#多模态

Roadster 背后的物理学 - https://roadster.pplx.app/

Roadster 背后的物理学 - https://roadster.pplx.app/

亚历山大·王感谢 Meta 超级智能实验室达成模型构建里程碑

经历了一周的产品发布后，亚历山大·王向 Meta 超级智能实验室的研究团队表示感谢，其中包括 Muse Wonder [完整版] 和开放版 Muse Spark。他说，MSL 和 TBD 创立于一年多前，目标是在一年左右打造一个前沿模型；考虑到 Llama 4 最终的表现，这一目标当时颇具雄心。王还表示，团队也建立了一个可扩展的系统，以持续推动模型达到前沿水平。

我们刚刚又开源了一对最先进的决策模型：

Aravind Srinivas 宣布开源两个决策模型： pplx-decider-flash-v1.2：40 亿参数，每百万个 token 收费 1 美分，在 HF Decision Index 上排名第一的 40 亿参数模型。 pplx-decider-v1.2：270 亿参数，每百万个 token 收费 2 美分，在 HF Decision Index 上总排名第二。

过去几周里吸引我们关注的六个项目：一个由 Opus 5.5 制作的野火分析原型，可绘制火势随时间蔓延的情况并追踪热点区域。

过去几周里吸引我们关注的六个项目： 一个由 Opus 5.5 制作的野火分析原型，可绘制火势随时间蔓延的情况并追踪热点区域。

Jeff Dean 分享 Elorian 发布 Glimpse 视觉思维模型的消息

Jeff Dean 写道：“来看看这个！干得好，@AndrewDai 和 Elorian 的各位！” https://twitter.com/AndrewDai/status/2111142161584628060 在被引用的公告中，Andrew Dai 介绍 Glimpse 是他们的首个视觉思维模型，并称其在关键的公开视觉推理基准测试中表现具有竞争力，可与 Astra 相媲美。

借助 Gemini 4 Argon，你可以使用 Canvas 将内容密集的 PDF 转换为交互式动画网页应用，并按照自己的节奏探索。

借助 Gemini 4 Argon，你可以使用 Canvas 将内容密集的 PDF 转换为交互式动画网页应用，并按照自己的节奏探索。

Google 发布 Gemini 4 Argon，API 访问暂时半价

Google 正在向全球开发者、企业和付费订阅用户推出 Gemini 4 Argon，重点突出其编程、专业知识工作、多模态理解和持续执行任务的能力。11 月 30 日前，API 定价为每百万输入令牌 2 美元、每百万输出令牌 10 美元；12 月 1 日起，价格将分别涨至 4 美元和 20 美元。Google 称，Argon 曾在无人值守的情况下用 11 小时优化 ADK，工程师合并了两项更改；Ethan Mollick 称其有所改进，但指出它在复杂的多智能体任务中仍有不足。

优必选推出 Thinker-WM，将视频、深度和机器人动作统一到一个世界模型中

优必选推出多模态世界模型 Thinker-WM，通过共享的 Unified Dynamics Transformer 联合建模 RGB 视频、深度和机器人动作。优必选提供并由 QbitAI 转载的材料称，该模型在 WorldOlympiad、EWMBench 和 WorldArena1.0 Track-1 上取得领先成绩，其中 WorldOlympiad 得分为 0.740，EWMBench 得分为 4.66。该模型通过共享权重支持六种能力模式；与不使用深度的基线相比，加入深度后，RoboTwin 单任务成功率提高了 15 个百分点。

Elorian 发布 Glimpse，这是其首个围绕视觉推理构建的 AI 模型

Elorian 于周五发布了 Glimpse，作为一款研究预览版，提供 API 访问和仅限候补名单用户使用的聊天界面。其视觉暂存空间可在推理过程中裁剪图像区域、提取视频帧，并运行代码来测量或比较视觉内容。定价为每百万输入 token 0.60 美元、每百万输出 token 3 美元；Elorian 的评测报告称，Glimpse 在科学图表推理和短视频字幕生成方面的表现优于 GPT-6 Astra。

马克·沃尔伯格愿意让人工智能增强电影效果并延续他的事业

马克·沃尔伯格在 TechCrunch Disrupt 上表示，只要人工智能能够提升作品质量，同时仍以讲故事为核心，它就可以在电影制作中发挥作用。他可能会用人工智能增强即将上映的皮特·罗斯传记片中的体育场场景；他还表示，愿意让人工智能生成的形象延续自己的事业，包括用于动画剧集《泰迪熊》。

阿里巴巴的通义千问 AI 将为新款面向中国市场的 BMW iX3 座舱提供支持

BMW 宣布，下一代 BMW iX3 将搭载专为中国开发的 AI 座舱功能。BMW 与阿里巴巴共同开发了该系统，采用阿里巴巴的通义千问大语言模型，斑马负责座舱应用和车载集成；该系统将成为 BMW 智能个人助理的一部分。来源引用的 IDC 数据显示，2025 年下半年，阿里云在中国汽车行业公有云 IaaS 市场排名第一，份额为 42%。

vLLM 支持 Muse Spark Open，一部短片展现其能力

@90VuHwwuzNhhW3h 表示，vLLM 支持 Muse Spark Open，并用一部小短片讲述它的故事，短片使用由 vLLM-Omni 提供服务的开源模型。推理引擎也在幕后发挥作用。https://t.co/n3gvdWTC6T 主要作者称这部短片很可爱，并表示它生动展现了多模态理解、1M 上下文、智能体规划、DSpark 和跨平台支持。https://t.co/yHPXC7qfdM

NVIDIA Nemotron 3.5 Bolt 74B-A9B 24GB 现已上线 Ollama

NVIDIA Nemotron 3.5 Bolt 74B-A9B 24GB 现已上线 Ollama。 这款视觉语言模型（VLM）专为在本地运行日常智能体任务而设计，采用原生 2 位量化，可将模型装入 24GB 内存，并与其他应用同时运行。 ollama run nemotron-3.5-bolt

NVIDIA Nemotron 3.5 Super VL 现已在 Ollama 上线

NVIDIA Nemotron 3.5 Super VL 现已在 Ollama 上线。 该模型将推理能力与视觉理解能力相结合，适用于多种智能体工作流。 Ollama 表示，在智能体任务中，与其他同等规模的开放模型相比，该模型在单 GPU 上的吞吐量最高可达 5 倍。

Meta推出Muse Spark Open，这是一款专为Mac设计的开放权重AI模型

Meta推出了Muse Spark Open，这是一款原生多模态开放权重模型，拥有8160亿个参数和100万个token的上下文窗口，面向复杂编程任务和智能体工作流。该模型旨在Mac上本地运行，不过Engadget报道称，它至少需要1太字节的RAM。Meta称，在其评测中，该模型的表现优于其他热门开放权重模型，目前已通过多个API平台提供。

同一新闻，精选展示《Meta releases Muse Spark Open, an open-weight multimodal mixture-of-experts model》

Perplexity 为订阅用户和 Agent API 添加 NVIDIA Nemotron 3.5 Super VL

据 @perplexity_ai 称，NVIDIA 的 Nemotron 3.5 Super VL 现已在 Perplexity 上向 Pro 和 Max 订阅用户开放，并可通过 Agent API 使用。 Aravind Srinivas 称 Nemotron 是美国领先的开放权重多模态模型之一，并鼓励用户试用。 https://twitter.com/perplexity_ai/status/2110793639727358422

蒂姆·库克称，搭载阿里巴巴通义千问的 Apple Intelligence 将于 10 月下旬在中国推出测试版

苹果执行董事长蒂姆·库克表示，Apple Intelligence 及相关的阿里巴巴通义千问模型已获批准，测试版将于 10 月下旬在中国推出。库克于 10 月 15 日在上海访问期间接受媒体采访时表示，首批功能包括实时翻译、写作工具和照片清理工具；此次发布不包括 Siri AI。

京东“双11”首日下单用户数实现两位数增长

京东表示，其“双11”活动首日下单用户数同比增长两位数。10月15日，在一场启动活动上，公司还宣布推出“333”服务计划，并发布了100多项服务。京东表示，其人工智能能力已应用于3,000多个场景，包括零售、物流、健康、工业、外卖和家政服务。

Perplexity 为订阅用户和 Agent API 添加 NVIDIA Nemotron 3.5 Super VL

NVIDIA Nemotron 3.5 Super VL 现已在 Perplexity 面向 Pro 和 Max 订阅用户开放，并可通过 Agent API 使用。https://t.co/fMVGtyZFFQ

Meta 发布 Muse Spark Open，提供可下载权重并允许有条件的商业使用

Baoyu 报道称，Meta 于 10 月 15 日发布了 Muse Spark Open。这是一款开放权重模型，总参数量为 816B，激活参数量为 42B，上下文窗口为 1M token。它接受文本、图像、视频和音频输入，并输出文本；Muse 模型许可允许免费商业使用，但须遵守署名要求、使用限制，并且符合条件的 API 业务需另行签署协议。模型卡列出的最低内存要求为：NVFP4 需 700GB，BF16 需 2TB；Meta 则称，该模型针对两台各配备 512GB 统一内存的 Mac Studio 进行了优化。

同一新闻，精选展示《Meta releases Muse Spark Open, an open-weight multimodal mixture-of-experts model》

Meta 宣布今日发布 Muse Spark 开放权重版

Clément Delangue 对此回应：“Meta 回来了！”并附上链接：https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B。 在被引用的帖子中，@finkd 表示 Muse Spark 开放权重版将于今日发布，并称得益于与 @johnternus 和 Apple 的合作，它在新款 Mac Studio 上运行出色。 https://twitter.com/finkd/status/2110778025629347999

Meta 发布 Muse Spark Open，面向编程和智能体工作

今天，Meta 发布了 Muse Spark Open，Meta 称这是迄今能力最强的美国开放权重模型。 Meta 表示，该模型专为编程和智能体工作打造，在长周期任务、复杂软件工程和多步推理方面表现出色。 模型的关键规格包括：总参数量 816B / 激活参数量 42B、1M token 上下文窗口，以及对文本、图像、视频和音频的原生多模态支持。

同一新闻，精选展示《Meta releases Muse Spark Open, an open-weight multimodal mixture-of-experts model》

Meta 发布 Muse Spark Open：开放权重的多模态混合专家模型

Meta 的 Muse Spark Open 是一款开放权重的混合专家模型，约有 8160 亿个参数，每个 token 激活约 420 亿个参数，上下文窗口最长可达 100 万个 token。该模型经过智能体编程训练，可接收文本、图像、音频和视频，并生成文本。Hugging Face 提供推理和部署方案，报告了其自身的量化测试结果，并演示了使用 TRL 对注意力层进行 LoRA 微调，同时冻结专家网络。

Nvidia 的 Nemotron 3.5 Super VL 在 Artificial Analysis Intelligence Index 上领先美国开放权重模型

Nvidia 的 Nemotron 3.5 Super VL 目前是领先的美国开放权重模型，在 Artificial Analysis Intelligence Index 上得分为 26。 Artificial Analysis 报告称，其智能水平是前代 Nemotron 3 Super（13）的两倍，而每项任务的输出 token 数减少约 60%。https://t.co/VMIiXLcLDj

vLLM 为 NVIDIA Nemotron 3.5 Super VL 提供 Day-0 支持

🎉 vLLM 从 Day 0 起支持 NVIDIA Nemotron 3.5 Super VL！ 总参数量 120B，每个 token 激活 12B，支持 1M token 的上下文窗口。这是一款开放的多模态模型，可处理文本、图像、文档和视频，并支持推理和工具调用，适用于智能体工作流。 以下介绍支持的功能以及如何开始使用。🧵 1/4

英伟达发布 Nemotron 3.5 Super VL，面向持续运行的企业 AI 智能体

英伟达发布了 Nemotron 3.5 Super VL，这是一款拥有 1200 亿参数、每个 token 激活 120 亿参数的开放式多模态模型，面向持续运行的企业智能体。英伟达表示，在指定的智能体任务上，该模型的准确率接近 Nemotron 3 Ultra，但参数量约为其五分之一；英伟达还将开放模型权重、数据集和训练方案。配套的 Nemotron 3.5 Bolt 74B-A9B 24GB 面向本地智能体，而 Bolt E4B 4GB 计划于本月晚些时候推出。

NVIDIA 推出 Nemotron 3.5 Super VL：面向长时运行 AI 智能体的开放模型

认识 NVIDIA Nemotron 3.5 Super VL。 NVIDIA 推出的这款新型开放模型将推理和工具使用与文本、图像、文档及视频理解能力结合起来，适用于长时运行的 AI 智能体。 总参数量为 120B，其中激活参数量为 12B。

同一新闻，精选展示《NVIDIA Expands Nemotron Family With Super VL and Bolt Open Models》

YouTube Music 开始标注由 AI 创作或大幅改编的歌曲

Google 正在 YouTube Music 应用和网站推出 AI 标注，适用于完全由 AI 创作或经 AI 大幅改编的歌曲。标注会显示在播放页面上，点击后可查看更多信息。Google 表示，将利用合作伙伴和自有检测工具识别 AI 音乐；发行商也可以选择披露曲目是否完全使用、部分使用或未使用生成式 AI。

NVIDIA 扩展 Nemotron 系列，推出 Super VL 和 Bolt 开放模型

NVIDIA 发布了 Nemotron 3.5 Super VL，这是一款面向多模态智能体的开放式 1200 亿参数模型；还发布了 Nemotron 3.5 Bolt 74B-A9B 24GB，面向本地智能体工作负载。Bolt E4B 4GB 将于 10 月 23 日推出。Super VL 面向工具调用、业务工作流和视觉文档理解，并开放模型权重、数据集和训练方案。Bolt 74B-A9B 采用原生 2 位量化，可装入 24GB 内存；Bolt E4B 则面向物理智能体和对话智能体。

教程详解如何打造一款基于《小王子》的互动式3D叙事游戏

这份全面的教程详细介绍如何使用由 Opus 5.5、Astra、Tripo、Blender 和 Unity 构成的 AI 驱动工作流程，打造一款基于《小王子》的互动式3D叙事游戏。教程涵盖素材生成、场景搭建、骨骼绑定和动画制作：https://t.co/tIWxDkVbFb

Apertus 1.5 发布说明详述多模态理解、思考模式和更长上下文

Project Apertus 发布了 8B 和 70B 两种规模的 Apertus 1.5，新增图像和音频理解、可选思考模式、262,144-token 上下文窗口，并改进了指令遵循和工具使用能力。模型权重于 2026 年 7 月 24 日在 Hugging Face 上以 Apache 2.0 许可证发布；模型仅生成文本，语音语言处理仍处于实验阶段。团队还公布了训练数据、训练方案、中间检查点和可复现的评估记录。

Skywork AI 发布开源 Matrix-Game 4.0，可在单张 RTX 5090 上实时运行游戏

Skywork AI 发布了 Matrix-Game 4.0，这是一款开源游戏世界模型，据称可在单张 RTX 5090 上以 480p 和 60 FPS 运行，输入响应时间低于 0.15 秒，峰值显存用量约为 18.5GiB。游戏引擎负责维护状态并执行规则，视频模型则根据结构化帧和动态字幕生成画面。模型权重和代码可通过 https://huggingface.co/Skywork/Matrix-Game-4.0 和 https://github.com/SkyworkAI/Matrix-Game 获取。

同一新闻，精选展示《Kunlun Tech releases and open-sources Matrix-Game 4.0 for single-GPU real-time gameplay》

华为麒麟 9050 Pro 的逻辑折叠如何支持 Mate 90 旗舰功能

华为表示，其量产的麒麟 9050 Pro 采用逻辑折叠技术，通过垂直互连的电路层缩短信号路径，为 Mate 90 Pro Max 带来性能和能效提升。本文介绍了高密度混合键合如何实现这种布局，以及内存协同如何让麒麟 9050 芯片运行一个 30B MoE 模型时，额外内存占用低于 2.5GB。华为还表示，麒麟 2027 芯片正在测试中，目前测试结果符合预期。

Claude Opus 5.5 和 Grok 4.7 在线下 3D 构建中还原了埃菲尔铁塔上的 72 个姓名

Artificial Analysis 要求 AI 模型在线下以 3D 方式构建埃菲尔铁塔。Claude Opus 5.5 和 Grok 4.7 按正确顺序列出了镌刻在塔上的 72 位科学家、工程师和数学家的姓名，尽管双方共用的任务说明从未提及这些姓名。 Claude Opus 5.5 还将每组姓名与其在巴黎的朝向对应起来。两个模型都在无法访问互联网的情况下以智能体方式工作；这些姓名首次出现在它们生成的代码中，从未出现在它们读取的文件或工具输出里。

BaoCut 如何在双语字幕中对齐中英文

作者介绍了一期节目，讨论字幕翻译面临的挑战，以及他们的开源项目 BaoCut 如何在中英文语序不同时实现对齐。他们描述了字幕在说话者开口前就出现、句子被拆成与口语译文不匹配的片段，以及两三行字幕占据半个屏幕的情况。文章附有项目链接：https://t.co/c3VnQEt8x3

Alexandr Wang 称赞用 Muse Wonder Full 制作的物理可视化作品

这是一个用 Muse Wonder Full 制作的高级物理可视化作品，挺酷的 🍉 https://t.co/yusJ7QHT7e

桑达尔·皮查伊称赞提示词创作和模型演示中的创造力

我得承认，这段视频我看了好几遍，尤其是看到最后时 :) @fofrAI 分享了一段鹈鹕骑自行车的视频，由 Argon 使用傅里叶次摆线制作，并配有 Argon 通过提示词生成、与画面同步的 Lyria 3.5 音乐。看到提示词创作和模型展现出的创造力，真令人赞叹 https://t.co/ISAviHYpf5

YouTube为AI生成的歌曲添加“AI制作”标签

YouTube从今天起开始为主要使用生成式AI创作的曲目推出“AI制作”标签，首先在YouTube Music上线，之后将扩展到YouTube主应用。听众可在播放器页面点按该标签，查看更多信息。YouTube表示，它会结合音乐合作伙伴的披露信息和自有检测工具来识别曲目，包括含有AI生成的乐曲和人声的曲目。

YouTube Music 推出标签，标识歌曲中生成式 AI 的使用情况

YouTube Music 周三宣布，将推出标签，标识歌曲中生成式 AI 的使用情况，并提供可点击的详情，说明 AI 在作曲和演唱中的作用；这些标签也将扩展至 YouTube 主应用。合作伙伴可以将曲目标记为“完全由生成式 AI 创作”“部分使用生成式 AI”或“未使用生成式 AI”；Auto-Tune 等音高校正属于“未使用生成式 AI”。YouTube 强调信息披露，且仅有 AI 参与并不会使曲目失去获利资格。

Android 为 Google 信息应用新增 AI 诈骗防护

Android 即将推出新的诈骗防护措施，包括一项可选择启用的增强保护设置，该设置将在未来几周内逐步向 Google 信息应用推出。它使用云端 Gemini 模型评估与陌生发件人的对话，并使用设备端 Gemini Nano 在用户打开陌生链接前进行检查。其他防护措施会阻止应用启用呼叫转移，并在 Chrome 和 Android WebView 中屏幕共享期间隐藏敏感信息。