跳到正文
实时
#多模态
  1. vLLM Blog60

    vLLM 在发布首日支持 Thinking Machines 的 Inkling 2 Small

    vLLM 在 Inkling 2 Small 发布首日提供支持。该模型是文本与视觉输入的多模态 MoE，总参数 594B、激活参数 17B，上下文最长 1M tokens，并自带 DSpark 推测解码器。

    推荐理由: 原文给出了 vLLM 对 Inkling 2 Small 的 Day-0 支持细节与多项内核优化，读者可据此了解该模型的部署路径与吞吐表现。

  2. Google DeepMind87

    Google DeepMind 发布 Gemini 4 Hydrogen 模型

    Google DeepMind 发布 Gemini 4 Hydrogen，面向日常编码与智能体工作流，在默认 high 思考档位下 Artificial Analysis 智能指数为 51，高于 Argon 的 50，xhigh 档位可达 54

    同一件事 · 3 家

    推荐理由: 官方给出Hydrogen与Carbon、Argon的分工定位，以及多模型编排在成本与速度上的实测差异。

  1. Google AI Blog78

    Google 推出 Gemini Decisions API 与 Gemini Decision 1 模型

    Google 发布 Gemini Decisions API，由新模型 Gemini Decision 1（gemini-decision-1）驱动，可在 Gemini API 和 Google AI Studio 中使用。

    同一件事 · 7 家

    推荐理由: 原文给出了单次前向打分、延迟与定价数据，读者可据此判断它适合哪些低延迟决策场景。

  1. One Useful Thing78

    Ethan Mollick 实测 Claude Fable 5.2：接近但不完整的 AGI

    Ethan Mollick在Claude Fable 5.2公开发布前试用后认为，按“在多数可用电脑完成的智力任务上达到多数人类专家水平”的定义，它接近AGI但仍有缺口。

    推荐理由: 作者用六个跨领域实测案例说明模型能力已接近通用智能，但缺乏自我判断作品好坏的能力。

  2. Claude · YouTube75

    Anthropic 发布 Claude Fable 5.2

    Anthropic 发布 Claude Fable 5.2，面向最艰巨的技术挑战，在编码、推理和视觉方面有所提升，适合最具野心的开放式技术工作。官方建议多数编码与知识任务优先使用 Opus 5.5，Fable 5.2 已在 Pro、Max、Team 和 Enterprise 套餐上线。

    同一件事 · 3 家

    各家口径不同：TechCrunch指出Fable的输入价格降至每百万token 8美元；其他报道没有提及价格。

    推荐理由: 官方说明了 Fable 5.2 的定位与适用场景，并给出与 Opus 5.5 的选择建议，便于判断该用哪个模型。

  3. The Decoder71

    字节跳动 Seed 发布 Seedream 5.5 图像生成模型

    字节跳动 Seed 推出面向专业生产工作流的图像生成模型 Seedream 5.5，称其支持最多 100 轮多轮编辑，未改动区域在像素级保持一致且不出现偏色。该模型可原生生成带透明背景的 RGBA 图像，无需手动抠图即可作为设计素材使用，并称在光照、材质、皮肤质感和密集小文字还原上更准确。Seedream 5.5 正通过即梦、豆包、豆包 Work 和火山引擎方舟逐步开放，Pro 版本已在计划中。

    推荐理由: 原文列出多轮编辑稳定性、原生 RGBA 输出和文字渲染三项能力，可据此判断它在设计生产流程中的位置。

  4. TechCrunch · AI72

    Meta 发布轻量模型 Muse Ember，主打智能体执行与低成本

    Meta Superintelligence Lab 发布轻量模型 Muse Ember，输入价格为每百万 token 10 美分，主打工具调用、编码子任务、路由、抽取和长文档解析等智能体高频工作。

    推荐理由: Meta 用每百万输入 token 10 美分的定价和 Artificial Analysis 综合基准，把轻量模型放进智能体执行环节与 Haiku、Luna 比较。

  1. 量子位82

    腾讯混元Hy4发布：770B总参数、49B激活参数，首次支持原生视觉与电脑操作

    腾讯混元Hy4正式发布，770B总参数、49B激活参数，首次引入原生视觉能力和电脑操作支持，指令遵循、长文理解与长程Agent能力同步升级。模型已在腾讯云TokenHub、WorkBuddy/CodeBuddy、元宝等产品上线，API接入OpenRouter、Hermes、OpenCode等平台，权重将于近期开源。

    推荐理由: 作者用多个长程任务实测混元Hy4的自主执行与自检能力，可据此判断开源模型在Agent交付上的实际水平。

  1. IT之家 · AI72

    Meta 为 AI 助手 Muse 上线实时语音对话与虚拟形象功能

    Meta 宣布个人 AI 助手 Muse 上线实时语音对话与虚拟形象功能，率先面向美国用户推送，覆盖移动端、网页端和 Mac 应用。该功能由 Muse Realtime Voice 与 Muse Realtime Avatar 两个模型支持，可流式输出 448×768 分辨率、25 帧每秒的竖屏视频，从用户说完话到收到首个音视频响应的延迟约为 870 毫秒。

    推荐理由: 原文给出了实时语音与虚拟形象的延迟、分辨率和交互方式，读者可据此判断这类面对面智能体交互的成熟度。

  2. The Decoder73

    Thinking Machines 发布 Inkling 2 Small，称其为最强西方开源权重模型

    Thinking Machines 发布第二代模型 Inkling 2 Small，采用 MoE 架构，总参数 594B、激活参数 17B，支持文本与图像输入并可调节思考深度。

    同一件事 · 2 家

    推荐理由: 原文给出新模型在智能指数、智能体任务和成本上的具体对比，读者可据此判断开源权重模型的竞争位置。

  4. Hugging Face Blog71

    NVIDIA 发布 Cosmos 3 四个开源世界模型检查点

    NVIDIA 在 Cosmos 世界模型平台下新增四个 Cosmos 3 开源权重检查点，均为 Cosmos 3 Nano 的后训练版本，含 16B 可训练参数，采用 OpenMDW1.1 许可，允许商用与非商用。

    推荐理由: 原文给出四个开源权重检查点及四阶段后训练配方，读者可据此判断如何把世界模型适配到自有传感器与机器人本体。

  5. Google DeepMind78

    Google DeepMind 发布了 Gemini Omni 1.2 Flash，支持 15 秒视频并降价 30%。

    Google DeepMind 发布了 Gemini Omni 1.2 Flash，原生视频生成时长从 Omni 1.1 的 10 秒提升到 15 秒，并已在 Gemini API 和 Gemini for business 全面开放。

    同一件事 · 3 家

    推荐理由: 原文列出了时长、价格和参考一致性的具体变化，读者可据此判断视频生成的成本与工作流会怎样变化。

  6. The Decoder70

    腾讯发布 Hy4 模型，首次支持图像理解与电脑操作

    腾讯发布 Hy4 模型，首次具备图像理解能力，并能自主操作 Blender、CAD 等软件，权重将在稍后未定日期开放，目前仅通过腾讯云、OpenRouter 和元宝等应用提供。

    推荐理由: 腾讯 Hy4 首次加入图像理解与电脑操作能力，第三方评测与官方说法存在差距，可对照看开放权重模型的真实位置。

  7. IT之家 · AI70

    谷歌 AI-PPG-ACC-HTN 研究登 Nature：用消费级智能手表无袖带检测高血压

    谷歌发布多模态 AI 系统 AI-PPG-ACC-HTN，无需袖带校准，用普通消费级智能手表被动检测持续高血压，成果发表于 Nature。研究在 5 个临床中心纳入 196 名受试者，以 24 小时动态血压监测为参照，初步筛查特异度 90.0%、阳性预测值 80.6%、灵敏度 65.8%；确诊性检测阳性预测值 96.7%、特异度 90.9%、灵敏度 78.4%。

    推荐理由: 原文给出多中心临床试验的灵敏度与特异度数据，可与门诊单次初筛和家庭袖带监测对照。

  1. 36氪 · AI72

    决策模型走红后，物理世界为何需要端侧快判断

    TypeSafeAI 9月中旬发布决策模型 Jev，只输出是/否、评分或概率，上线数周用户破百万，财富500强约三分之一企业开始使用，24天内估值从约 2 亿美元升至 75 亿美元。

    推荐理由: 从决策模型爆红到物理世界端侧判断，呈现AI能力分工从生成转向可度量决策的产业变化。

  2. Hugging Face Blog60

    IBM 训练 20B 小模型 Palette 按自有设计语言生成幻灯片

    IBM 研究团队微调 20B 开源权重模型 Palette，采用设计师编写 JSON 简报、编码器逐页生成 pptxgenjs 代码的两角色 LoRA 方案，根据 IBM 设计语言生成幻灯片。

    推荐理由: IBM 使用合成数据加检查修复闭环训练 20B 小模型制作幻灯片，提供可迁移到其他结构化产出的方法。

  1. IT之家 · AI82

    美团龙猫开源 LongCat-2.5 模型，总参数 1.6 万亿、支持百万上下文

    美团龙猫将面向长程智能体任务的原生多模态模型 LongCat-2.5 正式开源，采用 MIT 协议，支持商用推理部署与二次训练且无需额外授权。模型总参数 1.6 万亿，每个 token 激活约 480 亿参数，支持一百万上下文，并针对显存与带宽受限的国产算力芯片在架构、芯片适配与部署策略上做了协同优化。

    同一件事 · 2 家

    推荐理由: 原文给出总参数、激活参数、上下文长度与开源协议，读者可据此判断长程智能体任务的开源模型选项。

  1. IT之家 · AI78

    小米开源 0.8B 文档理解模型 Xiaomi-OCR-0，支持 Markdown 与 JSON 输出

    小米开源轻量级文档理解模型 Xiaomi-OCR-0，参数规模 0.8B，权重与推理代码已上线 Hugging Face 和 GitHub，单一模型覆盖文档解析、关键信息抽取与 OCR 视觉问答三类任务。

    推荐理由: 0.8B 参数在 OmniDocBench v1.6 上位列总榜第二，且权重、MCP 服务与 Skill 工具包一并开放，可据此判断小模型做文档解析的边界。

  1. Hugging Face Blog85

    Mistral Large 4（Le Chonk）在 Hugging Face 发布

    Mistral 发布多模态 MoE 模型 Mistral Large 4（Le Chonk），约 1T 总参数、49B 激活参数，上下文窗口 1M tokens，提供 FP8 与 NVFP4 两个官方版本，另有 Unsloth 和 llama.cpp 团队制作的 GGUF。

    同一件事 · 2 家

    推荐理由: 原文给出 1T 总参数、49B 激活的 MoE 多模态模型在网络安全与编码基准上的具体分数，并附本地与端点部署实测吞吐。