#多模态

Nature Will 发布首个物理世界基础模型 Natura-1

Nature Will 发布了首个面向物理世界的基础模型 Natura-1，该模型基于 100 万小时人类第一视角视频训练，支持对物体位置和朝向的细粒度指令。Natura-1 具备双手协同操作能力，能在抓取方式变化时保持控制，并可在长任务中跟踪物体状态以规划后续动作。

面壁智能开源 MiniCPM-V 4.7 模型

面壁智能联合 OpenBMB 社区发布并开源 MiniCPM-V 4.7，包含 35B-A3B 和 1B 两个版本。该模型通过 LES 专家调度、权重布局优化及视觉 token 压缩技术，实现了在 3GB 内存端侧设备上的流畅运行。

Meta 发布第二代前沿模型 Muse Wonder 与 Muse Wonder Full

Meta Superintelligence Labs 推出第二代模型家族 Muse Wonder 与 Muse Wonder Full，将其定位为面向个人与专业智能体工作的前沿模型。第三方评测显示其在多项智能体与代码基准测试中表现优异，Wonder Full 仅向 Muse Code 订阅者开放。

同一件事，精选收录的是《Meta 发布 Muse Wonder 系列模型，主打个人与专业智能体能力》

哈啰 Robotaxi 发布生成式驾驶世界模型 HelloWorld

哈啰 Robotaxi 发布生成式驾驶世界模型 HelloWorld，整合了场景控制、连续生成、多传感器观测与高效推理能力，旨在按需构建驾驶数据并支持交互式策略测试。该模型支持通过自然语言描述或直接编辑车辆、行人及运动轨迹，生成对应的多视角视频与激光雷达观测数据。研发人员可利用该模型构造雨雪、昼夜及行人横穿等长尾驾驶场景，以扩展自动驾驶研发中的数据覆盖范围。

面壁智能发布 MiniCPM V4.7：包含 35B-A3B 端侧 MoE 与 1B 轻量 VLM

面壁智能发布 MiniCPM V4.7 系列模型，包括 35B-A3B 端侧 MoE 模型与 1B 轻量化 VLM。其中 35B-A3B 版本在 iPhone 17 Pro Max 上以约 3GB 内存实现 13+ tok/s 的推理速度，综合性能优于 Qwen3.6 35B-A3B；1B 版本在性能与效率上均优于 Qwen3.5 0.8B。

面壁智能发布端侧多模态大模型 MiniCPM-V 4.7

面壁智能推出 MiniCPM-V 4.7 端侧多模态大模型，包含 35B-A3B 和 1B 两种规格，其中 35B-A3B 为该系列首个 MoE 模型。该模型基于 LES 推理加速技术，在 iPhone 17 Pro Max 上仅需 3GB 内存即可达到 13+ token/s 的解码速度，并同步开源了 SRFT 微调方案。

面壁智能 MiniCPM-V 4.7 登陆 Apple Silicon 实现 Mac 端侧推理

面壁智能 MiniCPM-V 4.7（1B 及 35B-A3B 版本）现已支持在 Apple Silicon 上进行全端侧推理，可处理图像与视频理解且数据完全本地化。在 Nativ v0.4.x 环境下，1B 模型可达 315 tok/s 的解码速度，35B-A3B 模型解码速度为 90 tok/s。

Nature Will 发布 50B 参数 MoE 基础模型 Natura-1

Nature Will 发布了首个面向物理世界的通用基础模型 Natura-1，这是一个 500 亿参数的 MoE 模型。该模型基于 100 万小时人类第一视角视频预训练，并结合少量机器人数据进行后训练，支持零样本理解自然语言指令，可驱动灵巧手完成双手精细控制、新任务泛化及长序列任务执行。

MiniCPM-V 4.7 本地 VLM 效率与质量胜出

MiniCPM-V 4.7 35B-A3B 模型在本地 VLM 任务中表现优于 Qwen 3.6 35B-A3，在生成体素宝塔任务中展现了更高的质量。该模型在推理过程中消耗的 token 数量比 Qwen 3.6 35B-A3 少 10%，进一步凸显了效率与质量在多模态模型竞争中的核心地位。

Google AMIE 临床诊断研究发表于 The Lancet

Google 与 BIDMC 合作的 AMIE 患者对话式诊断研究在 The Lancet 发表，这是该系统首次在真实诊所外进行前瞻性测试。研究显示，AMIE 的鉴别诊断与医生最终诊断的吻合率达 90%，且 75% 的病例中生成的病史摘要有助于医生进行访视准备。

大语言模型在机器翻译质量标注中的表现：人类与模型均面临挑战

研究评估了 LLM 在多维质量指标（MQM）和错误跨度标注（ESA）任务中的表现，通过对比 70 个语言对及 WMT23 和 WMT25 数据集，发现 LLM 与人类标注者的一致性在不同任务中差异巨大，在多数场景下仍不可靠。研究指出人类在细粒度标注和低资源语言上表现受限，而 LLM 则难以处理细微错误、错误语言变体及错误跨度标注。该结果强调了通过人机协作标注流程提升评估可靠性的潜力。

SubQ 发布长上下文决策模型 SubQ Snap

SubQ 推出 SubQ Snap 模型，支持 384K 多模态上下文，其推理延迟随上下文长度线性增长，处理 384K tokens 仅需 2.5 秒。该模型在 Decision Index v0.2.1 上取得 61.7 分，定价为每百万输入 tokens 0.05 美元，输出免费，现已开放注册。

面壁智能发布开源多模态模型 MiniCPM-V 4.7 系列

面壁智能发布开源多模态模型 MiniCPM-V 4.7 系列，包含 35B-A3B 和 1B 两个型号。该系列引入 LES 技术以优化端侧推理性能，在 iPad Pro M4 上实现 5 倍速度提升，并支持 Self-Replay 微调及多种主流硬件平台。

Mistral AI 发布 Le Chonk 模型，提升视觉定位能力

Mistral AI 发布新模型 Le Chonk，该模型专注于视觉定位任务，能够精准识别图像中物体的位置。在 Dense 200 基准测试中，Le Chonk 取得了 42% 的得分，表现优于部分前沿闭源模型。

大AI理论：通过三步调节推理档位提升AI工作效率

作者提出“大AI理论”，通过三个阶段调节模型推理档位以优化任务执行：第一步在最高推理模式下利用多模态输入生成详细计划；第二步切换至中档推理进行快速执行；第三步调回高档推理对结果进行验证。该方法旨在平衡模型推理质量与执行速度，通过详细的预设需求提升中档推理的产出稳定性。

如何用 Opus 5.5 + Codex 制作动物乐团音乐播放器

利用 Opus 5.5 和 Codex 模型可以构建一款音乐播放器，实现由动物乐团演奏任意歌曲的功能。该播放器能够根据不同乐曲的风格，自动分配并调度不同的动物乐手进行演出。

2026 年 12 款 AI 实时翻译工具对比：延迟、语言与定价

本文对比了 12 款 AI 实时翻译工具在延迟、语言支持及定价方面的表现，涵盖了从个人通话到大型会议的多种应用场景。Palabra.ai 提供低于 1 秒延迟的 API 服务，Google Gemini 3.5 Live Translate 支持 70 多种语言，而 Apple Live Translation 则在 iOS 26 设备上实现端侧实时翻译。

Arena 公布 2026 年第 41 周大模型周榜：Claude Opus 5.5 Max 首登智能体榜首

Arena 平台发布 2026 年第 41 周大模型排行榜，Anthropic 的 Claude Opus 5.5 (Max) 首次入榜智能体榜即以 15.53% 的净提升度登顶，其任务确认成功率为 17.29%，工具幻觉率仅 0.37%。

TII 发布 Falcon-ASR：1.6B 阿拉伯语语音模型，平均 WER 20.92%

阿布扎比 TII 发布 1.6B 参数的阿拉伯语语音识别模型 Falcon-ASR，在 6 个阿拉伯语测试集上实现 20.92% 的平均 WER，较 Audar-ASR-V1-Turbo 降低 2.25 个百分点。该模型专注于阿联酋方言并支持英语、法语、西班牙语和葡萄牙语，具备词级时间戳功能。目前 Falcon-ASR 仅提供 Hugging Face 托管演示，暂未开源权重或提供 API。

何恺明团队发布多模态视觉原生 Harness 框架 VISTA

何恺明团队在论文《VISTA: A Visual Harness for Reasoning in an Interactive World》中提出 VISTA 框架，通过保存原始视觉信息并允许模型在推理时按需回看、放大和检查细节，在无需额外训练的情况下显著提升了多模态模型在交互式任务中的表现。

Odyssey 发布生成式世界模型 Odyssey-3 并开放研究预览

Odyssey 公司发布了生成式世界模型 Odyssey-3 的研究预览版，用户可通过文本提示生成并实时交互探索环境。该模型基于自回归扩散 Transformer 架构，具备 140 亿参数，旨在通过学习物理规律应用于机器人控制、自动驾驶及游戏场景，目前已在 Physics-IQ Verified 等基准测试中展示了性能表现。

字节拟结合 Spell 与豆包推出个人 AI 智能体，腾讯云开源 TeamAI 编程协作工具

字节跳动正加速研发个人 AI 智能体，计划将代号为 Spell 的项目与豆包产品结合并尽快推出。腾讯云开源了 TeamAI 工具，支持将团队的 Skill、Rules 及 MCP 配置通过 Git 仓库统一管理，并适配了 Claude Code、Cursor 等主流编程工具。此外，阿里升级了基于千问的 NBA Chat，新增多模态交互功能，支持在 10 至 15 秒内生成赛事回放。

荣耀 Magic9 系列正式发布，搭载 397B 智能体大模型，售价 4499 元起

荣耀 Magic9 系列正式发布，包含 Pro Max、标准版及超能版三款机型，全系搭载 MagicOS 11 及 397B 智能体大模型。该系列深度集成阿莱（ARRI）影像技术，Pro Max 版配备 2 亿像素双影像系统与电影级枪麦，超能版则内置 11000mAh 电池并支持主动散热。产品售价 4499 元起，并联合中国移动推出包含 5000 万 Token 的 AI 专属套餐。

AINews：决策模型成为产品类别及行业动态汇总

决策模型正成为新的产品类别，多家厂商推出在单次前向传递中返回结构化结果的 API，旨在提升 Agent 任务处理效率并降低成本。文中汇总了 OpenAI、Microsoft、Perplexity 等厂商的决策模型进展，以及 vLLM 等推理框架的性能优化与 Agent 编排工具的最新动态。

DeepMind 与 Biohub 专家探讨：为何 AlphaFold 未能彻底解决蛋白质折叠问题

Google DeepMind 的 Pushmeet Kohli 与 Biohub 的 Sal Candido 在访谈中指出，AlphaFold 的成功仅是生物学 AI 的起点，单纯通过扩大模型规模和数据量无法解决生物学本质问题。专家认为，未来的突破需要从“蛋白质结构预测”转向“全生物系统建模”，并强调了科学直觉、高质量数据以及模型不确定性校准在药物研发中的关键作用。

Cloudflare 发布多模态决策模型 Clef-omni 并优化 Clef 系列

Cloudflare 发布 Clef-omni 模型，支持音频、视频、图像和文本输入，基于 Qwen3-Omni-30B-A3B-Instruct 架构构建。同时，Clef-flash 价格降至每百万 token 0.038 美元，上下文窗口调整为 24k；Clef 模型通过 SGLang 优化提升了推理速度。

Pollo AI 集成 OpenAI 模型，助力创意转化为营销活动

Pollo AI 通过集成 GPT-5.6、GPT-6 Astra 及 GPT-Image-2.5 模型，帮助创作者将创意构思转化为精细的图像与电影级视频广告。该平台利用上述模型能力，简化了从创意生成到营销活动落地的全流程。

Liquid AI 发布 d1 系列端侧多模态决策模型

Liquid AI 发布了 d1-3B 和 d1-omni-600M 两款开源决策模型，旨在为端侧设备提供快速的结构化决策能力。d1-3B 支持文本和图像输入，在 NVIDIA Jetson 等设备上单次推理延迟低于 50ms；d1-omni-600M 则支持文本、图像及音频输入。该系列模型不生成 token，而是通过单次前向传播直接输出决策结果，目前已在 Hugging Face 上线。

Google DeepMind 发布 EmbeddingGemma 2 多模态嵌入模型

Google DeepMind 发布 EmbeddingGemma 2，这是一款基于 Gemma 4 架构、采用 Apache 2.0 协议的 7.4 亿参数轻量级多模态嵌入模型。它支持文本、图像、音频和视频的统一嵌入空间，具备 8K 上下文窗口，并支持通过 Matryoshka 学习动态调整输出维度，专为端侧设备的高效检索与 RAG 任务优化。

Google 发布用于全球公共卫生的行星级地理空间基础模型 PDFM

Google Research 推出人口动态基础模型（PDFM），通过自监督学习将搜索趋势、人类移动、建筑密度及环境因素压缩为位置嵌入向量。该模型作为插件可直接集成至现有流行病学工作流中，在疫苗接种预测、慢性病监测、传染病预警及心理健康风险评估等五项公共卫生挑战中表现出显著的预测增益。

Mistral AI 发布 Mistral Large 4 多模态模型预览版

Mistral AI 推出 1 万亿参数的多模态模型 Mistral Large 4 预览版，具备 520 亿激活参数，在编码、智能体工作流、网络安全及科学计算领域表现优异。该模型目前已在 Mistral Studio 提供 API 预览，官方计划于本月底发布模型权重。

Cloudflare AI Search 正式商用并支持多模态检索

Cloudflare AI Search 现已正式商用，将于 2026 年 11 月 1 日起计费，并提供包含免费额度的定价方案。此次更新新增了对图像的原生嵌入检索、PDF 文档 OCR 处理及更大文件格式的支持，同时通过 Matryoshka Representation Learning 优化了多模态检索效率。

Microsoft Research 发布生物学 AI 研究系统 Quine

Microsoft Research 推出生物学 AI 研究系统 Quine，旨在通过多模态世界模型与连接科学工具、文献及实验室的交互式框架，加速生物学研究中的假设生成与实验验证。该系统已在胰腺癌细胞状态研究中通过预测化合物有效缩短了实验周期，目前通过 Quine Fellows 项目向部分科研人员开放。

Google 发布用于自动化长视频生成的 AI 视频联合导演框架

Google Research 推出了一套 AI 视频联合导演框架，通过多智能体协同解决长视频生成中的语义漂移与视觉不一致问题。该方案包含四个核心组件：用于全局策略规划的 AI Video Co-Director、利用视觉记忆保持连贯性的 CANVAS、实现长时序动态生成的 A²RD，以及通过闭环反馈优化提示词的 VQQA，旨在实现分钟级长视频的稳定叙事。

Google 发布 Gemini 3.8 Live 数字人功能

Google DeepMind 推出 Gemini 3.8 Live with Live Avatar，通过实时视频生成技术为对话模型增加视觉形象。该功能支持 97 种语言的唇形同步、异步工具调用以及企业自定义数字人形象，目前已在 Gemini Enterprise 中上线。

亚马逊发布抗体设计与表征 AI 研究成果

亚马逊 Bio Discovery 团队发表三项研究，旨在通过 AI 提升抗体研发效率。研究提出了 MochiBind 序列亲和力预测模型，通过 TrueSkill 算法实现大规模候选者排序；开发了 CA-MAP 上下文感知模型，解决了实验批次效应导致的预测偏差；并利用智能体驱动的从头设计流程，成功针对罕见癌症靶点筛选出实验验证的抗体候选者。

Google Research：如何利用生成式 UI 为教师打造交互式学习体验

Google Research 推出了一项利用生成式 UI（GenUI）技术的新研究，旨在帮助教师动态创建定制化、交互式且具有引导性的教育模拟内容。该方案基于 LearnLM 模型系列，通过结构化的游戏化关卡与 AI 生成的辅助教学，支持 STEM 学科的深度学习。

月之暗面发布 Kimi K3 模型：2.8 万亿参数的开源推理模型

月之暗面发布 Kimi K3，这是全球首个 2.8 万亿参数的开源模型，专为长序列编码、知识工作及深度推理设计。该模型支持 1M 上下文窗口、多模态输入及可配置的推理深度，现已通过 Together AI 提供 API 服务，支持自动上下文缓存以优化成本。

Together AI 发布 Thinking Machines Lab 的多模态推理模型 Inkling

Thinking Machines Lab 发布了多模态 MoE 模型 Inkling，该模型拥有 975B 参数及 1M 上下文窗口，支持文本、图像和音频输入。Inkling 采用查询条件相对注意力机制及共享专家路由架构，允许开发者通过 API 动态调整推理深度以平衡延迟与性能，现已在 Together AI 平台上线。

2026 年 Berkeley AI Research (BAIR) 毕业生展示

Berkeley AI Research (BAIR) 实验室发布 2026 届博士毕业生名单，展示了他们在机器人具身智能、LLM 推理、生成式建模及 AI 安全等前沿领域的科研成果。这些毕业生目前已前往 OpenAI、Mistral AI、Amazon 等行业实验室，或担任高校教职及投身创业。该展示旨在庆祝毕业生在学术与系统构建方面的贡献，并促进其与学术界及工业界的后续交流。