NVIDIA AI Day 新加坡：携手合作伙伴展示东南亚 AI 进展
NVIDIA AI Day Singapore 于 9 月 22-23 日举行，NVIDIA 与合作伙伴展示东南亚 AI 从试点走向生产部署的进展。新加坡 HTX 将研究 Nemotron 3 Super 与 Nemotron 3 Nano Omni 用于公共安全，NCS、ST Engineering 基于 Nemotron 模型与 NeMo 推进智能体 AI。
#多模态
#多模态
今日 0 条NVIDIA BlogAI 评分2929
Latent Space精选AI 评分7878 小米发布 MiMo-V2.6-Pro 开源权重模型，1T-A42B 规模、训练成本 $3M
小米发布 MiMo-V2.6 系列开源全模态模型，MiMo-V2.6-Pro 以 1.02T 总参数、42B 激活参数在 Artificial Analysis 智能指数上以 46 分位列最高分的开源权重模型，另有 MiMo-V2.6-Flash 与最高 20 倍输出速度的 MiMo-V2.6-Pro-UltraSpeed，模型采用 MIT 许可。
推荐理由：原文给出了 RL 训练配方与开源环境清单，读者可以据此判断后训练成本下降对开源模型格局的影响。
Google DeepMind精选AI 评分7373 Google 发布 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking 语音模型
Google 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款实时语音对话模型，分别面向规模与成本效率、以及高复杂度任务。
推荐理由：两款语音模型分别面向规模成本与复杂任务，并给出各自评测数据和开放入口，可供判断语音智能体的选型。
Hugging Face BlogAI 评分5252 H Company 发布多模态编码器 NeoMME（260M/800M）
NeoMME 是 H Company 发布的多语言多模态编码器系列，包含 260M 和 800M 两个规格，采用单一双向 Transformer 同时处理文本 token 与 32×32 图像 patch，从零训练并使用掩码离散扩散目标。
Google DeepMind精选AI 评分7474 Google DeepMind 为 Gemini 推出智能体视频理解功能
Google DeepMind 在 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 上推出智能体视频理解功能，官方称视频分析成本最多降低 66%、token 消耗最多降低 88%、准确率最高提升 7%。
推荐理由：官方给出成本最多降 66%、token 最多降 88% 的基准数据，可据此判断长视频分析的工程取舍。
Google DeepMind精选AI 评分6565 Google DeepMind 发布 Gemini Omni 1.1 Flash，新增场景延展与 4K 放大
Google DeepMind 发布 Gemini Omni 1.1 Flash，为开发者提供场景延展、首尾帧指定、360p 快速草稿和最高 4K 放大等生成视频控制能力。
推荐理由：相比此前只能参考最后一秒的版本，Omni 1.1 把场景延展的上下文提到 10 秒，并给出 360p 草稿与 4K 输出等具体参数。
Google ResearchAI 评分3434 Google Research 提出 AgentHands：为 XR 智能体对话生成同步手势
Google Research 在 CHI 2026 发表研究原型 AgentHands，让 XR 中的 AI 智能体在对话时同步生成手势。系统结合空间感知、GestureEvents 与词级 TTS 时间戳，将 LLM 输出映射为实时 3D 手部动作。N=12 的用户研究显示，相较纯语音基线，AgentHands 在空间定位沟通效果上带来显著提升。
Google ResearchAI 评分4343 Google Research 提出 PhotoScan：用智能手机影像估算心血管代谢风险，精度接近 DXA
Google Research 提出 PhotoScan 深度学习框架，仅凭标准 2D 智能手机照片即可估算体脂率（BF%）、A/G 比和 V/S 比等三维体成分指标，预测胰岛素抵抗的精度接近 DXA 扫描。
Microsoft ResearchAI 评分4949 MindTopo 揭示 VLM 空间推理能力：静态识别强于交互规划
Microsoft Research 提出 MindTopo 基准，用于评测多模态大模型（VLM）的拓扑推理能力，覆盖连通、分离、顺序、包围与绳结五类任务。测试发现，模型在静态识别上明显强于交互规划，两者均远低于人类水平，失败多出现在规划而非感知阶段。图像生成只在单帧可见关系时有用，视频推演跨多步仍常改变拓扑或违反任务动力学。
Google DeepMind精选AI 评分7070 Google DeepMind 发布 SL2T 手语转文本模型并落地 Gboard 与 Live Transcribe
Google DeepMind 发布大规模多语言手语转文本模型 SL2T，可将手语直接翻译为流式文本，首批支持美国手语（ASL）转英文。模型基于超过 50 种手语、10 万小时以上数据训练，其中约四分之一为 ASL，在 FLEURS-ASL（sd-test）上取得 70 BLEURT 的零样本分数。
推荐理由：手语转文本模型在 Gboard 与 Live Transcribe 落地，文中给出数据规模与基准分数，可据此了解多模态无障碍翻译的当前进度。
Google Research精选AI 评分6565 Google AMIE（Video）实现专家级实时视频临床问诊
Google Research 发布 AMIE（Video），一个基于 Gemini 和 Project Astra 的实时视频临床问诊系统，在覆盖 5 个身体系统的 100 个场景、300 次问诊的随机 OSCE 研究中，其临床问诊、诊断和管理能力与 30 名认证初级保健医生持平，并在体征观察和引导虚拟查体上显著优于医生组和文本版 AMIE。
推荐理由：原文给出随机对照研究和多智能体架构细节，读者可以据此判断音视频通道相较纯文本究竟在哪类临床能力上带来了差异。
Microsoft ResearchAI 评分5353 微软研究院推出 CARE-X 放射学 VLM，融合辅助监督与工具增强测量
微软研究院推出研究模型 CARE-X，一个覆盖胸部 X 光多种解读任务的放射学 VLM，可同时生成自由文本报告并输出带置信度的结构化预测。它基于 SigLIP2-so400M 视觉编码器和 Phi-4-mini-instruct（3.8B），通过分类、定位与语言建模的联合训练及 DAPO 强化学习优化临床正确性，在 ReXVQA 上达到 94% 整体准确率。
Hugging Face Blog精选AI 评分6969 Meta 开源 30B 多模态模型 Muse Glimmer，主打本地智能体场景
Meta 发布开源多模态模型 Muse Glimmer 30B，采用 Apache 2.0 协议，面向本地智能体用例，并获得 transformers、llama.cpp、vLLM、Inference Endpoints 的 day-0 支持。
推荐理由：原文给出Muse Glimmer 30B在Agentic、编码、安全等基准上对位Gemma4-31B、Qwen3.6-27B的逐项对比结果，并附transformers、llama.cpp下的本地推理与DFlash推测解码代码示例。
Mistral AIAI 评分5555 Mistral 发布 Shieldstral：3B 开源多模态安全分类模型
Mistral 发布开源多模态安全分类模型 Shieldstral，参数规模 3B，可在单张 16GB NVIDIA GPU 上运行，权重采用 Apache 2.0 授权（https://mistral.ai/news/shieldstral/）。
Google DeepMind精选AI 评分7474 Google DeepMind 发布机器人具身推理模型 Gemini Robotics ER 2
Google DeepMind 发布 Gemini Robotics ER 2，这是面向机器人的具身推理模型，支持视频理解、任务编排和多机器人协作，已通过 Gemini API、Google AI Studio 向开发者开放，并在 Gemini Enterprise Agent Platform 上私测。
推荐理由：原文给出了进度分类与时刻定位的具体准确率和延迟数据，可据此判断高层推理模型在机器人任务编排上的能力边界。
Google DeepMindAI 评分4949 Google 在 Flow Music 发布 Lyria 3.5 音乐生成模型，提升音乐性、歌词、人声与创作控制
Google 在 Flow Music 中上线新的音乐生成模型 Lyria 3.5，称其在音乐性、歌词和人声质量上均有显著提升。该版本可生成更复杂自然的旋律结构，歌词的提示词遵循度与结构意识更强，人声更具情感表现力且发音更准确。用户还能更便捷地控制输出曲目的节奏与时长，并已在 Flow Music 中开放试用。
Hugging Face BlogAI 评分3131 DharmaOCR 巴西葡萄牙语 OCR 评测：仍优于 Mistral OCR4 与 Unlimited-OCR
DharmaOCR 在面向巴西葡萄牙语的 OCR 评测中以 0.925 的提取质量分优于发布更晚的 Mistral OCR4（0.798）和 Unlimited-OCR（0.7587）。
Hugging Face Blog精选AI 评分7373 Thinking Machines 开源 1T 参数多模态模型 Inkling，支持图像文本音频输入
Thinking Machines 开源 1T 参数多模态大模型 Inkling，原生支持图像、文本和音频输入及 1M 上下文，采用 decoder-only MoE 架构（975B 总参数、41B 激活），同步提供 BF16 与 NVFP4 两个权重版本。
推荐理由：原文给出 Inkling 的 MoE 架构细节与多模态能力范围，并附 transformers、SGLang、vLLM 多框架部署示例和主流模型基准对比，方便评估其工程落地方案。
Google DeepMindAI 评分3535 Google DeepMind 以 Gemini 驱动的 ATL Saathi 赋能印度下一代创新者
Google DeepMind 启动 Gemini 驱动的 ATL Saathi 试点，为印度 Atal Tinkering Labs 教师提供 24/7 规划与培训助手。该应用由 Gemini 3.5 Flash 提供底层能力，可生成年级适配的项目创意、分步装配说明和接线图，并覆盖 12 个核心模块的摘要与互动测验。首批覆盖 100 所学校，首期支持 8 种语言。
Berkeley AI ResearchAI 评分3535 2026 BAIR 毕业生展示：博士研究方向与毕业去向
BAIR 公布 2026 届博士毕业生展示，涵盖机器人、LLM 推理、计算机视觉、生成模型、AI 安全、人机交互以及 AI for science 与医疗等方向。毕业生将赴高校教职、博士后岗位与工业研究实验室，其中 Hanlin Zhu 加入 OpenAI，Josh Kang 加入 Mistral AI。
Google DeepMind精选AI 评分7979 Google DeepMind 发布 Nano Banana 2 Lite 与 Gemini Omni Flash
Google DeepMind 发布 Nano Banana 2 Lite 与 Gemini Omni Flash 两款模型。
推荐理由：两款模型都给出了延迟、单价与上线入口，开发者可据此对照现有图像和视频管线判断成本与选型。
Import AIAI 评分3737 Import AI 461：研究人员成立 Sequent 聚焦超级智能对齐，称"对齐未走上正轨"；LMU 等团队发布 ChinaHeritaQA 多模态基准
英国 AI Security Institute 对齐团队与 Timaeus 联合成立非营利研究组织 Sequent，专注超级智能安全对齐研究，计划两年内扩至 40–80 名全职员工，初始融资目标 $100–150M。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Gemma 4 12B，采用无编码器多模态架构
Google DeepMind 发布 Gemma 4 12B，一款面向笔记本电脑的智能体多模态模型，视觉与音频输入直接进入 LLM 主干、不再依赖独立编码器，并配备 Multi-Token Prediction 草稿器以降低延迟。
推荐理由：原文给出无编码器多模态架构的实现细节，读者可比对它与 26B MoE 在内存占用上的取舍。
Google ResearchAI 评分4949 Google Research：迈向利用智能手机摄像头的被动式心脏健康监测
Google Research 在 Nature 发表 PHRM 系统，通过手机前置摄像头在日常使用中被动监测心率，单次心率 MAPE < 10%、日均静息心率 MAE < 5 bpm。系统基于 35 万段视频、约 700 名不同肤色受试者训练，是迄今最大规模的 rPPG 研究，并公开 PHRM-mini 预训练模型与数据集供研究者申请。
Google DeepMindAI 评分5858 Google DeepMind 为 Project Genie 接入 Street View，可用真实地点生成交互世界
Google DeepMind 为 Project Genie 上线 Street View 真实影像 grounding 能力，可选择美国境内真实地点并搭配风格生成可交互世界。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 Gemini Omni，首发视频模型 Gemini Omni Flash
Google DeepMind 发布 Gemini Omni 模型家族，首个模型 Gemini Omni Flash 开始在 Gemini 应用、Google Flow 和 YouTube Shorts 上线。
推荐理由：官方列出了 Omni Flash 的多模态输入与对话式视频编辑能力，可据此判断它对现有视频创作流程的影响。
Google DeepMind精选AI 评分6262 Google 在 Search、Gemini、Chrome 与 Cloud 扩展 SynthID 和 C2PA 内容溯源工具
Google 将 SynthID 与 C2PA Content Credentials 校验扩展到 Search、Gemini、Chrome、Pixel 和 Cloud，并在 Google Cloud 的 Gemini Enterprise Agent Platform 上线 AI Content Detection API。
推荐理由：Google 把 SynthID、C2PA 校验与 Cloud 检测 API 一并铺到搜索和浏览器，可据此判断 AI 内容溯源工具的落地范围。
Google DeepMindAI 评分5151 Google DeepMind 与新加坡政府达成国家级 AI 合作
Google DeepMind 宣布与新加坡政府达成国家级 AI 合作，在新加坡启动多个项目，覆盖医疗与生命科学、教育、科研和气候等方向。
Google DeepMind精选AI 评分9292 Google DeepMind 发布 Gemini 3.5，首发 Gemini 3.5 Flash
Google DeepMind 发布 Gemini 3.5 模型系列，首发 Gemini 3.5 Flash，今日起在 Gemini app 和 Google Search 的 AI Mode 面向所有人开放，开发者可通过 Google Antigravity、Google AI Studio 中的 Gemini API 和 Android Studio 使用。
推荐理由：文章列出 3.5 Flash 与其他前沿模型的基准对比和速度差异，可用于评估智能体与编码场景下延迟和成本的取舍。
Google DeepMindAI 评分5858 Google DeepMind 启动 AI co-clinician 医疗研究计划
Google DeepMind 宣布启动 AI co-clinician 研究计划，探索 AI 智能体在医生监督下作为诊疗团队成员与患者互动。在 98 个真实初级保健问题的盲评中，该系统在 97 个问题上零关键错误；在 140 项问诊技能评估中，有 68 项达到或超过初级保健医生水平。
Google DeepMind精选AI 评分6161 Google DeepMind 发布 Gemini Robotics-ER 1.6，强化具身推理与仪表读数
Google DeepMind 发布 Gemini Robotics-ER 1.6，作为推理优先的机器人模型升级版，在指点、计数、成功检测等空间与物理推理上较 Gemini Robotics-ER 1.5 和 Gemini 3.0 Flash 有明显提升。
推荐理由：相比 1.5 与 Gemini 3.0 Flash，新模型新增仪表读数能力，可了解机器人具身推理的进展与开放入口。
Google DeepMind精选AI 评分8585 Google DeepMind 发布 Gemma 4 开源模型家族，含 2B 到 31B 四种尺寸
Google DeepMind 发布 Gemma 4 开源模型家族，包含 E2B、E4B、26B MoE 和 31B Dense 四种尺寸，采用 Apache 2.0 许可。
推荐理由：Gemma 4 以 Apache 2.0 许可放出四种尺寸，从端侧到工作站都有对应规格，可据此判断开源模型的落地边界。
Google DeepMind精选AI 评分6262 Google DeepMind 用 AI 重塑鼠标指针，Chrome 已支持指向网页问 Gemini
Google DeepMind 公布 AI 指针研究，提出把传达上下文与意图的负担从用户转移到计算机的四项交互原则。实验性指针由 Gemini 驱动，可在 Google AI Studio 中指向并语音编辑图片或查找地点；Chrome 已支持用指针就网页中关心的部分向 Gemini 提问，Googlebook 的 Magic Pointer 也将很快推出。
推荐理由：文章给出四项交互原则并说明指针如何借助视觉与语义上下文理解用户意图，可供判断 AI 交互入口的走向。
Mistral AI精选AI 评分7070 Mistral 发布开源 Mistral Small 4，统一推理、编码与多模态能力
Mistral 发布 Mistral Small 4，采用 119B 总参数 / 6B 激活的 MoE 架构，统一 Magistral 推理、Devstral 编码代理与 Pixtral 多模态能力，支持 256k 上下文和可配置推理强度，权重以 Apache 2.0 开源。
推荐理由：原文给出统一推理、编码与多模态能力的架构与同尺寸模型的输出效率对比，可作为评估开源部署延迟与成本的参考。
Mistral AIAI 评分5757 Mistral 发布 Mistral OCR 3 模型
Mistral 发布 Mistral OCR 3 模型（mistral-ocr-2512），在表单、手写内容、低质量扫描件和复杂表格上相对 Mistral OCR 2 取得 74% 的整体胜率。
Mistral AI精选AI 评分7979 Mistral 发布 Mistral 3 模型家族，涵盖 Mistral Large 3 与 Ministral 3
Mistral 发布 Mistral 3 模型家族，旗舰款 Mistral Large 3 为 41B 激活 / 675B 总参数的稀疏 MoE，在 LMArena OSS 非推理模型榜位列第 2，全系采用 Apache 2.0 协议开源。
推荐理由：原文给出 Mistral Large 3 的 MoE 规模与 LMArena 排名，以及 Ministral 3 端侧尺寸，可作为开源权重模型横向对比的坐标。
Mistral AIAI 评分3737 如何通过 LoRA 微调释放 Pixtral-12B 在卫星图像上的潜力
Mistral 通过 LoRA 微调将 Pixtral-12B 适配到卫星图像领域，在 Aerial Image Dataset（AID）上以 8000 张训练样本和 2000 张测试样本进行场景分类，显著优于基座模型在歧义类别上的表现并减少幻觉输出。
Mistral AI精选AI 评分6262 Mistral AI 为 Le Chat 推出深度研究、语音模式与 Projects 等多项新功能
Mistral AI 为 Le Chat 推出多项新功能，包括 Deep Research 预览模式、基于 Voxtral 的语音模式、由 Magistral 推理模型驱动的多语言 Think 模式、Projects 文件夹整理，以及与 Black Forest Labs 合作的图像编辑。
推荐理由：Le Chat 一次性发布研究、语音、推理与图像编辑多项能力，读者可据此与同期同类助手的功能覆盖做横向对照。
Mistral AI精选AI 评分6262 Mistral AI 发布 Mistral Medium 3，主打企业级性能与成本效率
Mistral AI 发布 Mistral Medium 3，定位中型尺寸企业模型，定价 $0.4 输入 / $2 输出每 M token，在多项基准上达到或超过 Claude Sonnet 3.7 的 90%，并超越 Llama 4 Maverick 与 Cohere Command A，成本也低于 DeepSeek v3。
推荐理由：原文同时给出相对 Claude Sonnet 3.7、Llama 4 Maverick 的性能对照与 $0.4 / $2 每 M token 的价格，可作为中型模型选型的成本与性能参考。
Mistral AI精选AI 评分6464 Mistral 发布 Mistral Small 3.1 开源模型，支持 128k 上下文与多模态
Mistral 发布 Mistral Small 3.1，文本与多模态基准超过 Gemma 3 和 GPT-4o Mini，推理速度 150 tokens/s，上下文扩展至 128k tokens。
推荐理由：以 Apache 2.0 开放权重并附对照 Gemma 3、GPT-4o Mini 的基准数字，128k 上下文与多模态能力使其适合低成本本地运行。