实践，先做系统级优化，再集成 FastVideo 的四步 FastH3 蒸馏学生模型，将去噪循环从 49 次 DiT 前向降到 4 次。

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。

Runway@runwaymlAI 评分4848

今天，我们分享了关于 Solaris 的新研究，这是我们首个界面世界模型（Interface World Model）。 Solaris 是一种新型操作系统，能够实时逐帧生成交互式界面，无需任何代码。我们发现，在生成新界面时，Solaris 在结构相似性和信息保留方面均优于前沿大语言模型。点击下方链接了解更多信息并申请早期访问权限。

Microsoft Research@MSFTResearchAI 评分2929

如果病理学基础模型能以更少资源实现更多功能会怎样？GigaPath-Flash 和 GigaTIME-Flash 在降低计算需求的同时保持强劲性能，为更大规模研究和更广泛探索打开了大门。https://msft.it/6012arcfr

Gemini 上线智能体视频理解，按任务动态查看关键片段

Gemini API 上线智能体视频理解，可按问题动态检查画面、音频和字幕，支持上传视频与 YouTube 链接。功能适用于多款 Flash 模型，沿用标准 API 计价；谷歌测试中的节省幅度取决于任务，不能直接当作所有视频的成本承诺。

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。

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。

微软发布 MindTopo 基准，揭示多模态模型拓扑推理短板

Microsoft Research 推出 MindTopo 基准，用于评估多模态大语言模型的拓扑推理能力，覆盖连通性、分离、顺序、包围与打结五类任务，并区分静态识别与交互规划两个认知层级。测试显示，当前专有与开源模型在静态推理上明显强于交互规划，且两者均远低于人类水平；失败多出现在规划阶段而非感知阶段，模型在场景变化后难以维持结构关系。图像与视频生成仅在单帧关系可见时偶有帮助，跨序列仍不可靠。

Google DeepMind 发布 SL2T 手语转文本模型，落地 Gboard 与 Live Transcribe

Google DeepMind 发布多语言手语转文本模型 SL2T，在 Gboard 和 Live Transcribe 中为 Pixel 11 提供手语听写功能，首发支持美国手语（ASL）转英文。

Microsoft Research 推出 CARE-X：面向临床放射学的胸部 X 光 VLM

Microsoft Research 发布研究模型 CARE-X，一个面向胸部 X 光多种临床解读任务的统一视觉语言模型，结合生成式与结构化预测，并用强化学习（DAPO）在多任务设置下奖励临床正确性。

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。

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。

Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 与 3.5 Flash Cyber

Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和面向代码安全的 3.5 Flash Cyber 三款模型。

Google DeepMind 发布 Nano Banana 2 Lite 与 Gemini Omni Flash

Google DeepMind 发布 Nano Banana 2 Lite 和 Gemini Omni Flash 两款模型。

Google DeepMind 发布 Gemini 3.5 Live Translate 实时语音翻译模型

Google DeepMind 发布音频模型 Gemini 3.5 Live Translate，可自动检测 70+ 语言并生成保留说话人语调、节奏和音高的近实时语音翻译，全程仅落后说话人数秒。

Google DeepMind 发布 Gemma 4 12B：统一无编码器多模态模型

Google DeepMind 发布 Gemma 4 12B，一款面向笔记本本地运行的多模态模型，采用无编码器统一架构，视觉和音频输入直接进入 LLM 主干。该模型在标准基准上性能接近 26B MoE 模型，内存占用不到其一半，可在 16GB 显存或统一内存的设备上运行，并首次在中型模型中支持原生音频输入。

Google DeepMind 发布 Gemini Omni Flash，支持对话式视频编辑

Google DeepMind 发布 Omni 家族首个模型 Gemini Omni Flash，可组合图像、音频、视频和文本输入生成高质量视频，并通过自然语言多轮编辑视频。

Google 将 SynthID 与 C2PA 内容验证扩展到搜索、Gemini、Chrome 和 Pixel

Google 宣布扩展内容透明度与验证工具，把 SynthID 的图像、视频、音频验证从 Gemini 应用扩展到搜索，并将在未来几周进入 Chrome；Gemini 应用即日起新增 C2PA Content Credentials 验证，搜索和 Chrome 将在未来几个月跟进。

Google DeepMind 与新加坡达成国家 AI 合作，落地医疗、教育与气候项目

Google DeepMind 宣布与新加坡政府达成国家 AI 合作，在医疗、科研、教育和气候领域落地新项目。合作包括探索 AI 辅助临床的「三方照护」模式、用 AlphaFold 和 Google Earth 推进东南亚传染病研究，并向新加坡中小学至初级学院全体教育者提供 Gemini for Education。

Google DeepMind 发布 Gemini 3.5 Flash，主打智能体与编码

Google DeepMind 发布 Gemini 3.5 系列首个模型 3.5 Flash，定位面向智能体与编码的前沿性能，即日起通过 Gemini app、Google Search 的 AI Mode、Google Antigravity、Gemini API、Android Studio 及 Gemini Enterprise 等渠道开放。

Google DeepMind 发布 AI co-clinician 医疗智能体研究

Google DeepMind 宣布 AI co-clinician 研究计划，探索 AI 智能体在医生临床监督下协助患者诊疗。

Google DeepMind 发布 Gemini Robotics-ER 1.6，新增仪表读数能力

Google DeepMind 发布 Gemini Robotics-ER 1.6，这是其面向机器人推理的模型升级版，重点增强空间推理与多视角理解，并新增仪表读数能力，可读取圆形压力表、液位指示器和数字读数。