Kling AI 发布 4.0 版本，支持立体声、多语言口型同步并推出轻量 Flash 版
Kling AI 发布 4.0 版本，单次可生成最长 30 秒视频，支持最多 10 张关键帧图像输入，提示词理解扩展到 8,000 tokens。新版本加入双声道立体声和十余种语言的唇形同步，Omni Reference 单次最多接受 15 个参考素材，并推出最高 720p、20 秒的轻量 Flash 版。Kling 4.0 可通过 MCP 和 CLI 接入，API 定价尚未公布。
#多模态
#多模态
今日 2 条The DecoderAI 评分7575 AWS Machine Learning BlogAI 评分5555 TwelveLabs Pegasus 1.5 上线 Amazon Bedrock
TwelveLabs 的视频语言模型 Pegasus 1.5 已在 Amazon Bedrock 上线，可将长视频转为带时间戳的结构化 JSON 元数据。新版本支持按用户定义的分段规则返回所有匹配片段，新增参考图多模态提示和免预索引的即时处理，单次请求可分析最长 2 小时视频，此前 Pegasus 1.2 为 1 小时。
TechCrunch · AIAI 评分5656 Elorian 发布首个模型 Glimpse，以视觉草稿空间做图像推理
Elorian 发布首个模型 Glimpse，以研究预览形式上线并提供 API 访问，聊天界面为候补名单制。该模型在推理过程中可裁剪图像区域、从视频中抽取特定帧或运行代码来测量和比较所见内容，Elorian 将这一机制称为视觉草稿空间。
The Verge · AI精选AI 评分7777 Meta 与 Apple 合作，让 Muse Spark Open 模型在 Mac 上运行更佳
Meta 发布 Muse Spark Open 模型，称其是迄今能力最强的美国开放权重模型，也是同类中首个能在两台搭载最新 MLX 框架的 Apple M5 Ultra Mac Studio 上桌面运行。
推荐理由：Meta 与 Apple 罕见合作，让 816B 参数开源模型可在两台 Mac Studio 上本地运行，可观察端侧大模型的部署边界。
The Decoder精选AI 评分8282 Meta 发布 Muse Spark Open，816B 参数重返开源权重赛道
Meta 发布开源权重模型 Muse Spark Open，称其为美国最强开源权重模型，面向编码与智能体任务，拥有 8160 亿参数（激活 420 亿）、最高 100 万 token 上下文，支持文本、图像、视频和音频。
推荐理由：Meta 重返开源权重赛道，给出 816B 参数、百万 token 上下文与本地部署条件，可对照 Qwen、GLM、Kimi 看开源格局变化。
The Decoder精选AI 评分7878 Google 发布 Gemini 4 Argon，瞄准机器人全流程单一模型
Google 发布面向机器人任务的 Gemini 4 Argon，主打用同一模型完成仿真构建、机器人控制和训练数据评估，并称其更擅长理解空间关系、编写控制代码和从物理角度解读视频。
推荐理由：Google 用同一模型打通机器人仿真、控制与数据评估，并给出与竞品的基准对比，可据此判断通用机器人模型的路线差异。
Hugging Face Blog精选AI 评分8888 Meta 开源 Muse Spark Open：816B 参数多模态 MoE 模型
Meta 发布开源权重模型 Muse Spark Open，采用 MoE 架构，总参数约 816B、每 token 激活约 42B，上下文窗口最高 100 万 token，可输入文本、图像、音频和视频并输出文本。
推荐理由：Meta 开源 816B 参数 MoE 多模态模型，给出部署、微调与量化运行的完整路径，便于评估自托管成本。
The DecoderAI 评分7474 Nvidia 发布 Nemotron 3.5 Super VL 开源多模态模型，面向企业智能体
Nvidia 发布 Nemotron 3.5 Super VL，这是一个 120B 参数的开源多模态模型，面向持续在后台运行的企业智能体，处理文本、图像、文档和视频。
NVIDIA Blog精选AI 评分7474 NVIDIA 扩展 Nemotron 家族，发布 120B 的 Super VL 与两款 Bolt 端侧模型
NVIDIA 发布 Nemotron 3.5 Super VL，这是一个 120B 参数开放模型，面向常驻智能体任务，官方称其多模态智能体任务准确率与自家最大推理模型相当，参数量约为其五分之一，吞吐量最高为同类模型的 5 倍。
推荐理由：NVIDIA 一次放出三款覆盖数据中心到端侧的开放模型，并给出参数、量化与部署入口，便于判断本地智能体的选型空间。
Hugging Face Blog精选AI 评分6464 Apertus 1.5 发布：8B 与 70B 模型新增图像音频理解与思考模式
Apertus 1.5 在 8B 和 70B 两个规模上扩展了 Apertus 1.0，新增图像与音频理解、可选的思考模式，上下文窗口提升至 262,144 tokens，为 1.0 的 4 倍，并改进了指令遵循与工具调用。
推荐理由：Apertus 1.5 在 8B 和 70B 上加入图像音频理解与思考模式，并公开训练数据与中间检查点，可观察开放多模态模型的完整训练路径。
Simon WillisonAI 评分7575 Meta AI 发布 Muse Wonder 与 Muse Wonder Full 模型
Meta AI 发布新模型 Muse Wonder 和 Muse Wonder Full，称其为目前能力最强的模型。Artificial Analysis 将 Muse Wonder（Max）评为与 GPT-6.1 Sol 相当，作者推测这可能是 Meta 首批 Fable 级模型。
Google DeepMind精选AI 评分9292 Google DeepMind 发布 Gemini 4 Argon 前沿模型
Google DeepMind 发布 Gemini 4 Argon，今日起通过 Gemini API、AI Studio、Google Antigravity 以及 Gemini 应用和 Search 的 AI Mode 面向开发者、企业和消费者开放，定价为每百万输入 token 2 美元、输出 token 10 美元，缓存输入 token 享 95% 折扣。
推荐理由：官方给出 Argon 在编码、科研与安全对齐上的具体案例和定价，可据此判断前沿模型在长程任务上的落地程度。
Google DeepMind精选AI 评分8888 Google DeepMind 发布 Gemini 4 Argon 机器人模型
Google DeepMind 发布 Gemini 4 Argon，主打物理理解、代码生成与视觉语义推理，在 Embodied Reasoning（ERQA）基准上以纯推理取得 87%，称超过其他前沿模型。
推荐理由：官方给出 Argon 在 ERQA 的 87% 成绩与四类机器人工作流示例，可据此判断物理推理模型的落地边界。
The DecoderAI 评分7171 Odyssey 开放世界模型 Odyssey-3 免费研究预览
Odyssey 面向公众开放世界模型 Odyssey-3 的研究预览，用户可用文本提示词生成可实时探索的交互环境，开发者可申请 API 访问。免费在线 demo 基于 Odyssey-3 Flash，支持第一人称与第三人称视角；基础模型 14B 参数、832 × 480 分辨率，Pro 版支持 1280 × 720。
OpenAI News精选AI 评分8282 OpenAI 在 ChatGPT 全球上线 GPT-6 与 Intelligent UI
OpenAI 宣布 GPT-6 正在 ChatGPT 中面向全球上线，并同步推出 Intelligent UI。官方称新版本响应更快，并带来可视化与可交互的体验，用户可直接在 ChatGPT 中探索和使用。
推荐理由：OpenAI 官方公布 GPT-6 在 ChatGPT 全球上线，并同步引入 Intelligent UI，读者可据此了解模型与交互形态的同步变化。
Hugging Face Blog精选AI 评分6060 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，可据此判断小模型做结构化决策的可行性。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 EmbeddingGemma 2 开源轻量多模态嵌入模型
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，参数量 740M，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、模块化编码器与量化后内存占用等细节，可据此判断端侧多模态检索的落地边界。
The DecoderAI 评分6868 Google 发布 EmbeddingGemma 2 多模态嵌入模型
Google 发布开源多模态嵌入模型 EmbeddingGemma 2，可将文本、图像、视频、音频和代码转换为数值向量。该模型参数量为 740M，Google 称其在多模态嵌入基准上超过参数量两倍的竞品，在 Massive Text Embedding Benchmark (Code) 上得分 78.68，较前代 68.76 提升近 10 分。
The DecoderAI 评分7474 Mistral 发布万亿参数模型 Mistral Large 4，主打安全任务
Mistral 发布迄今最大模型 Mistral Large 4（ML4），拥有 1 万亿参数、490 亿激活参数，原生多模态，已在 Mistral Studio 开放 API 预览，权重预计 10 月底发布。
TechCrunch · AIAI 评分7171 Mistral 发布 1T 参数多模态模型 Mistral Large 4
法国 AI 实验室 Mistral AI 发布 Mistral Large 4（ML4），一款 1 万亿参数的大规模多模态模型，目前仅通过公开的 guardrail endpoint 访问，计划在安全测试完成后三周内开放权重。
Mistral AI精选AI 评分8080 Mistral 发布 Mistral Large 4 公开预览，1 万亿参数原生多模态
Mistral AI 发布 Mistral Large 4 公开预览，这是一个 1 万亿参数、49B 激活参数的原生多模态模型，可在 Mistral Studio 试用预览 API，权重将于本月底发布。
推荐理由：官方给出 1 万亿参数、49B 激活的开放权重模型在编码、智能体与多模态上的具体基准，可据此判断开放权重与闭源前沿的差距。
Hugging Face BlogAI 评分2424 Falcon-Emirati-7B：让 LLM 学会阿联酋方言、文化与语感
Falcon-Emirati-7B 发布，这是一个基于 Falcon-H1-Arabic 的 7B 方言专用模型，专注理解与生成阿联酋阿拉伯语。它沿用 Falcon-H1 混合架构（Mamba 与 Transformer 注意力并行），并构建了真实方言网页数据、MSA 文化语料与受术语表约束的合成数据三路管线。团队通过消融实验摸索方言数据注入量与训练阶段，以平衡真实与合成数据、避免过拟合。
The DecoderAI 评分7171 Reka AI 发布 19B 全能模型 Rho-1，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 Rho-1，这是一个 19B 参数的全能模型，在单一神经网络中处理并生成文本、图像、视频和机器人控制动作。与多数将任务分派给专用模型的系统不同，Rho-1 把所有模态作为 token 放在同一上下文窗口中运行，无需工具调用或外部模型，可实时生成连续视频并即时响应新指令，预测摄像头图像的同一套权重也用于驱动机器人动作。
The DecoderAI 评分4040 NASA 与 IBM 发布开源月球基础模型，基于 17 年轨道器数据
NASA 与 IBM Research 联合多家学术机构发布 NASA-IBM Lunar Foundation Model，称其为最早的开源月球科学基础模型之一。
Google DeepMind精选AI 评分8585 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、每百万输出 token 10 美元，缓存输入按输入价的 95% 折扣计费。
推荐理由：官方给出 Gemini 4 Argon 的定价、输出上限与多项基准成绩，可据此判断前沿模型在长程工程与安全防御上的能力边界。
Microsoft Research精选AI 评分6262 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，由生物世界模型和连接模型、科学工具、文献与实验人员的交互式 harness 组成。该系统与 Broad Institute 合作用于胰腺导管腺癌研究，预测并优先排序数千种化合物，最高排名化合物在湿实验中产生了最大的经典态向基底态转变，整个筛选到候选验证过程仅用一个周末。
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。
Latent SpaceAI 评分6262 Runway 发布 GWM Worlds 2 与 WorldPrompt，详解实时世界模型工程
Runway 推出 GWM Worlds 2 研究预览，将高保真视频与音频生成变为实时交互式模拟，并提出 WorldPrompt 输入格式，可固定环境部分要素（含首帧）后生成带时间戳的事件，事件还能实时提示。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini 3.8 Live with Live Avatar
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，在 Gemini 3.8 Live 的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。
推荐理由：官方给出 Live Avatar 的实时视频对话、异步工具调用与 97 种语言切换能力，可据此判断企业级多模态交互的落地形态。
Hugging Face BlogAI 评分3939 Liquid AI 发布 LFM2.5-VL-DSpark 草稿模型，为 LFM2.5-VL-3B 加速推理
Liquid AI 为视觉语言模型 LFM2.5-VL-3B 发布实验性 DSpark 草稿模型，通过投机解码在不改变输出质量的前提下实现最高 3.13x 端侧解码加速和 2.66x H100 解码加速，端到端最高提升 2.62x 和 2.27x。
Latent Space精选AI 评分8080 小米发布 MiMo-V2.6-Pro 1T-A42B 开源权重模型，训练成本 300 万美元
小米发布 MiMo-V2.6 系列原生全模态开源权重模型，其中 MiMo-V2.6-Pro 为 1.02T 总参数、42B 激活参数，采用 MIT 许可，Artificial Analysis 智能指数为 46，定价为输入 $0.435/M tokens、输出 $0.87/M tokens。
推荐理由：小米首次进入前沿开源模型序列，其 RL 环境与训练配方一并开源，读者可据此判断开源权重竞争的成本门槛变化。
Hugging Face BlogAI 评分4444 Hugging Face 发布 NeoMME：260M 与 800M 多语言多模态编码器
Hugging Face 推出 NeoMME 系列多语言多模态编码器，含 260M 和 800M 两个规模，用单个双向 Transformer 同时处理文本 token 与原始图像 patch，无需独立视觉塔或因果语言模型，并以掩码离散扩散目标从零训练。
Microsoft ResearchAI 评分4040 微软发布 GigaPath-Flash 与 GigaTIME-Flash：高效病理基础模型迈向群体级发现
微软研究院推出 GigaPath-Flash 和 GigaTIME-Flash，以蒸馏自十亿参数 GigaPath 编码器的 22M 参数 ViT-S 骨干替代原模型，在 PANDA 前列腺分级和 EBRAINS 脑肿瘤分型基准上以约 50 倍更少算力达到原 GigaPath 3% 以内的性能。
Google DeepMind精选AI 评分7474 Google DeepMind 发布 Gemini Omni 1.1 Flash，支持场景延长与 4K 放大
Google DeepMind 发布 Gemini Omni 1.1 Flash，通过 Gemini API 在 Google AI Studio 提供面向开发者的生成视频控制能力。
推荐理由：原文列出场景延长、首尾帧插值与 4K 放大等具体能力与开放入口，可据此判断生成视频工作流的变化。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 SL2T 手语转文本模型，率先落地 Pixel 11 的 Gboard 与 Live Transcribe
Google DeepMind 发布多语言手语转文本模型 SL2T，并在 Pixel 11 的 Gboard 和 Live Transcribe 中上线手语听写功能，首批支持美国手语（ASL）转英文。
推荐理由：官方披露了 SL2T 的训练规模、手语到文本的翻译路径与隐私处理方式，可了解手语 AI 从实验室进入消费产品的技术取舍。
Hugging Face Blog精选AI 评分6262 NVIDIA 发布 Magpie TTS 多语言版：364M 开放权重，新增阿拉伯语、韩语和巴西葡萄牙语
NVIDIA 发布 Magpie TTS Multilingual，一个 364M 参数开放权重模型，支持 12 种语言，新增现代标准阿拉伯语、韩语和巴西葡萄牙语，并通过更新训练数据提升了多种既有语言的质量。
推荐理由：原文给出 364M 开源 TTS 的多语言扩展与各 GPU 上的 TTFA 实测数据，便于评估自建语音链路的延迟预算。
Hugging Face Blog精选AI 评分8383 Meta 发布开源多模态模型 Muse Glimmer 30B，面向本地智能体
Meta 发布 Muse Glimmer，一个从 Muse 蒸馏到 30B 参数的多模态模型，采用 Apache 2.0 许可，面向本地智能体场景，如编码、文档分析和个人助理。
推荐理由：Meta 开源 30B 多模态模型并给出与 Gemma4、Qwen3.6 的基准对比，可据此判断本地智能体选型。
Mistral AI精选AI 评分6969 Mistral AI 发布 Shieldstral：3B 开源多模态安全分类器
Mistral AI 发布 Shieldstral，一个 3B 开源权重多模态安全分类器，以 Apache 2.0 许可开放下载，可在单张 16GB NVIDIA GPU 上运行。该模型把内容审核建模为策略自适应的问答任务，推理时接受自然语言策略并输出校准后的安全分数，无需重新训练即可统一文本与图像安全评估。官方称其在文本安全上可匹配最多 7 倍参数量的模型，并在多模态审核上取得新的 SOTA。
推荐理由：3B 开源权重模型以推理时自然语言策略替代固定危害分类，读者可据此判断内容审核的部署方式变化。
Google DeepMind精选AI 评分7474 Google DeepMind 发布 Gemini Robotics ER 2 具身推理模型
Google DeepMind 发布 Gemini Robotics ER 2，作为机器人的高层大脑，支持视频理解、任务编排与多机器人协作，并可通过 Gemini API、Google AI Studio 使用，Gemini Enterprise Agent Platform 上为私密预览。
推荐理由：官方给出进度分类、时刻定位与多机协作的具体指标，可据此判断机器人在长任务中的自主完成度。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 Gemini Robotics 2，为机器人带来全身智能
Google DeepMind 发布 Gemini Robotics 2，作为新一代机器人的智能层，解锁全身控制、灵巧操作和多机器人协作。
推荐理由：官方给出三款模型的职责分工与开放入口，读者可据此判断机器人全身控制与多机协作的落地路径。
Google DeepMind精选AI 评分8282 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 和面向网络安全的 3.5 Flash Cyber。
推荐理由：官方给出三款 Flash 系列的 token 效率、价格与基准对比，可据此判断智能体工作流的成本变化。