跳到正文
#多模态
  1. The Verge · AI80

    OpenAI 为 ChatGPT 推出 Intelligent UI，随 GPT-6 生成图表与按钮

    OpenAI 在 ChatGPT 中推出 Intelligent UI 功能，让回答可以结合图表、表单、可点击按钮等交互式视觉内容，该更新随 GPT-6 向所有用户推送。

    推荐理由：OpenAI 在 ChatGPT 中上线 Intelligent UI，读者可了解 GPT-6 如何把回答从纯文本扩展为图表、表单和可交互按钮。

  2. Unsloth Releases62

    Unsloth 发布 v0.1.905-beta，支持训练 Jev 风格决策模型

    Unsloth 发布 v0.1.905-beta，可用 QLoRA 把任意文本或视觉 LLM 训练成 Jev 风格决策模型，决策准确率从 30% 提升到 80%。

    推荐理由：Unsloth 把决策模型训练、测试、导出到部署串成一条链路，并给出准确率从 30% 到 80% 的对照。

  1. Hugging Face Blog62

    Liquid AI 开源 d1-3B 与 d1-omni-600M 端侧决策模型

    Liquid AI 发布 d1 决策模型家族的两款开源权重模型 d1-3B 和 d1-omni-600M（实验性）。

    推荐理由：Liquid AI 开源两款决策模型，给出端侧延迟与七项基准对比，可判断小模型做结构化决策的可行性。

  1. Google AI Blog65

    Google 推出实验性游戏平台 Playground，用提示词即可创建和游玩自定义游戏

    Google 发布实验性游戏平台 Playground，用户通过对话式界面输入提示词即可创建、游玩和分享自定义游戏，无需编程经验。平台基于浏览器，支持手机和笔记本游玩，游戏可设为私密、生成分享链接或发布到 Explore 画廊，部分品类支持排行榜和多人对战。Playground 今日面向美国 18 岁以上用户开放，创建权限按 Google AI 订阅分级，后续将接入 Unity Spark。

    推荐理由：Google 官方发布实验性游戏平台 Playground，读者可了解其提示词生成游戏的能力边界与开放范围。

  2. Google DeepMind71

    Google DeepMind 发布 EmbeddingGemma 2 开源多模态嵌入模型

    Google DeepMind 发布 EmbeddingGemma 2，一个基于 Gemma 4 架构、Apache 2.0 许可的开源多模态嵌入模型，可把文本、图像、音频和视频映射到统一嵌入空间。

    推荐理由：官方给出 740M 参数、模块化编码器与端侧内存占用，可据此判断本地多模态检索的落地门槛。

  3. Unsloth Releases60

    Unsloth 发布 v0.1.903-beta：内置浏览器、EmbeddingGemma 2 与语音克隆

    Unsloth 发布 v0.1.903-beta，在聊天旁加入内置浏览器面板，文件、网页和模型生成的 HTML 都以标签页打开，并支持对页面内容提问。该版本同时支持 Google DeepMind 的多模态嵌入模型 EmbeddingGemma 2，提供 740M 参数版本（纯文本 270M）、100+ 语言和 8K 上下文窗口，代码任务比上一代提升约 14%。

    推荐理由：Unsloth 一次更新同时加入内置浏览器、EmbeddingGemma 2 支持与语音克隆页面，可据此判断本地微调工具链的边界扩展。

  1. Mistral AI82

    Mistral 发布 Mistral Large 4 公开预览，1 万亿参数多模态模型

    Mistral 发布 Mistral Large 4 公开预览，这是一个 1 万亿参数、520 亿激活参数的稀疏多模态模型，权重将于本月底开放。

    推荐理由：Mistral 官方给出 1 万亿参数多模态模型的开放权重时间表与自建欧洲算力背景，可据此判断开源前沿模型的竞争位置。

  2. Google Developers Blog72

    Google 发布 EmbeddingGemma 2 多模态嵌入模型

    Google 发布基于 Gemma 4 的 EmbeddingGemma 2，这是一个 Apache 2.0 许可的 sub-1B 开源嵌入模型，可将文本、代码、图像、视频和音频映射到统一的 768 维空间。

    推荐理由：EmbeddingGemma 2 的模块化编码器与 MRL 截断方案，为多模态 RAG 的显存与存储取舍提供了可量化的参考。

  3. Google Developers Blog76

    Google DeepMind 发布端侧多模态嵌入模型 EmbeddingGemma 2

    Google DeepMind 发布开放权重多模态嵌入模型 EmbeddingGemma 2，可将文本、图像、视频帧和音频映射到统一向量空间，参数量 740M，文本权重最低约 191MB 内存，完整多模态模型在 Google Pixel 11 Pro 上约 567MB。

    推荐理由：EmbeddingGemma 2 把文本、图像、视频帧和音频映射到同一向量空间，并给出端侧内存与延迟数据，可据此判断本地多模态检索的落地边界。

  1. Google DeepMind84

    Google DeepMind 发布 Gemini 4 Argon 前沿模型

    Google DeepMind 发布新前沿模型 Gemini 4 Argon，先通过 Fairwind Program 向受信任的网络安全防御方开放，随后逐步扩展至开发者、企业和消费者，起步价每百万输入 token 2 美元、输出 token 10 美元。

    推荐理由：官方披露了 Argon 在编码、企业知识与网络安全上的基准表现和分阶段开放路径，可据此判断前沿模型的能力边界与获取门槛。

  1. Microsoft Research62

    微软研究院发布 Quine：面向生物学复杂性的 AI 研究系统

    微软研究院发布 Quine，一个面向生物学复杂性的 AI 研究系统，由跨序列、结构、功能、细胞状态和成像等多模态数据训练的生物世界模型，以及连接模型、科学工具、文献与科研人员的交互式 harness 组成。

    推荐理由：微软研究院公开 Quine 的多模态生物世界模型与实验闭环，并给出胰腺癌化合物筛选的湿实验验证结果。

  1. Google Research62

    Google Research 发布 AI 视频联合导演框架，实现连贯长视频生成

    Google Research 发布 AI video co-director，一个构建在 Gemini 和 Veo 之上的多智能体编排框架，用于生成连贯的多镜头长视频。

    推荐理由：Google 把长视频生成拆成四个可复用的智能体框架，并给出多镜头一致性的评测基准与量化结果。

  2. Google DeepMind72

    Google DeepMind 发布 Gemini 3.8 Live with Live Avatar

    Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，在原生实时对话模型上加入近实时视频生成，实现带口型同步、自然表情和流畅轮次的视觉化对话，已在 Gemini Enterprise 上线。

    推荐理由：官方给出 Live Avatar 的实时音视频能力、异步工具调用与 97 种语言支持，可据此判断企业级对话智能体的形态变化。

  1. Google DeepMind71

    Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS

    Google DeepMind 推出 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，前者面向角色设计与深度创作控制，后者面向高并发、低成本的配音与语音智能体场景。

    推荐理由：官方给出两款 TTS 的定位差异、语音克隆与逐行导演能力，以及多项基准排名，便于判断其在配音与语音智能体场景的适用性。

已经到底了