Elorian 首个 AI 模型 Glimpse：直接对图像推理，而不只是围绕图像推理
Elorian 发布首个 AI 模型 Glimpse，以研究预览形式开放 API 接入，聊天界面为候补名单制。其核心机制"视觉草稿空间"允许模型在推理过程中反复回看图像、裁剪区域或提取视频帧，而非一次性将图像转为 token。模型在数百张 GPU 上训练，输入 $0.60、输出 $3 每百万 token，Elorian 称在科学图表推理与短视频字幕任务上优于 GPT-6 Astra。
#多模态
#多模态
今日 0 条TechCrunch · AIAI 评分4343
The DecoderAI 评分6666 Meta 发布开源权重模型 Muse Spark Open，对标 Qwen、GLM 与 Kimi
Meta 发布开源权重模型 Muse Spark Open，总参数 816B（激活 42B）、支持最高 100 万 token 上下文，覆盖文本、图像、视频和音频输入，针对编码和智能体任务。
The Verge · AIAI 评分6767 Meta 与 Apple 合作优化 Muse Spark Open 模型在 Mac 上的运行
Meta 今日发布开放权重模型 Muse Spark Open，总参数 816B，号称目前最强的美国开放权重模型，原生多模态，支持长程任务与多步推理。Meta 与 Apple 合作让该模型可在两台 M5 Ultra Mac Studio 上通过最新 MLX 框架本地运行，Apple 同步发布了 MLX 技术博客。
AWS Machine Learning BlogAI 评分5151 Meta 编程优化开源权重模型 Muse Spark Open 上架 Amazon SageMaker JumpStart
Meta 将编程优化开源权重模型 Muse Spark Open 接入 Amazon SageMaker JumpStart。模型采用 MoE 架构，总参数 816B、单 token 激活 42B，上下文 1M tokens；接收文本、图像、文档、音频与音视频输入，并作为推理模型会返回 reasoning_content。
Hugging Face Blog精选AI 评分8484 Meta 开源多模态 MoE 模型 Muse Spark Open，总参数约 816B、每 token 激活约 42B
Meta 发布开源多模态 MoE 模型 Muse Spark Open，总参数约 816B、每 token 激活约 42B，输入支持文本、图像、音频和视频，上下文窗口可达 1M tokens。
推荐理由：原文覆盖了 transformers、llama.cpp、vLLM 等推理后端的部署示例和 TRL LoRA 微调流程，读者可以直接复用这些方案。
The DecoderAI 评分6262 Nvidia 发布开源多模态模型 Nemotron 3.5 Super VL，面向企业智能体持续运行
Nvidia 发布开源多模态模型 Nemotron 3.5 Super VL（120B 参数、MoE 架构每 token 激活 12B），主打持续运行的企业智能体，并同步推出两款用于本地与边缘场景的 Bolt 模型。
NVIDIA Blog精选AI 评分7070 NVIDIA 扩展 Nemotron 模型家族，推出 Super VL 与 Bolt 系列覆盖数据中心到端侧
NVIDIA 发布 Nemotron 3.5 Super VL（120B 参数）开放模型，主打多模态智能体任务，并推出 Bolt 74B-A9B 24GB 与 Bolt E4B 4GB 两款端侧模型。
推荐理由：原文给出 Super VL 在参数量和吞吐量上的同档对比，以及从数据中心到端侧的全家族覆盖定位，可帮助判断 Nemotron 在开放模型生态中的角色。
Hugging Face Blog精选AI 评分6969 Swiss AI 发布 Apertus 1.5：8B/70B 开源模型扩展多模态与长上下文
Swiss AI 团队发布 Apertus 1.5 (8B/70B)，在 1.0 基础上加入原生图像与音频理解、可切换思考模式以及 262,144 token 上下文窗口（4 倍提升），权重以 Apache 2.0 开源。
推荐理由：文章对照同尺寸开源权重模型，从多模态、长上下文与思考模式三方面详述 Apertus 1.5 的能力改进与取舍，可作为了解其定位的一手参考。
Google ResearchAI 评分5353 Google Research@ 2026：展示覆盖医疗、地理与芯片的 10 项研究进展
Google 在 Mountain View 举办的 Research@ 2026 上集中展示了覆盖医疗、地球科学、边缘芯片等方向的 10 项研究进展。
Import AIAI 评分3636 Import AI 第 476 期：AI 创造力与递归自我改进；中国开源权重模型表现落后；AI 进军太空
Import AI 第 476 期报道 Scale AI 与 Elorian 发布的视觉推理基准 Humanity's Sixth Sense：人类 pass@1 为 93.1，最佳 AI 模型 GPT 6 Astra 仅 53.6，中国开源权重模型 GLM-5.3-flash（26.8）与 Kimi K3（25.5）垫底。
TechCrunch · AIAI 评分7474 OpenAI 推出 Intelligent UI 新界面，让 ChatGPT 对话嵌入可视化交互元素
OpenAI 随 GPT-6 推出名为 Intelligent UI 的新界面，在 ChatGPT 对话中嵌入可点击按钮、可编辑图表和定制计算器等交互元素。产品经理 Aarush Selvan 表示，最有帮助的回答不应只是文本，新界面目标是让复杂主题更易学习，演示案例包括机翼升力图、自行车机械图、多日徒步地图和存款计算器等。
The DecoderAI 评分6262 Google 向公众开放 SynthID 检测器，已为 1800 亿条图像与视频添加水印
Google 将 SynthID 检测器向公众开放，支持识别 JPG、PNG、MP4 与 MP3 文件中由 Gemini、Veo、Lyria 等模型生成的隐形水印。
Hugging Face BlogAI 评分5252 Liquid AI 开源 d1 系列端侧多模态决策模型 d1-3B 与 d1-omni-600M
Liquid AI 开源 d1 系列两个边缘决策模型 d1-3B 与 d1-omni-600M，主打毫秒级单次前向传播推理。
Simon WillisonAI 评分5050 llm-openai-decisions 0.1a0 插件：对接 OpenAI 新 Decisions API
Simon Willison 写了 llm-openai-decisions 0.1a0 插件，把 OpenAI 上周在 DevDay 宣布的 Decisions API 接入他的 llm CLI 工具。
The DecoderAI 评分5252 Google 发布 EmbeddingGemma 2 多模态嵌入模型，称优于两倍体量竞品
Google 发布开源多模态嵌入模型 EmbeddingGemma 2，参数量 7.4 亿，可将文本、图像、视频、音频和代码转为向量。它在 Massive Text Embedding Benchmark (Code) 上得分 78.68，较前代 68.76 提升近 10 分，Google 称表现优于两倍体量的竞品模型。
Google DeepMind精选AI 评分6666 Google DeepMind 发布开源端侧多模态嵌入模型 EmbeddingGemma 2
Google DeepMind 发布开源多模态嵌入模型 EmbeddingGemma 2，基于 Gemma 4 架构并采用 Apache 2.0 协议，参数规模 740M，可将文本、图像、音频与视频映射到同一嵌入空间。
推荐理由：在端侧资源约束下把文本、图像、音频、视频统一映射到同一嵌入空间，为本地 RAG 与跨模态检索提供了新的基线。
TechCrunch · AIAI 评分6161 Mistral 发布 Mistral Large 4 多模态模型，1T 参数瞄准开源与闭源对手
Mistral AI 发布 1T 参数多模态模型 Mistral Large 4（昵称 Le Chonk），目前只能通过公共 guardrail 端点访问，开源权重将在安全测试完成后三周内发布。
Simon WillisonAI 评分2626 Simon Willison 测试 Claude Opus 5.5 作曲：意外生成《猴岛》风格游戏音乐
Simon Willison 通过提示词让 Claude Opus 5.5 设计文本式音乐格式并构建可播放的 artifact，结果意外产出大量《猴岛》原版风格游戏音乐片段，质量令人满意。他推测文本模型的音乐生成能力可能与近几个月出现的 3D 图形能力类似，是一项新涌现的能力，但仍需用其他模型进一步验证。
The DecoderAI 评分6767 Mistral 发布 Mistral Large 4，1 万亿参数主打网络安全与企业部署
Mistral 发布万亿参数模型 Mistral Large 4（昵称 le Chonk），原生多模态、1.05 万亿总参数中激活 490 亿，支持 100 万 token 上下文窗口，API 已在 Mistral Studio 上线，权重预计 10 月底发布。
TechCrunch · AIAI 评分4343 Pinterest 推出 Beauty Guides，借助 AI 把美妆 Pin 转为可执行沙龙指南
Pinterest 推出由 Pinterest Intelligence（视觉智能与生成式 AI 技术）驱动的 Beauty Guides 功能，可将用户保存的美妆 Pin 翻译为发型师术语（如 balayage、root melt、almond nails），并附上完成时间、价格区间与维护建议等可执行信息。
Mistral AI精选AI 评分7575 Mistral Large 4 公开预览版上线 Mistral Studio，月底发布权重
Mistral 发布 Mistral Large 4（ML4）公开预览版，这是一款 1 万亿参数、49B 活跃参数的原生多模态模型，已在 Mistral Studio 开放 API 试用。
推荐理由：原文同时给出了 ML4 在开源模型中的相对位置与欧洲数据中心、3,800 张 Blackwell GPU 的训练规模，读者可以据此理解其基础设施与开源生态意义。
The DecoderAI 评分4747 Reka AI 发布 omni 模型 Rho-1：19B 参数，单一神经网络统一处理文本、图像、视频与机器人控制
Reka AI 发布研究预览版 omni 模型 Rho-1（19B 参数），用单一神经网络统一处理文本、图像、视频与机器人控制。各类模态以 token 形式跑在同一共享上下文窗口，无需外部模型或工具调用，模型可实时生成连续视频并即时响应新指令。训练使用 320 张 H100 GPU，历时约三个月。
NVIDIA BlogAI 评分3232 NVIDIA Inception：以 AI 弥合乳腺癌从筛查到治疗规划的关键缺口
NVIDIA Inception 三家初创企业以 AI 工具覆盖乳腺癌从筛查到治疗规划各环节。iSono Health 的 FDA 获批 ATUSA 平台约两分钟完成单侧三维超声扫描，灵敏度比手持二维超声高 28%；Whiterabbit.ai 与 Ataraxis AI 分别聚焦乳腺密度评估和病理切片治疗反应预测。
The Verge · AIAI 评分5656 Google 在 Gemini Live 推出 Guided Vision，可实时音频描述摄像头画面
Google 在 Gemini Live 上线 Guided Vision，通过摄像头给出画面内文字、物体与场景的实时音频描述。今日起在兼容 Android 设备上推出，已加入 Google TalkBack，Android 9 及以上可在系统设置中设为无障碍快捷方式；用户可以追问，例如让 Gemini 念出识别到的商品过期日期。
The DecoderAI 评分4848 Tavus 推出 Griffin 人机交互模型：近半数测试者一分钟通话中误认其为真人
Tavus 发布首个「人机交互模型」Griffin，能在实时视频通话中同时处理语音、表情、语气、手势与停顿。测试中 48% 参与者在仅一分钟通话后将其误认为真人，此前系统该比例最高仅 2%；Nvidia 一项独立音视频拟人度测试中 Griffin 获 3.83 分，真人得分 3.92。轻量版 Griffin-Lite 已向特定测试者开放研究预览，完整版本需待安全问题解决后推出。
TechCrunch · AIAI 评分5757 Google 发布 Gemini 4 Argon，称其为迄今最强模型
Google 发布 Gemini 4 Argon，称其能自主发现、验证并修复关键软件漏洞，目前仅通过 Fairwind 计划向部分网络安全合作伙伴开放。该模型针对防御性安全任务训练，Google 称其在多项基准上高于 OpenAI 的 GPT-6 Astra 与 Anthropic 的 Fable、Opus，并引用 Vals 指数显示其处于领先。
Google DeepMind精选AI 评分7979 Google DeepMind 发布 Gemini 4 Argon 前沿模型
Google DeepMind 发布新的前沿模型 Gemini 4 Argon，先通过 Fairwind Program 面向一批可信网络安全防御方开放，随后逐步向开发者、企业和消费者推出。
推荐理由：官方给出 1M 输出 token、DeepSWE v1.1 77.9% 等指标与分阶段开放安排，可据此了解前沿模型的发布节奏与安全门槛。
The DecoderAI 评分6666 Google 发布 Gemini 4 Argon，缩小与 OpenAI、Anthropic 的差距但未明显领先
Google 发布新前沿模型 Gemini 4 Argon，在部分基准上超过 OpenAI 和 Anthropic 的模型，但没有取得明显领先；推广价下每百万输入 token 2 美元、输出 token 10 美元。
The Decoder精选AI 评分8484 AMD 以 82 亿美元收购世界模型初创公司 World Labs
AMD 宣布以约 82 亿美元的全股票交易收购空间智能初创公司 World Labs，创始人李飞飞将加入 AMD，出任执行副总裁兼首席科学家，交易预计在 2026 年底前完成并等待监管批准。
推荐理由：AMD 以约 82 亿美元买下世界模型团队，可对照 Nvidia 近年靠模型与生态绑定硬件的做法。
AWS Machine Learning BlogAI 评分3232 Condé Nast 如何基于 Amazon Bedrock 构建多模态视频检索系统
Condé Nast 与 AWS Generative AI Innovation Center 合作，基于 Amazon Bedrock 上的 TwelveLabs Marengo 嵌入模型和 Amazon OpenSearch Service 构建多模态视频检索方案，将单次内容发现耗时从 250 分钟压缩至不足 2 分钟。
Microsoft ResearchAI 评分5959 Microsoft Research 推出面向生物学复杂性的 AI 研究系统 Quine
Microsoft Research 推出 AI 研究系统 Quine，由生物学多模态世界模型和连接模型、科学工具、文献与研究者的交互 harness 组成。该系统与 Broad Institute 合作用于胰腺导管腺癌（PDAC）化合物筛选，其排名最高的化合物在湿实验中产生最大的 classical 到 basal 细胞状态转变，整个过程仅用一个周末。
TechCrunch · AIAI 评分3939 Marissa Mayer 的 Dazzle：靠相机胶卷而非收件箱读懂你的个人 AI 助手
Marissa Mayer 推出个人 AI 助手 Dazzle，其上下文不取自邮件、日历等文本应用，而全部来自手机相机胶卷，据此推断用户的爱好、饮食与风格偏好。用户可通过 App 或短信交互，它还能扫描照片从活动传单填充日历，并按照片里的破损车库门找维修工、生成度假与礼物建议。Mayer 称 Dazzle 优先隐私，会丢弃被 AI 标记为敏感的个人信息。
Latent SpaceAI 评分6363 AINews 汇总：Opus 5.5 因讲解视频生成受关注，小米 MiMo-V2.6-Pro 以 MIT 协议开源
Latent Space 的 AINews 汇总了 9/24 至 9/25 的 AI 动态，本周发布的 Claude Opus 5.5 因生成讲解视频成为讨论焦点。
AWS Machine Learning BlogAI 评分4343 在 Amazon SageMaker HyperPod 上用 SkyRL 加速多模态 RL 训练
SkyRL 在 Amazon SageMaker HyperPod 上对 Qwen3-VL-8B 做 GRPO 后训练，将固定 64-maze 评估集的迷宫求解率从 43.75% 提升到超过 95%。
Latent SpaceAI 评分6363 Runway 的 WorldPrompt 与实时世界模型工程解读
Runway 本月早些时候推出研究预览 GWM Worlds 2，把高保真视频与音频生成变成实时交互式模拟，并给出 WorldPrompt 这一用于指定生成世界及其内部动作的输入格式。
Google ResearchAI 评分5151 Google Research 发布长视频一致性生成的多智能体框架套件
Google Research 发布面向长视频生成的多智能体框架套件，包含 AI video co-director、CANVAS、A²RD 与 VQQA，作为编排层构建在 Gemini 和 Veo 之上，其中 Co-Director 将发表于 COLM 2026、CANVAS 将发表于 EMNLP 2026。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 Gemini 3.8 Live with Live Avatar
Gemini 3.8 Live with Live Avatar 已在 Gemini Enterprise 上线，将近实时视频生成与语音对话结合，让企业智能体以带口型同步和自然表达的动态形象进行实时对话。
推荐理由：原文给出 Live Avatar 在多语言同步和后台工具调用上的具体能力，读者可据此判断企业实时客服场景的落地边界。
Hugging Face BlogAI 评分5353 Liquid AI 发布 LFM2.5-VL-DSpark，为 LFM2.5-VL-3B 加速投机解码
Liquid AI 发布实验性草稿模型 LFM2.5-VL-DSpark，为视觉语言模型 LFM2.5-VL-3B 加入投机解码路径，端侧解码最高提速 3.13x、H100 上最高 2.66x，端到端提升最高 2.62x 和 2.27x。
AWS Machine Learning BlogAI 评分5353 在 AWS 上用 Strands Agents SDK 构建对话式视频智能方案
AWS 发布教程，介绍如何用 Strands Agents SDK 结合 Amazon Bedrock、Rekognition 和 Transcribe 搭建对话式视频智能体，用户可用自然语言查询视频内容。
Latent SpaceAI 评分4343 生物安全是一场 AI 军备竞赛：Radical Numerics CEO Eric Nguyen 谈基因组语言模型
Radical Numerics CEO Eric Nguyen 称生物安全正成为一场 AI 军备竞赛，防御方目前落后，主张继续推进前沿能力。他此前在 Arc Institute 参与领导 Evo 和 Evo 2，这些模型后被用于生成完整噬菌体基因组并合成为功能性病毒。