#多模态

我国首列具身智能数字地铁列车 VELLINK 亮相

我国首列具身智能数字地铁列车 VELLINK 正式亮相，全球首次搭载具身智能技术。该车通过精简控制主机 50%、优化布线 30%，实现整车减重约 18% 及综合节能率超 10%。依托“斫轮”大模型与多模态感知系统，列车具备主动优化运营与智能制定行车策略能力。

Arena 发布第 41 周 AI 大模型榜单：Claude Opus 5.5 Max 首夺智能体榜首，国产模型稳居中上游

Arena 平台发布 2026 年第 41 周 AI 大模型排行榜，Anthropic Claude Opus 5.5 Max 首次入榜即以 15.53% 净提升度夺得智能体榜第一。综合榜方面，Gemini 4 Argon High 以 1525 ELO 分蝉联榜首，Kimi K3 Max、Qwen3.8 Max 等国产模型排名稳定在中上游梯队。

数学家用Opus 5.5制作音乐视频

一位数学家回应 OpenAI 的证明，用 Opus 5.5 制作了一个音乐视频。相当不错。

Cloudflare 推出开放权重决策 AI 模型 Clef-omni，新增支持音频 / 视频输入

Cloudflare 于 10 月 9 日发布公告，宣布推出开放权重决策模型 Clef-omni，该模型在 Hugging Face 上开源，支持单次 API 调用处理文本、图像、音频和视频输入。

微软推出 Edge 155 稳定版：增强 AI 标签页整理，支持解码 JPEG XL 图像

微软发布 Microsoft Edge 155.0.4283.45 桌面稳定版，新增 JPEG XL 图像解码支持并增强 AI 标签页智能整理功能。新版扩展了 CSS symbols() 等网页平台特性及窗口管理 API，同时计划分阶段停止实时视频翻译服务。Edge 155 纳入 Chromium 最新安全更新，并将网页 unload 事件处理器默认停用范围扩大至 100% 页面加载。

小米智能摄像机 3 开售：500 万像素、6 种 AI 灵敏检测，首销 179 元

小米智能摄像机 3 今日开售，搭载 500 万像素镜头与 F1.6 大光圈，支持 3K 超清画质及红外夜视，首销价格 179 元。该产品配备双电机云台，具备 6 种 AI 灵敏检测功能，并采用 AOR 全天超省录制技术以节省存储空间。新品内置双频 Wi-Fi 6 芯片，支持小米澎湃智联，可实现多设备画面共享与智能联动。

Anthropic Claude 新增 Dashboards 数据仪表板与 Motion 解释性动画功能

Anthropic 宣布 Claude 新增 Dashboards 和 Motion 两项测试功能。Dashboards 支持自然语言构建自动更新的数据监控仪表板，向所有付费套餐开放；Motion 可将文字、图表等元素动画化为短片，仅对 Team 和 Enterprise 用户开放。

极米 MemoMind One AI 显示眼镜开启超前预约

极米宣布记得 AI 显示眼镜 MemoMind One 开启超前预约，搭载蔡司定制光学镜片与哈曼联合调音。该产品支持双目显示、Memo 记忆及对话翻译功能，配备 Apple MFi 芯片，续航达 16 小时。其采用无摄像头隐私设计，获欧盟 EN18031 认证，提供三种框型可选。

Liquid AI 开源 d1 系列决策模型：单次判断仅 8 毫秒，支持图像输入

Liquid AI 发布并开源 d1-3B 和 d1-omni-600M 两款决策模型，已在 Hugging Face 上线供下载、微调及部署。d1-3B 拥有 31.2 亿参数，基于 LFM2.5-VL-3B 训练，在 NVIDIA RTX 4090 上单次文本判断耗时 8 毫秒，处理图像耗时 102 毫秒；d1-omni-600M 拥有 5.87 亿参数，支持文本、图像及语音组合输入。

Odyssey 发布 Odyssey-3 基础世界模型，Physics-IQ Verified 得分 66.1

Odyssey 推出 Odyssey-3 系列基础世界模型，其 Pro 版本在 Physics-IQ Verified 视频到视频基准测试中取得 66.1 分，创该榜单最高纪录。该模型采用自回归架构，从大量视觉观测中学习物理、动态与因果关系，可预测物体移动及情境演变，用于模拟环境或训练机器人等系统的控制策略。

Gemini 2.5 急诊建议获医生认可

在急诊场景中，过时的 Gemini 2.5 Pro & Gemini 2.5 Flash（无法访问患者病历）给出的建议，经其他医生评估，其质量与人类医生相当。未发现安全问题。此后模型性能已显著提升。

PFN 发布 PLaMo 3 Translate 31B 模型：日语翻译表现优于 GPT-6.1 Sol

Preferred Networks (PFN) 发布完全由日本自主研发的 PLaMo 3 Translate 31B 翻译模型，支持语言从 2 种扩展至 53 种。该模型在四项基准测试中平均分优于 GPT-6.1 Sol 和 GPT-6 Astra，且每 10 万字符输入成本仅 14 日元，显著低于竞品。

Google 开放 SynthID Detector 供公众检测 AI 生成媒体

Google 向公众开放 SynthID Detector，允许任何人检查图像、视频或音频文件是否由 Google 及其合作伙伴的 AI 模型（如 Gemini、Veo、Lyria）创建。

ChatGPT 推出“智能 UI”功能，支持在回复中生成图表和按钮

OpenAI 在 ChatGPT 中推出名为“Intelligent UI”的新功能，允许聊天机器人结合文本与交互式视觉元素（如图表、表单、可点击按钮）来回答问题。

同一新闻，精选展示《OpenAI 发布 GPT-6：面向所有用户开放并引入智能体界面》

微软计划将 MAI Code 1.1 Flash 模型整合至 Windows 11

微软宣布计划将拥有 130B 参数的 MAI Code 1.1 Flash 模型引入 Windows 11 设备。该模型作为 MAI-Code-1-Flash 的升级版，已集成到 GitHub Copilot 与 VS Code 中用于日常编码和工具调用。MAI Code 1.1 Flash 采用 3-bit 量化技术使体积缩小 80%，并支持 256K 上下文窗口。

ChatGPT 推出新界面 Intelligent UI 以增强视觉交互

OpenAI 随 GPT-6 模型发布 ChatGPT 新界面 Intelligent UI，该功能将大量交互式视觉元素整合进对话中。这些元素包括可点击按钮、定制计算器、互动图表和可编辑图形等，旨在帮助用户更轻松地学习复杂主题。

同一新闻，精选展示《OpenAI 发布 GPT-6：面向所有用户开放并引入智能体界面》

Liquid AI 发布 d1-3B 和 d1-omni-600M 开源边缘决策模型

Liquid AI 发布两款开源决策模型 d1-3B 和 d1-omni-600M，专为边缘设备设计。d1-3B 在 Decision Index 0.2.1 中得分 48.57，优于同尺寸及更大参数量的模型，支持文本和图像输入；d1-omni-600M 作为实验性版本，支持文本与图像或音频的多模态处理。

Google 推出 Playground 平台让普通用户通过文本创建游戏

Google 发布基于浏览器的 AI 平台 Playground，允许美国成年用户仅通过文本输入创建游戏，无需编程技能。该平台运行于 Gemini、Nano Banana 和 Lyria 模型之上，支持通过对话调整游戏规则、物理效果、角色和环境，并即时测试成果。

豆包登陆华为鸿蒙电脑端，首版本搭载 2.1 Turbo / Pro 模型

豆包 App 正式登陆华为鸿蒙电脑端，用户可在应用市场直接搜索下载。该首版本搭载豆包 2.1 Turbo 和豆包 2.1 Pro 模型，支持对话与工作随心切换，并上线深入研究、PPT 生成、图像生成等核心能力。

谷歌 SynthID 面向全球用户开放以检测 AI 生成内容

谷歌宣布其 AI 生成内容检测网站 SynthID 已面向全球用户开放。该工具可用于检测图片、视频或音频是否由 AI 生成。

Google 推出改进版 SynthID AI 内容检测器并向全球开放

Google 宣布其 SynthID 检测器现已支持所有合作伙伴的水印，并通过新网站向全球用户开放。此前外部用户仅能通过询问 Gemini 来检查水印，过程较为繁琐。SynthID 是一种嵌入在 AI 生成图像、视频像素及音频波形中的隐形信号，Gemini 已将其集成到超过 1800 亿张图像和视频以及 24 万年的音频中。

Google 上线 SynthID 网站以识别 AI 生成媒体

Google 周二推出了一个允许任何人验证图像、视频或音频是否由 AI 生成的新网站。该工具此前在 Google I/O 上仅向部分记者和研究人员开放测试，现已面向公众开放。它基于 2023 年推出的 SynthID 技术，支持 JPG、PNG、MP4、WAV 等多种常见媒体格式。

谷歌推出 macOS 应用 AI Edge Foresight，基于 EmbeddingGemma 2 支持离线会议纪要

谷歌发布 macOS 应用 AI Edge Foresight，利用 EmbeddingGemma 2 端侧多模态模型实现完全离线的会议笔记整理与实时问答。该应用兼容 Apple 芯片 Mac，可调用麦克风及系统音频自动润色纪要，用户免费下载使用。

Mistral Large 4 参与基准测试饱和讨论

Simon Willison 指出前沿模型基准测试已饱和，并以生成“穿网袜在火星乱穿的犰狳”SVG 为例进行调侃。他使用 llm 命令分别调用 claude-opus-5.5、gpt-6.1-sol、gemini-3.8-flash 和 mistral-large-4 执行该任务，以展示各模型的默认推理级别表现。

Google DeepMind 发布 EmbeddingGemma 2：支持文本图像音频视频的统一端侧多模态嵌入模型

Google DeepMind 发布 EmbeddingGemma 2，这是一个基于 Gemma 4 架构的开源轻量级多模态嵌入模型，拥有 740M 参数并采用 Apache 2.0 许可证。

同一新闻，精选展示《Google 发布 EmbeddingGemma 2：支持多模态检索的轻量级开源嵌入模型》

Google 发布 EmbeddingGemma 2 开源多模态嵌入模型

Google 发布开源多模态嵌入模型 EmbeddingGemma 2，拥有 740M 参数，声称在多项基准测试中性能超越两倍于其大小的竞品模型。该模型支持文本、图像、视频、音频和代码向量化，在 Massive Text Embedding Benchmark (Code) 上得分为 78.68，较前代提升近 10 分。

Google Research 发布地球 AI 行星地理空间基础模型用于全球公共卫生

Google Research 推出基于 Population Dynamics Foundation Model (PDFM) 的新范式，利用自监督预训练的位置嵌入增强现有流行病学工作流。

Mistral AI 发布 Mistral Large 4 预览版

Mistral AI 推出 Mistral Large 4（ML4）公开预览版，这是一款拥有 1 万亿参数、490 亿激活参数的原生多模态开放权重模型。该模型在欧洲数据中心使用 NVIDIA Grace Blackwell GPU 从零开始训练，在编码、智能体工作流及网络安全等领域表现卓越，部分指标超越闭源前沿模型。权重将于本月底发布，目前可通过 Mistral Studio 试用 API。

研究人员将LeCun的JEPA AI扩展为适用于从物理到生物学的通用世界模型

由PhAI Labs领导的研究团队推出JEPA-Anything，这是一种基于联合嵌入预测架构（JEPA）的通用世界模型，能够跨越七个不同领域进行预测。与标准JEPA将所有信息汇入单一预测不同，JEPA-Anything将预测状态分解为四个正交因子，每个因子由独立的预测模块处理，从而避免简单模式淹没复杂模式。

Falcon-Emirati-7B 发布：基于 Falcon-H1-Arabic 的阿联酋方言专用模型

Hugging Face 推出 Falcon-Emirati-7B，这是基于 Falcon-H1-Arabic 构建的阿联酋方言专用大语言模型。该模型采用 Mamba 与 Transformer 混合架构，通过整合真实网络数据、文化背景文本及合成数据，专门优化对阿联酋阿拉伯语词汇、语调及纳巴提诗歌等文化细微差别的理解与生成能力。

Google 发布 EmbeddingGemma 2：支持多模态检索的轻量级开源嵌入模型

Google 发布基于 Gemma 4 架构的 EmbeddingGemma 2，这是一个参数量低于 1B 的多模态嵌入模型，将文本、代码、图像、视频和音频映射到统一的 768 维向量空间。

Google DeepMind 发布 EmbeddingGemma 2 多模态嵌入模型

Google DeepMind 发布开源权重多模态嵌入模型 EmbeddingGemma 2，原生支持将文本、图像、视频帧和音频映射到统一向量空间。该模型参数量为 740M，专为本地隐私优先应用设计，在 Google Pixel 11 Pro 上运行全模态模型仅需约 567MB 活跃内存。

Reka AI 发布全能模型 Rho-1，单模型处理文本图像视频与机器人控制

Reka AI 发布了研究预览版全能模型 Rho-1，该 19B 参数模型在单一神经网络内处理并生成文本、图像、视频和机器人控制动作。Rho-1 将所有模态作为 token 运行在共享上下文窗口中，无需调用外部工具或专用模型，并能实时生成连续视频。为解决机器人训练数据稀缺问题，团队构建了一个从普通互联网视频中提取控制信号的逆动力学模型，并在 320 块 H100 GPU 上训练了约三个月。

NVIDIA Inception 初创公司利用 AI 填补乳腺癌诊疗缺口

iSono Health、Whiterabbit.ai 和 Ataraxis AI 等 NVIDIA Inception 成员正利用 AI 技术优化乳腺癌筛查与治疗规划。

InstructMesh 结合 TRELLIS 与 GPT-4 实现 AI 生成 3D 模型的交互式修复

MIT CSAIL 等机构推出 InstructMesh，结合 Microsoft TRELLIS 和 GPT-4 让用户通过自然语言指令修复 AI 生成的 3D 模型缺陷。测试显示该工具能解决近 80% 的结构性错误，新手用户成功修复率约 90%，显著降低 3D 打印设计门槛。

微软研究院发布 Quine：面向生物学复杂性的 AI 研究系统

微软研究院推出 Quine，这是一个包含生物学世界模型和交互式框架的 AI 研究系统，旨在连接模型、科学工具、文献与研究人员。该系统已在与 Broad Institute 合作的胰腺导管腺癌研究中用于预测和优先排序化合物，并在湿实验中验证了多个候选分子，显著缩短了从计算筛选到实验验证的时间。

Google DeepMind 发布 Gemini 3.8 Live with Live Avatar

Google DeepMind 推出 Gemini 3.8 Live with Live Avatar，将低延迟流式视频与对话 AI 结合，赋予智能体实时视觉存在感。该功能支持异步工具调用以维持对话流畅性，并能在 97 种语言间无缝切换且保持唇形同步。目前已在 Gemini Enterprise 开放，允许企业通过参考图像定制品牌专属化身，所有输出均嵌入 SynthID 水印以确保内容透明可追溯。

MIT 新书《How AI Sees the City》探讨视觉 AI 在城市研究中的前景与风险

MIT Senseable City Lab 学者出版新书《How AI Sees the City》，阐述视觉 AI 如何以空前规模解析城市数据。该技术可识别 331 个交通摄像头中的车辆类型并估算排放，也能分析 40 万条 Airbnb 房源图片以揭示室内设计的地域差异。尽管能提升规划精度，但广泛监控带来的隐私侵犯及算法偏见仍是主要隐患。

DeepLearning.AI 端侧记忆助手教程

构建一个能在设备本地存储和搜索所见、所听及被告知内容的助手。在《使用端侧记忆构建 AI 助手》课程中，你将搭建一个能回忆文本、语音和图像的本地记忆系统，并教会它识别新事物

Ethan Mollick：AI 能力过剩与人类的四项核心优势

Ethan Mollick 认为当前 AI 发展仍处于指数级曲线上，但人类系统跟不上其速度，导致巨大的“能力过剩”。他通过让 GPT-6 Astra 将《Zork》转化为 3D 游戏、让 Fable 5.1 重建翁贝托·埃科图书馆以及自主制作书籍预告片等案例，证明现有模型已具备处理数周人类工作量及运用判断力和创造力的能力。