Google 发布 EmbeddingGemma 2，这是一款开放的多模态嵌入模型
Sundar Pichai 宣布推出 EmbeddingGemma 2，并将其称为 Google 首款开放的原生多模态嵌入模型。它采用模块化的 740M 参数规格，可处理文本、代码、图像、视频和音频任务；与 Gemma 4 搭配时，它适用于离线、隐私优先的 RAG。据称，它的表现优于一些参数量超过其两倍的专用模型。模型权重现已在 Hugging Face 上提供。
全部动态 · 今日9条
#多模态
信源抓到、进了内容池的全部内容，按时间排列；精选只是其中一部分。
Sundar Pichai · X62
TechCrunch · AI71 Mistral 发布 1T 参数多模态模型 Mistral Large 4
法国 AI 实验室 Mistral AI 于周二发布 Mistral Large 4（ML4），这是一个 1 万亿参数的大型多模态模型，绰号 Le Chonk，目前仅通过带护栏的公开端点访问，计划在安全测试完成后三周内开放权重。
The Decoder72 Mistral 发布万亿参数 Mistral Large 4，主打网络安全任务
Mistral 发布迄今最大模型 Mistral Large 4，拥有 1 万亿参数、490 亿激活参数，已在 Mistral Studio 开放 API 预览，权重预计 10 月底发布。
Mistral AI精选80 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、490 亿激活参数的 natively 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，可对照其与主流开源模型的定位差异。
Mistral AI · X精选80 Mistral 发布 Mistral Large 4，1T 参数原生多模态
Mistral AI 发布 Mistral Large 4（代号 Le Chonk），1T 参数、原生多模态、49B 激活，官方称其是欧美聚合基准上最好的开放权重模型。该模型在网络防御、制造和金融等关键负载上达到 SOTA，并在视觉 grounding 上超过闭源前沿模型；端到端在欧洲打造，可通过 Mistral Cloud 从欧洲部署，今日起 API 可用，开放权重版本将于 10 月底发布。
推荐理由：Mistral 官方给出 1T 参数、49B 激活的开放权重模型规格与欧洲本地部署路径，可据此判断开放权重阵营的规模与可用性。
The Decoder68 Reka AI 发布 19B 全能模型 Rho-1，单模型处理文本图像视频与机器人控制
Reka AI 发布 19B 参数全能模型 Rho-1 的研究预览版，可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。与多数把任务分派给专用模型的系统不同，Rho-1 把所有模态作为 token 放进同一个共享上下文窗口，不调用工具或外部模型，能实时生成连续视频并即时响应新指令而无需重启，预测摄像头图像的同一套权重也用于驱动机器人动作。
NVIDIA Blog43 NVIDIA 初创企业利用 AI 弥补乳腺癌护理缺口
NVIDIA Inception 计划中的初创企业正在开发 AI 应用，以支持乳腺癌护理，涵盖影像检查、风险评估和治疗规划。iSono Health 获 FDA 许可的 ATUSA 系统可在每侧乳房约两分钟内采集 3D 乳腺超声图像；该公司称，其灵敏度比手持式 2D 超声高 28%。Ataraxis AI 利用数字病理切片和临床变量预测治疗反应和复发风险。
量子位58 Meshy 不到两年 ARR 从 100 万美元增至 1 亿美元
AI 3D 生成公司 Meshy 披露其 ARR 从 100 万美元增长至 1 亿美元，用时不到两年，比 HeyGen 从 100 万美元到 1 亿美元所用的 29 个月更快。
The Decoder58 LEGO-Anything 让编码智能体从单张照片生成 Blender 场景，并发布 LEGO-Bench 基准
研究团队提出 Image-to-Code 方法，让编码智能体从单张照片迭代编写可执行的 Blender 程序，输出可运行、可修改的场景代码，并配套发布 LEGO-Bench 基准。
Ollama · X38 .@Cloudflare 的决策模型现已在 Ollama 上提供！决策模型可用于对图像进行分类、为错误报告添加标签，或将支持工单转给合适的团队。Clef (27B)：ollama pull clef Clef Flash (9B)：ollama pull clef-flash
.@Cloudflare 的决策模型现已在 Ollama 上提供！ 决策模型可用于对图像进行分类、为错误报告添加标签，或将支持工单转给合适的团队。 Clef (27B)： ollama pull clef Clef Flash (9B)： ollama pull clef-flash
Andrej Karpathy · X62 Karpathy 分享理解模型输出的四种提示技巧
Andrej Karpathy 分享让大语言模型帮助理解其输出的几种做法：要求用 ASD-STE100 受控语言规范写作，或放宽到 80% 的程度；要求生成图表；要求以 HTML 输出交互式网页；以及生成定制讲解视频，例如用 ElevenLabs API key 配音的 3b1b 风格视频。他认为随着模型变强，更多工作会上升到监督与理解层面，而模型也能生成此前不值得制作的大型定制软件产物。
The Decoder66 Tavus 发布 Griffin 人机交互模型，48% 测试者误认为真人
Tavus 推出 Griffin，公司称其为首个 Human Interaction Model（HIM），可在实时视频通话中同时接收和生成语音、面部表情、语调、手势与停顿。
Google DeepMind · X22 Google DeepMind 播客探讨 AI 内容溯源与水印
当 AI 生成内容变得如此逼真，我们如何验证哪些是人、机器或自然创造的？ 我们在播客中探讨溯源的关键作用——以及不可感知的水印如何同时保护数字媒体和生物设计。↓ 时间轴： 00:00 介绍 00:34 什么是水印？ 04:35 SynthID 15:16 图像与视频 19:28 SynthID Bio 28:00 韧性的未来
量子位62 何恺明团队提出NAT-ARC：用ImageNet预训练让纯视觉方案解ARC
何恺明团队提出NAT-ARC，一套不依赖LLM的纯视觉ARC解题方案，用ImageNet上的MAE预训练encoder再迁移到抽象格子推理。表现最好的单模型为0.6B参数量，在ARC-1上取得63.4% pass@2，集成后达70.2%，约为专用LLM方案The ARChitects（8B模型、71.6%）四分之一的参数量。
The Verge · AI71 OpenAI 发布 Dots 智能体，与 Meta 免费 Muse 正面竞争
OpenAI 在年度 DevDay 大会上发布由 GPT-6 Astra 驱动的智能体 Dots，定位为可委派 QA、网站设计、行程规划等工作的专业助手，目前仅面向每月 20 美元的 Pro 及以上订阅用户开放。
Google DeepMind精选88 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，随后逐步扩展到开发者、企业和消费者，起价为每百万输入 token 2 美元、每百万输出 token 10 美元。
推荐理由：Gemini 4 Argon 把输出上限提到 1M token 并给出多项基准与内部落地数据，可据此判断长程工作流的能力边界。
雷锋网34 AI办公进入上下文战争，百度文库网盘推出库库AI
百度文库和网盘联合推出的GenFlow 1.0已官宣中文名“库库AI”并上线独立端，以通用AI Agent形态切入写论文、做PPT、生成行业报告等任务场景。库库AI企业版刚推出已有3000家企业试用，中小企业推广更快；海外版由Oreate AI焕新为「Kooko」，一年内海外用户突破1000万。
量子位22 工业AI的下一个机会在哪？西门子Xcelerator与阿丘科技谈从1到100的规模化路径
量子位对话节目邀请西门子Xcelerator中国销售与生态成功负责人顾欣与阿丘科技创始人兼CEO黄耀，复盘工业AI从落地到规模化的链路。黄耀以半导体晶圆切割为例，称导入智能体技术后设备OEE和产能可提升25%左右；顾欣认为工业AI必须具备工业级可靠性，西门子Xcelerator希望做好连接器与放大器，补齐从1到100的交付与生态拼图。
雷锋网精选78 GPT-6 Astra 首批实测：一周搭出曼哈顿，长任务仍会翻车
OpenAI 于北京时间 9 月 4 日凌晨发布新一代旗舰模型 GPT-6 Astra，雷锋网汇总了首批拿到模型用户的实测案例。
推荐理由：汇总首批用户实测，呈现 GPT-6 Astra 在长任务中能自我检查却仍需人把关的能力边界。
雷锋网60 爱诗科技 PixVerse R2 全量上线，实时世界模型引入五维 Scaling
爱诗科技 PixVerse R2 已全量上线，用户可在网页端体验动作指令与互动影游交互。R2 把模型容量、数据、任务、控制信号和时间尺度五类增长纳入同一框架，拆成 Omni Causal AR 能力层与 Real-Time Acceleration 加速层分别推进。
雷锋网40 三张圆明园鼠首照片实测：GPT-6 Astra 调度 Aholo Lux3D 与 Blender 的 3D AI Harness 时刻
用三张圆明园鼠首照片和一段自然语言指令，GPT-6 Astra 在 Codex 中调度 Aholo Lux3D 生成 3D 资产，再由 Blender 检查、调材质、加展台并渲染导出。
雷锋网58 HiDream-O1-Video 对比 Seedance 2.5、MiniMax H3：三组测试检验视频模型如何理解变化
雷锋网用三组原创图生视频任务对比 HiDream-O1-Video-1.0、Seedance 2.5 和 MiniMax H3，考察意图规划、时间因果与音画对应。
雷锋网38 实测 Seedance 2.5 vs 可灵 VIDEO 3.0：AI 视频模型的差距不只在画质，而在工作流
实测显示，Seedance 2.5 画面包装与角色稳定性更强，但在《赴山海》参考图剧情改写中先以"参考图可能涉及公众人物肖像"拦截，移除参考图后又因"受版权保护元素"停止生成；可灵 VIDEO 3.0 则生成了完整的 15 秒反转结局短片。
雷锋网39 NVIDIA 李柏依：机器人只会「看」还不够，还得学会「听」| ECCV 2026
NVIDIA Research 科学家李柏依在 ECCV 2026 Workshop 上分享 MultiGen 与 DexImit 两项工作：MultiGen 用扩散模型为物理模拟器生成的视频补上同步音频。
雷锋网34 ECCV 2026 演讲：计算机视觉的下一个十年，从「看懂世界」到「教会人类」
得克萨斯大学奥斯汀分校教授 Kristen Grauman 在 ECCV 2026 首场 Keynote 提出，视觉 AI 应从 understanding 走向 enabling，成为帮人学会现实世界技能的 AI Guide。
雷锋网28 从三维视觉到世界模型：空间智能为何成为 AI 走向物理世界的共同主线？| ECCV 2026 复盘
ECCV 2026 共收到 10473 篇投稿、接收 2834 篇，3D 主题从主导方向退居第三，但三维表示、几何与物理一致性等问题正向视频生成、具身智能和世界模型扩散。93 场 Workshop 中约 10 场与 3D 直接相关、11 场涉及空间智能、9 场指向物理 AI、5 场以世界模型为主题，最佳论文与荣誉提名也集中在三维表面表示、物体重建和几何感知上。
AWS Machine Learning Blog28 在 SageMaker AI 上用 vLLM-Omni 生成图像与视频（第二部分）
AWS 发布教程，演示在 SageMaker AI 上部署同一个 vLLM-Omni DLC 镜像的两个端点：实时端点跑 FLUX.2-klein-4B 生成图像，异步端点跑 Wan2.1-VACE-1.3B 做图像条件视频生成。文本提示词先生成 PNG，再连同运动提示词经 Amazon S3 送入视频端点，生成的 MP4 从 S3 取回，示例还提供命令行流程和可选的 Streamlit 界面。
TechCrunch · AI38 Marissa Mayer 推出照片驱动 AI 助手 Dazzle，从相机胶卷读懂你的生活
前 Yahoo CEO Marissa Mayer 推出个人 AI 助手 Dazzle，去年 12 月完成 800 万美元种子轮融资，其上下文全部来自手机相机胶卷而非邮件和日历。Dazzle 可扫描近期照片完成建日程、找维修工等即时任务，也能基于照片库推荐度假地和生日礼物。Mayer 称 Dazzle 优先保护隐私，会丢弃 AI 标记为敏感的个人信息。
The Decoder精选78 AMD 以 82 亿美元收购世界模型初创公司 World Labs
AMD 宣布以约 82 亿美元全股票交易收购专注空间智能的初创公司 World Labs，交易预计在 2026 年底前完成，尚待监管批准。World Labs 创始人李飞飞将加入 AMD 领导团队，出任执行副总裁兼首席科学家，直接向 CEO 苏姿丰汇报并负责前沿研究。
推荐理由：交易价格与团队去向之外，原文还给出世界模型路线的技术主张和与 Nvidia 的生态对比。
AWS Machine Learning Blog22 Condé Nast 如何用 Amazon Bedrock 构建多模态视频检索
Condé Nast 与 AWS 生成式 AI 创新中心（GenAIIC）基于 Amazon Bedrock 和 Amazon OpenSearch Service 构建多模态视频检索方案，采用 TwelveLabs Marengo 嵌入模型联合编码画面、音频与转录文本，将单次内容检索耗时从 250 分钟降至 2 分钟以内。
Microsoft Research精选62 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，从缩小搜索空间到选出候选验证只用了一个周末。
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 Space精选80 AMD 以 82 亿美元收购 World Labs，Atlas 解决稀疏重建问题
AMD 以 82 亿美元收购 World Labs，官方博文提到其自 2024 年成立以来构建了图像、视频与空间重建的模型训练团队，并通过收购 SceniX 推进机器人仿真能力。
推荐理由：AMD 以 82 亿美元收购 World Labs，并披露 Atlas 在稀疏重建上的进展，可据此观察空间智能与机器人仿真的整合方向。
Latent Space精选78 AINews：Opus 5.5 擅长生成讲解视频
Latent Space 的 AINews 汇总 9/24-9/25 动态，指出 Opus 5.5 本周发布后社区反馈积极，尤其在用代码生成讲解视频上表现突出。
推荐理由：汇总一周模型与 Agent 基础设施动态，可快速了解 Opus 5.5 在代码生成视频上的社区反馈与各家新模型定位。
量子位精选82 AMD 以 82 亿美元全股票收购李飞飞 World Labs，李飞飞将任首席科学家
AMD 宣布以 82 亿美元全股票收购李飞飞的 World Labs，交易预计 2026 年底前完成，仍须取得监管批准。交割后李飞飞将加入 AMD 担任执行副总裁兼首席科学家，直接向苏姿丰汇报，联合创始人 Justin Johnson 和 Ben Mildenhall 继续带领团队并入 AMD。
推荐理由：交易细节与双方一年半的合作脉络被完整梳理，读者可据此理解芯片厂商为何要买下空间智能团队。
Microsoft Research20 微软研究院亚洲新加坡分院成立一周年：推进前沿 AI 研究、合作与人才培养
微软研究院亚洲新加坡分院（MSRA – Singapore）作为微软在东南亚的首个研究实验室，成立一年来围绕下一代 AI 模型与智能体系统、领域专用 AI、AI 原生研究实践、生态与人才培养四大方向推进工作。该实验室与新加坡医疗、金融、教育等领域伙伴合作，探索多模态医疗 AI 与自进化诊断智能体的落地应用。
AWS Machine Learning Blog28 在 Amazon SageMaker HyperPod 上用 SkyRL 加速多模态 RL 训练
在 Amazon SageMaker HyperPod 上，用开源 RL 框架 SkyRL 对 Qwen3-VL-8B 视觉语言模型做 GRPO 后训练，在固定 64 个迷宫评测集上把解迷宫成功率从 43.75% 提升到 95% 以上。
Latent Space62 Runway 发布 GWM Worlds 2 与 WorldPrompt 输入格式
Runway 推出 GWM Worlds 2 研究预览，把高保真视频与音频生成变成实时交互式模拟，并引入 WorldPrompt 这一输入格式，可固定环境部分要素（含首帧）并生成带时间戳的事件，事件还能实时提示。
Google Research精选65 Google 研究发布 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 多智能体框架，作为 Gemini 和 Veo 之上的编排层，将长视频生成建模为全局优化与世界状态追踪问题，以缓解语义漂移和级联失败。
推荐理由：Google 把长视频生成拆成四个可组合框架，并给出多套基准上的连续性提升数据，适合了解多智能体编排如何缓解语义漂移。
Google DeepMind精选71 Google DeepMind 发布 Gemini 3.8 Live with Live Avatar
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，将实时视频生成与语音结合，为 Gemini 的对话模型带来近实时的视觉形象，具备精准唇形同步、自然表情和流畅的轮流对话能力。
推荐理由：Gemini 3.8 Live 新增实时视频形象能力，读者可了解多模态对话在企业场景的落地形态与开放范围。
Hugging Face Blog41 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提速，设备端解码最高 3.13x、H100 上 2.66x，端到端最高 2.62x 和 2.27x。