跳到正文
只看一手#多模态
  1. Google Research60

    Google Research 探讨将基础模型应用于结核病筛查前线

    Google Research 介绍了其将医疗人工智能研究转化为结核病筛查实际应用的成果，涵盖从胸部 X 光人工智能算法验证、通过合作伙伴获得医疗器械认证，到开源 MedGemma 和 MedSigLIP 基础模型以支持全球公共卫生体系的过程。

    发布时间：

    推荐理由：原文梳理了医疗人工智能从算法研究到临床落地及开源模型赋能的完整路径，读者可以据此了解如何通过开放基础模型推进全球公共卫生筛查。

  1. OpenAI News68

    OpenAI 正式推出 Decisions API

    OpenAI 宣布 Decisions API 正式全面可用，基于 GPT-6 Luna 构建，旨在帮助应用和智能体从文本、图像及结构化输入中进行快速、低成本的决策。该 API 支持概率、选择和评分三种答案类型，具备原生 GPT-Live 集成、提示词缓存及美国与欧盟区域推理驻留等特性。

    发布时间：

    推荐理由：官方推出了基于 GPT-6 Luna 的 Decisions API，为应用和智能体提供低成本、高速度的结构化决策能力，读者可以评估其在实时路由和分类场景中的落地价值。

  1. NVIDIA Blog63

    NVIDIA 推出 Factory Operations Blueprint 工业智能体蓝图并更新多项仿真与计算库

    NVIDIA 宣布面向开发者推出 Factory Operations Blueprint 工业智能体蓝图的早期访问，支持构建可协调工厂机器并执行质检与舰队管理的智能体。同时，NVIDIA 发布了 cuDSS 库的通用版本，并展示了 Siemens、Mercedes-Benz 等工业巨头利用 CUDA-X、Omniverse 及 Cosmos 模型加速工程仿真与工厂数字孪生的应用进展。

    发布时间：

    推荐理由：NVIDIA 发布了 Factory Operations Blueprint 工业智能体蓝图及多项仿真库更新，开发者可据此构建连接前沿模型的工厂管理与质检智能体。

  2. NVIDIA Blog65

    NVIDIA 在 GTC Berlin 发布本地 AI 硬件矩阵、软件更新及端侧模型支持

    NVIDIA 在 GTC Berlin 展示了包括 RTX Spark、DGX Spark 和 DGX Station 在内的全线本地 AI 硬件阵容，并宣布推出 DGX Station for Windows、模型支持以及针对推理引擎的优化。

    发布时间：

    推荐理由：NVIDIA 在 GTC Berlin 公布了面向本地 AI 硬件的完整产品矩阵、软件更新及模型支持，为开发者和企业部署端侧智能体提供了新方案。

  3. NVIDIA Blog75

    NVIDIA 推出面向欧洲及多行业的开源模型家族

    NVIDIA 扩大了其开源模型系列，推出 Nemotron 3.5 Super VL 与 Bolt、Kumo 结构化数据模型、Cosmos 3.5 世界模型、Alpamayo 2 Edge 自动驾驶推理模型、BioNeMo RFD4-Proteina 蛋白质设计模型及 Ising 量子计算模型。

    发布时间：

    推荐理由：NVIDIA 一次性发布并开源了覆盖多模态、结构化数据、具身智能和科学计算的多个模型家族，为企业和开发者提供了可定制的主权 AI 基础架构。

  1. AWS Machine Learning Blog64

    TwelveLabs Pegasus 1.5 视频语言模型现已登陆 Amazon Bedrock

    TwelveLabs 的视频语言模型 Pegasus 1.5 现已在 Amazon Bedrock 上线。该模型支持最长 2 小时的视频分析，提供时间戳元数据生成、多模态参考图像提示和免预索引的即时处理能力，可从 Amazon S3 URI 直接加载并返回结构化 JSON 结果。

    发布时间：

    推荐理由：TwelveLabs 的 Pegasus 1.5 视频语言模型上线 Amazon Bedrock，支持时长达两小时的视频长文本分析、时间戳元数据生成和多模态参考图像提示，为开发者处理长视频数据提供了官方托管方案。

  1. Google Research63

    谷歌发布将 AI 智能体锚定于生物现实的自主湿实验室构建模块

    谷歌发布了将 AI 智能体锚定于生物现实的三项研究进展，旨在推动自主湿实验室的发展。其核心内容包括：推出 VERID 框架作为实验室工作单元的语义数字孪生以实现硬件安全与实时状态跟踪，通过适配体分子发现展示了闭环智能体科学发现流程，以及通过加速全新蛋白质结合体设计实现高效靶向结合。

    发布时间：

    推荐理由：原文介绍了谷歌在生物实验室自动化和智能体闭环发现方面的三项技术进展，为读者理解大模型如何与物理湿实验室结合提供了具体框架。

  1. Hugging Face Blog88

    Reflection 发布 501B 开源模型 Beam

    Reflection 实验室推出首款开源模型 Beam，这是一个拥有 501B 总参数、每 token 激活 23B 的 mixture-of-experts 架构大语言模型，支持 1M tokens 上下文窗口，专注于编码与智能体场景。

    发布时间：

    推荐理由：文章详细介绍了 Reflection 实验室首款 501B 开源 MoE 模型 Beam 的架构设计与部署方案，读者可以据此了解其在长文本和智能体任务上的技术实现。

  2. Hugging Face Blog68

    Granite Switch 4.1 发布：在一个端点中集成聊天、决策和语音能力

    Hugging Face 联合 IBM 发布了 Granite Switch 4.1 模型（包含 8B 和 30B 版本），通过复用基底模型的 KV cache 并在单个托管端点上集成了通用决策 aLoRA、安全卫士 aLoRA 以及语音转文本模型 Granite-Speech-5.0-Turbo-CTC。

    发布时间：

    推荐理由：原文介绍了多功能组合模型的架构及复用 KV cache 的实现方式，读者可以了解如何在单个端点上高效组合决策与语音能力。

  3. Apple Machine Learning Research64

    Selection-Based Structured Reasoning: 迈向高效的多模态搜索智能体

    Apple Machine Learning Research 推出了 Selection-based Structured Reasoning (SSR) 框架，将多模态智能体的自由格式推理重新定义为预设候选选择。

    发布时间：

    推荐理由：文章提出了一种将多模态智能体推理转化为候选选择的新框架，读者可以通过该方法评估其在降低推理延迟和提升搜索效率方面的潜力。

  4. AWS Machine Learning Blog66

    Meta 的 Muse Spark Open 现已登陆 Amazon SageMaker JumpStart

    Meta 的编码优化开源推理模型 Muse Spark Open 现已在 Amazon SageMaker JumpStart 上线，支持 1M token 上下文及 MoE 架构。文章介绍了如何通过 SageMaker Studio 或 Python SDK 部署 BF16 与 NVFP4 两种量化变体，并提供了推理请求示例。

    发布时间：

    推荐理由：文章详细介绍了在亚马逊平台上部署该模型的完整步骤与配置要求，为技术团队评估资源成本和架构落地提供了实用参考。

  5. Hugging Face Blog89

    Meta 发布开源多模态混合专家模型 Muse Spark Open

    Meta 发布了开源混合专家多模态模型 Muse Spark Open，拥有约 8160 亿总参数、每个 token 约 420 亿激活参数以及高达 100 万 token 的上下文窗口。该模型支持文本、图像、音频和视频输入，专为代码编写与智能体任务优化，并提供了 BF16 和 NVFP4 权重以及主流推理框架的部署指南。

    发布时间：

    推荐理由：原文介绍了该开源多模态混合专家模型的架构参数与部署推理方案，读者可借此评估其在长上下文与智能体任务中的落地可行性。

  6. Apple Machine Learning Research63

    Apple 使用 MLX 和 RDMA 在 Mac Studio 上实现本地与分布式大模型推理

    Apple 机器学习研究团队介绍了如何利用最新版 MLX 框架和 Thunderbolt 5 上的 RDMA 驱动程序，在 Mac Studio（搭载 M5 Ultra 芯片）上运行近万亿参数的 Muse Spark Open 等前沿大模型。

    发布时间：

    推荐理由：文章详细展示了利用最新 MLX 和 RDMA 技术在 Mac Studio 集群上运行近万亿参数大模型的方法与性能数据，为端侧大模型部署提供了具体的工程参考。

  7. Google DeepMind62

    Google DeepMind 推出智能体开发平台 Google Antigravity 以加速抗菌肽搜索

    Google DeepMind 推出了智能体开发平台 Google Antigravity，旨在将原本碎片化的数据库检索、结构分析与文献综合整合至单一会话中。该平台结合了 ProtNLM 模型与内置的 Biomolecular Structure Viewer 3D 可视化工具，支持研究人员与 AI 智能体在共享视觉状态下交互式发现并评估候选抗菌肽。

    发布时间：

    推荐理由：原文介绍了该智能体平台在生物医药检索中的集成方案与交互方式，读者可以据此了解其如何简化多数据库协同工作流。

  8. NVIDIA Blog72

    NVIDIA 发布 Nemotron 3.5 Super VL 与 Bolt 系列开源多模态模型

    NVIDIA 发布 Nemotron 3.5 系列开源模型，包括 1200 亿参数的 Super VL 多模态模型及两个端侧 Bolt 模型。Super VL 具备前沿的多模态智能与高效吞吐，Bolt 74B-A9B 24GB 和 Bolt E4B 4GB 则分别适配本地工作负载与边缘设备交互。该系列覆盖从企业服务器到桌面及边缘设备的完整智能体部署场景。

    发布时间：

    推荐理由：文章详细公开了 Nemotron 3.5 系列开源模型的参数规模、端侧适配方案和多模态能力，读者可以据此评估其在本地及企业级智能体部署中的效能。

  1. Hugging Face Blog66

    Apertus 1.5 发布：从开源文本模型演进为开源多模态推理模型

    Project Apertus 发布 Apertus 1.5，推出 8B 和 70B 两个版本的开源模型，在 1.0 基础上扩展了图像与音频理解能力，新增可选思考模式，上下文窗口扩大至 262,144 个 token，并改进了指令遵循与工具调用。该模型基于 Apache 2.0 许可证在 Hugging Face 开源，完整公开了模型权重、训练数据及详细的技术报告。

    发布时间：

    推荐理由：该开源模型扩展了多模态理解与思考模式，并公开了完整权重与训练细节，为研究人员复现和改进开源大模型提供了完整参考。

  2. Google Research61

    Google Research 发布 Research@ 2026 十大技术亮点

    Google Research 在 Research@ 2026 活动上公布了十项技术与工具更新，涵盖 Google Earth AI 早期访问、支持多智能体协作的科学研究工具。

    发布时间：

    推荐理由：原文集中展示了十项技术与工具更新，读者可以据此了解其在科学、医疗、地球智能等领域的最新进展与开放动态。

  1. Apple Machine Learning Research61

    三模态掩码扩散模型的设计空间

    Apple Machine Learning Research 推出了首个从头预训练的三模态 Masked Diffusion Models（MDM），支持文本、图文和音文数据，并在 3B 模型规模（6.4T tokens）下取得了文本生成、文本生成图像和文本生成音频任务的强劲结果。

    发布时间：

    推荐理由：论文系统分析了三模态掩码扩散模型的设计空间与缩放规律，并提出了新的随机微分方程重参数化方法，为多模态离散扩散模型研究提供了大规模公开参考。

  2. Google DeepMind92

    Google 发布 Gemini 4 Argon 模型

    Google 发布 Gemini 4 Argon 模型，该模型在编码、金融、法律及科学研究等复杂任务中表现出更强的推理与多模态能力。Argon 支持 100 万 token 的统一输入输出窗口，现已通过 API、AI Studio、Gemini 应用及 Google Antigravity 平台向开发者、企业及订阅用户开放。

    发布时间：

    推荐理由：Gemini 4 Argon 针对复杂工程、科学研究及智能体任务进行了深度优化，其在多步推理和代码生成方面的表现可作为评估当前前沿模型解决高难度专业任务能力的重要参考。