Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，在原生实时对话模型上加入近实时视频生成，实现带唇形同步、自然表情和流畅轮次切换的动态视觉形象。

OpenAI 推出了新的图像模型 Images 2.5。最直接的变化是生图延迟比上一代低了最多 50%，出图更快。画质上，光照更自然、材质细节更丰富，多轮改图时也能更稳地保住画面主体不走样。目前每周通过 ChatGPT 和 API 生成的图片已经超过 30 亿张。这次还加了一个叫 Sketch 的新功能，允许你在 ChatGPT 里直接画草图当参考，让...

Playco 用 GPT-6 Astra 做了一个叫 Playbot 的 AI 游戏开发 IDE，直接连 Unity 和 Godot 引擎，让模型自己编辑场景、跑测试、找 bug。他们先搭了一个灰色方块原型，然后让模型一次性生成三个不同主题的游戏世界，大部分第一次跑就能玩。相比上一代模型，手动修复量砍了一半。空间推理、UI 响应和手感都有提升。模型还能...

Gradio 新推出的 gr.Workflow 让你用节点图的方式搭 AI 流水线，每个中间步骤的结果都会直接显示在画布上，不用再靠打印日志来排查哪一步出了错。它同时也是一个 REST API，每个节点自带接口，一行命令就能部署到 Hugging Face Spaces。文章展示了四个可跑的 Demo：用 Qwen-Image-Edit 做图片编辑、把...

OpenAI 封掉了一批来自俄罗斯的 ChatGPT 账号。这些账号在幕后操纵一个叫“国际伯克研究所（IBI）”的假智库，网站自称设在以色列，实际上文章是从正经学术作品里抄来、篡改署名，再用机器翻译成英文的。操作者用俄语给模型下指令，让它生成英文的社交媒体帖子和评论，还特意要求模型藏好俄语痕迹。他们搞了一个“主权指数”，排名上捧俄罗斯、踩西方国家。Op...

Google DeepMind 宣布与游戏开发商合作，用 AI 原型化全新游戏体验，并回顾了从 DQN 玩 49 款 Atari 游戏、AlphaGo、AlphaZero、MuZero、AlphaStar 到 SIMA 的游戏 AI 研究历程。

Google DeepMind 发布多语言手语转文本模型 SL2T，首次将手语 AI 带入消费级产品，在 Pixel 11 的 Gboard 和 Live Transcribe 中支持美国手语（ASL）转英文听写，后续将扩展更多设备与语言。

Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和面向安全的 3.5 Flash Cyber 三款新模型。

Google DeepMind 与 A24 宣布达成首个此类研究合作，将顶尖研究实验室与电影制作公司配对，帮助艺术家开发新工作流与技术。合作将跨越多个项目长期展开，Google 同时已对 A24 进行投资。

OpenAI 在 6 月 10 号发了份威胁报告，封了两组大概率来自中国的 ChatGPT 账号。一组叫“数据中心顺风车”，专门生成“AI 数据中心推高居民电费”的帖子和图片；另一组叫“科技与关税”，一边骂美国关税是打压科技竞争的手段，一边在提示词里要求只提特朗普、不提习近平。后一组还散布过“ChatGPT 用户数据泄露”的假消息，OpenAI 说这完...

OpenAI 在 2026 年 6 月的威胁报告里披露，他们封掉了一批 ChatGPT 账号，这些账号很可能来自中国。操作者用简体中文写提示词、挂 VPN，让模型批量生成英文短评和政治漫画，主要攻击美国的关税、稀土、AI 和 5G 政策，并明确要求漫画里只能出现特朗普，不能出现中国或习近平。同一批账号还生成中文“水军”内容，攻击美国和以色列，放大反犹太...

NVIDIA Research 在 ICRA 上展示了 8 篇论文，都围绕一个思路：在仿真里训练机器人，然后直接部署到真实环境。ScheduleStream 让多机械臂并行规划，速度提升 3 倍，代码已开源。COMPASS 导航框架完全不靠真实数据，在仿真里训练后迁移到真机，20 次真实导航测试成功率约 80%，比纯模仿学习基线高了 4.5 倍。Gra...

南京大学 LAMDA 组和阿里智能引擎团队提出了一种叫 DAR 的方法，把 DiT 模型里固定的残差累积，换成了按时间步动态选择路径的跨层路由。在 ImageNet 256×256 上拿 SiT-XL/2 试，FID 从 9.67 降到了 7.56，而且只用原来大约九分之一的训练步数就达到了同等收敛质量。不过原文因为微信环境验证拦截，具体怎么实现路由、...

Google DeepMind 发布 Gemini Omni 家族首个模型 Gemini Omni Flash，可组合图像、音频、视频和文本输入生成高质量视频，并通过自然语言多轮编辑。

Google 宣布在 Search、Gemini、Chrome、Pixel 和 Cloud 扩展内容透明度与验证工具，并深化行业合作。SynthID 已为超过 1000 亿张图片和视频、60000 年音频嵌入水印，Gemini 应用中的 SynthID 验证已被使用 5000 万次，该能力今日扩展到 Search、未来几周进入 Chrome。

Google DeepMind 发布 Gemini 3.5 模型家族，首款 Gemini 3.5 Flash 当日上线 Gemini 应用、Google Search AI Mode、Google Antigravity、Gemini API 及 Gemini Enterprise。

Google DeepMind 宣布 AI co-clinician 研究计划，探索 AI 智能体在医生临床监督下协助患者诊疗。在 98 个真实初级保健查询的盲评中，该系统 97 例无关键错误，医生更偏好其回答而非主流证据综合工具；在 140 项问诊技能评估中，它在 68 项达到或超过初级保健医生水平，但专家医生在识别危险信号和关键体格检查上整体仍更优。

英伟达在 2026 年 4 月 28 日开源了 Nemotron 3 Nano Omni，一个能同时处理文字、图片、音频、视频、文档、图表和屏幕界面的多模态模型。它用了 30B-A3B 的混合专家架构（MoE），实际激活的参数量是 3B，配合 Conv3D 和 EVS 技术来处理音视频，上下文窗口拉到 256K。官方说在保持交互延迟不变的前提下，跑 A...

OpenAI 在 X 上官宣了 ChatGPT Images 2.0，定位是能处理复杂视觉任务、出图直接可用的图像模型。帖子提到三点升级：编辑更精细、版式更丰富，以及加入了“思考级智能”，但没解释这具体指什么能力。视频演示看起来效果不错，不过正文没披露模型规模、定价、延迟和推送范围，我会先打个折——等看到实测和成本再说。

OpenAI 在 4 月 21 日官宣了 ChatGPT Images 2.0，说新模型在三个地方有提升：画面里的文字更准、多语言排版更稳、能根据复杂指令做视觉推理。官方放了一堆样图，从海报、漫画到杂志内页都有，看着确实比上一代强。但正文没披露模型架构、出图分辨率、价格、延迟和具体上线时间，也没给对比数据。文字渲染和多语言到底稳不稳，还得等实际用起来再...

Claude Design 是 Anthropic 实验室放出的研究预览功能，Pro、Max、Team 和 Enterprise 用户今天开始陆续能用。它跑在 Claude Opus 4.7 上，官方说这是他们目前最强的视觉模型。用法很简单：你跟 Claude 聊需求，它直接出原型、幻灯片或单页文档。正文没提价格、输出限制和详细推送时间表。我会先打个折...

Google DeepMind 发布 Gemma 4，称其为迄今最智能的开源模型，面向高级推理与智能体工作流，采用 Apache 2.0 许可。该系列包含 E2B、E4B、26B MoE 和 31B Dense 四种尺寸，31B 在 Arena AI 文本榜位列全球开源模型第 3，26B 位列第 6。

Mistral AI 发布首个文本转语音模型 Voxtral TTS，4B 参数，支持英语、法语、德语、西班牙语、荷兰语、葡萄牙语、意大利语、印地语和阿拉伯语 9 种语言，具备情感表达与零样本跨语言音色适配能力。

OpenAI 在 3 月 17 号推出了 GPT-5.4 mini 和 nano，都是给高吞吐、低延迟场景用的轻量模型。mini 在编程、推理、看图、调工具上都比上一代 GPT-5 mini 强，速度还快了一倍多。跑分上，mini 在 SWE-Bench Pro 拿到 54.4%，跟大哥 GPT-5.4 的 57.7% 差距不大，但延迟低很多，适合需要...

Mistral AI 发布 Mistral Small 4，这是首个把 Magistral 推理、Pixtral 多模态和 Devstral 编码智能体能力统一到单一模型的 Mistral 模型，采用 Apache 2.0 许可。

OpenAI 发了一篇工程博文，解释他们怎么解决 Codex 和 Sora 用户老撞速率限制的问题。核心做法是自研了一套实时访问引擎，把速率限制和预购点数揉在一起：请求先走免费速率额度，额度用完了自动从点数余额里扣，用户不用切换系统。文章说这套“决策瀑布”模型能在一个请求里同步完成判断，点数扣减异步处理，并且有三套独立数据（产品用量、计费事件、余额变动...

OpenAI 封禁了一批 ChatGPT 账号和一个 API 客户，这些账号很可能来自柬埔寨，在跑一套半自动化的“恋爱任务”骗局。骗子先用 ChatGPT 生成高端约会服务的广告文案，在社交媒体上定向投给对高尔夫、游艇感兴趣的印尼男性，引流到 Telegram。接着，他们混用人工和 API 自动生成的暧昧聊天建立信任，再把人交给“导师”，用 ChatG...

NVIDIA 在 CES 上放出了一套本地 AI 视频生成方案，核心是开源模型 LTX-2 和升级版 ComfyUI。在 GeForce RTX 显卡上，生成速度比之前快 3 倍，显存占用最多能降 60%。这主要靠 PyTorch-CUDA 的底层优化，以及 ComfyUI 原生支持了 NVFP4/FP8 低精度计算。下个月还会推一个 RTX Vide...

NVIDIA 在 2026 年 1 月 5 日放出了一批新的开源模型和数据集。语言模型方面，有 Nemotron 系列的新成员，专门做语音、外挂资料库（RAG）和安全对齐；还有一个叫 Alpamayo 1 的模型，正文没具体说它擅长什么。物理 AI 这边，Cosmos 系列更新了 Reason 2、Transfer 2.5 和 Predict 2.5 ...

Mistral 发布 Mistral OCR 3，在表单、扫描文档、复杂表格和手写内容上相对 Mistral OCR 2 取得 74% 的整体胜率，并称准确率超过企业文档处理方案和 AI 原生 OCR 方案。

OpenAI 在 12 月 16 日上线了新版 ChatGPT 图片功能，底层换了一个新的主力生图模型，API 里叫 GPT Image 1.5。官方说生成速度比之前快 4 倍，编辑图片时能更精准地只改你要求的部分，保留原图的光线、构图和人脸一致性。这次还加了一个独立的图片创作入口，内置了一些预设风格，不用写提示词也能玩。正文没披露具体画质指标、免费用...

OpenAI 官方发了一篇公告，宣布迪士尼成为 Sora 的第一个大型内容授权方。协议为期三年，Sora 和 ChatGPT 图片生成功能会拿到超过 200 个迪士尼、漫威、皮克斯和星球大战的角色授权，包括米奇、艾莎、钢铁侠、尤达等，但不含真人演员的脸或声音。用户可以用这些角色生成短视频和图片，部分视频还会被选进 Disney+ 里播放。迪士尼同时会成...

Mistral AI 发布 Mistral 3 系列，包括 14B、8B、3B 三个稠密模型和采用稀疏 MoE 架构的 Mistral Large 3，后者为 41B 激活、675B 总参数，全部以 Apache 2.0 许可开源。

AI Sheets 是一个开源表格工具，之前只能处理文字，现在加入了视觉能力。你可以把图片（比如收据、文档、产品图）直接拖进表格，用自然语言让模型帮你提取里面的信息、生成描述、甚至编辑图片。它背后调用的是 Inference Providers 上的几千个开源模型。你在表格里手动改错、点“赞”的操作，会被当成少样本示例来优化后续结果。处理完的数据可以导...

OpenAI 在 9 月 30 日公布了 Sora 2 的系统卡，说这个新模型在物理规律、画面真实度、音画同步和风格控制上都比上一代强，能更准地跟着用户的指令走。这次发布先走邀请制，在 sora.com 和独立的 iOS App 上小范围开放。安全方面，上线初期禁止上传视频，也禁止上传带真人照片的图片，对涉及未成年人的内容有更严的审核门槛。正文没提 A...

OpenAI 在 9 月 30 日发布了视频生成模型 Sora 2，同时上线了一个叫 Sora 的 iOS 社交 App。Sora 2 比上一代更遵守物理规律，比如投篮不进会弹框而不是球直接瞬移进筐，也能生成同步的人物对白和环境音效。App 里有个“角色”功能，你录一段视频和音频验证身份后，就能把自己的形象和声音放进任何生成的场景里。OpenAI 说这...

OpenAI 在 9 月 29 日上线了家长控制功能，所有 ChatGPT 用户都能用。家长把自己的账号和孩子的绑定后，就能在自己的账号里管理孩子的使用设置。绑定后的青少年账号默认会加强内容过滤，减少暴力、色情角色扮演和极端审美之类的内容。家长还可以单独设置禁用时段、关掉语音模式、关掉记忆功能、禁止图片生成，以及拒绝把孩子的对话拿去训练模型。比较关键的...

OpenAI 在 2025 年 9 月 29 日发了一篇安全说明，讲他们怎么防止自家模型被用来制作或传播儿童性虐待材料（CSAM/CSEM）。规则上，任何涉及未成年人的色情内容都禁止，一旦发现生成或上传这类内容，账号直接封禁并上报给美国失踪与受虐儿童中心（NCMEC）。技术手段上，他们用了三套工具：哈希匹配（拿已知的违法图片指纹做比对）、Thorn 的...

OpenAI 和美国总务管理局（GSA）谈成了一笔象征性收费的买卖：接下来一年，联邦行政分支的机构只要付 1 美元，就能给全员开通 ChatGPT Enterprise。另外还白送 60 天不限量使用高级功能，包括 Deep Research（深度研究）和 Advanced Voice Mode（高级语音模式）。联邦业务数据不会被拿去训练模型。公告里没...

Mistral 用 LoRA 微调 Pixtral-12B，在 Aerial Image Dataset（AID）卫星图像分类任务上显著优于基座模型。微调通过 Mistral 微调 API 或 LaPlateforme UI 完成，无需大量超参数调优，仅需少量精选样本即可减少基座模型在模糊类别上的误判与幻觉标签。