跳到正文

#多模态

今日 4 条

10月16日星期五

AI HOT · 产品

SGLang 为 816B 开放权重多模态模型 Muse Spark Open 提供 Day-0 支持

SGLang 为 Muse Spark Open 提供 Day-0 支持,加入序列并行、NVFP4 MegaMoE、多模态处理优化及 DFlash V2 推测解码。

推荐理由:SGLang 将序列并行与 MegaMoE 联用于长提示词预填充,在七档并发测试中将 p90 首 token 延迟降低 28.3–41.9%。

AI HOT · 产品

Meta Muse Spark Open 上线 Together AI

Meta 的开放权重模型 Muse Spark Open 今日上线 Together AI,面向长时间运行的智能体编码工作流。模型提供 1M-token 上下文窗口,支持子智能体协作、工具调用、电脑操作与网页浏览,并接受文本、图像、音频和音视频输入。

推荐理由:Together AI 在发布当天提供 Muse Spark Open 服务并公布分项价格,让长任务模型的接入方式与调用成本有了明确依据。

AI HOT · 产品

Meta 发布 Muse Spark Open 权重,Modal 上线按 token 计费的共享端点

Meta 发布 Muse Spark Open 权重,Modal Auto Endpoints 已提供按 token 计费的共享端点。该模型面向智能体编码和长周期任务,具备原生多模态理解与 1M-token 上下文窗口,支持代码编写与调试、多步规划、顺序工具调用和长流程中的失败恢复。

推荐理由:Meta 为 Muse Spark Open 的两项基准成绩列出智能体、测试框架与推理强度,成绩比较需结合这些评测条件。

The Verge · AI

Meta 与 Apple 合作,让 Muse AI 模型更好地在 Mac 上运行

Meta 发布 Muse Spark Open 并开放权重,与 Apple 合作使其能通过最新 MLX 框架在两台 Apple M5 Ultra Mac Studios 上运行。Meta 称该模型原生支持多模态,总参数量为 816 billion,擅长长周期任务、复杂软件工程和多步推理。双方已合作数月,Apple 也发布了涉及 MLX、Muse Spark Open 和另外两个开放模型的技术文章。

推荐理由:Meta 与 Apple 将持续数月的合作落实到模型与框架适配,让大规模开放权重模型能在两台桌面设备上运行。

AI HOT · 产品

vLLM 为 Muse Spark Open 提供发布首日支持

vLLM 与 Meta Superintelligence Labs 合作,为 Muse Spark Open 提供发布首日推理和 LoRA RL 支持。该开放权重 MoE 模型面向长周期智能体编码工作流,拥有 816B 总参数、每个 token 激活 42B 参数及 1M 上下文窗口,支持图像、视频和音频感知。

推荐理由:vLLM 将 Muse Spark Open 接入多种硬件平台并提供预构建镜像,部署方无需等待常规安装包合并即可启动模型服务。

The Decoder

Meta 以 Muse Spark Open 应对 Qwen、GLM 和 Kimi 的开放权重竞争

Meta 推出开放权重模型 Muse Spark Open,面向编码和智能体任务,拥有 816 billion 参数、42 billion 激活参数,支持最多 100 万 token 上下文及文本、图像、视频和音频。

推荐理由:Meta 称 Muse Spark Open 在智能体、知识推理和多模态评测中领先部分开放模型,编码评测则落后于部分竞争者。

AI HOT · 产品

Meta 发布开放权重模型 Muse Spark Open,已上架 OpenRouter

Meta 发布开放权重模型 Muse Spark Open,现已可在 OpenRouter 使用,定位为面向编码与智能体工作的美国最强开放权重模型。模型总参数 816B、激活参数 42B,支持 1M token 上下文窗口与原生多模态,可输入图像、视频、音频和 PDF。OpenRouter 定价为输入 $1.25/M、输出 $4.25/M。

推荐理由:Meta 将开放权重模型 Muse Spark Open 接入 OpenRouter,为编码与智能体工作提供按 token 付费的使用入口。

Hacker News 首页

Meta 发布 Muse Spark Open 开放权重模型,支持双台 Mac Studio 本地运行

Meta 发布 Muse Spark Open 模型权重,原生支持多模态,拥有 816B 总参数、42B 活跃参数和 1M-token 上下文窗口,面向编码与智能体任务。

推荐理由:Meta 开放 Muse Spark Open 权重并支持双台 Mac Studio 本地运行,让编码与多模态智能体工作流能在桌面端执行。

AI HOT · 模型

NVIDIA 发布开源 Nemotron 3.5 Super VL 及两款 Bolt 边缘模型

NVIDIA 发布 Nemotron 3.5 Super VL 和两款 Bolt 边缘模型,覆盖企业服务器到本地设备的智能体部署。Super VL 为 120-billion-parameter 多模态模型,开放权重、数据集和训练配方,支持理解图像、网页及 PDF,并可用组织自有数据进行后训练。

推荐理由:NVIDIA 为服务器和边缘设备推出开放模型,组织能按硬件条件选择部署层级,并用自有数据定制智能体任务。

10月14日星期三

Google DeepMind

Gemini 4 Argon 为复杂工程、专业工作流与科研难题而打造

Google DeepMind 的 Gemini 4 Argon 今日全球开放,面向编码、金融、法律、网络安全和科学领域的复杂多步骤任务,通过 API、Google Antigravity、Gemini app 和搜索 AI Mode 等入口提供访问。

推荐理由:Google 用 Gemini 4 Argon 将 Chrome 跨数百个文件的架构重构从数月缩短至数周,加快复杂代码库的工程改造。

Google DeepMind

Google DeepMind 展示 Gemini 4 Argon 的机器人推理与控制能力

Google DeepMind 介绍 Gemini 4 Argon 在机器人控制、Real2Sim、物理理解和自我改进中的应用,称其纯推理 ERQA 得分为87%。

推荐理由:Google DeepMind 用 Argon 从实景重建仿真并生成训练数据,将示例中的机器人任务成功率从56%提升至75%。

Google 博客 · Gemini

Gemini 4 Argon:为解决高难度问题而打造

Google 今日全球开放 Gemini 4 Argon,面向复杂编码、金融、法律、网络安全和科学任务,提供 API 及订阅用户入口。Gemini API 支持 1M 输入输出统一 token 上限,初始定价为每百万输入 tokens $2、每百万输出 tokens $10,缓存输入 tokens 优惠 95%。

推荐理由:Google 用 Gemini 4 Argon 完成跨数百个文件的 Chrome 架构重构,将原需数月的工程工作缩短至数周。

10月13日星期二

AI HOT · 模型

Meta 发布 Muse Wonder 和 Muse Wonder Full,实测智能指数较前代提升

Meta 发布 Muse Wonder 和 Muse Wonder Full,在最高推理强度下的 Artificial Analysis Intelligence Index v4.3 成绩分别为 52 和 56,高于前代 Muse Spark 1.3 的 48。

推荐理由:Meta 的 Muse Wonder 智能指数较前代提升 4 点,单任务成本达到前代的 2.8x,提升能力的同时增加了调用成本。

The Decoder

Meta 发布 Muse Wonder 系列,Full 版本跻身前沿模型第一梯队

Meta 发布 Muse Wonder 和 Muse Wonder Full,在 Artificial Analysis Intelligence Index v4.3 上分别获得 52 和 56 点,高于前代 Muse Spark 1.3 的 48 点。

推荐理由:Meta 发布的 Muse Wonder 提升了编码与智能体任务表现,事实知识仍落后于对手且单任务成本接近前代三倍。

10月8日星期四

AI HOT · 模型

Anthropic 发布 Claude Haiku 5.5,Artificial Analysis 评测得分 43

Anthropic 发布 Claude Haiku 5.5,在 Artificial Analysis Intelligence Index 上得分 43,比一年前的上一代 Haiku 提高 26 点。

推荐理由:Claude Haiku 5.5 采用按提示词长度分层的定价,超过 100k tokens 后输入与输出单价均上涨 5x。

TechCrunch · AI

ChatGPT 推出 Intelligent UI,在对话中加入可交互视觉元素

OpenAI 为 ChatGPT 推出 Intelligent UI,随 GPT-6 加入可点击按钮、任务专用计算器、交互图表和可编辑图形。演示涵盖机翼升力图解、食谱、自行车原理和徒步地图,用户也能调低回答中视觉元素的使用量。该功能周三向全球 Pro、Plus、Business 和 Enterprise 用户推出,周四向免费及较低价的 Go 套餐用户开放。

推荐理由:OpenAI 为 ChatGPT 加入可交互图表和任务计算器,让复杂概念的解释与日常任务处理可以直接借助可操作的视觉元素。

OpenAI News

OpenAI 向更多 ChatGPT 用户推出 GPT‑6 与 Intelligent UI

OpenAI 推出面向更多 ChatGPT 用户的 GPT‑6,新增 Intelligent UI,可在回答中组合文字、图形、按钮、表单和交互工具。模型支持先回答再继续思考补充,内部评测中 GPT‑6 Instant 在需要网页搜索的问题上平均提前 44% 开始回答,相比对象为 GPT‑5.6 Instant。

推荐理由:OpenAI 将交互界面生成融入 GPT‑6 的回答流程,让用户直接在对话中调整输入、探索图解和使用临时生成的工具。

10月7日星期三

Ars Technica · AI

Google 升级 SynthID AI 内容检测器,通过独立网站向全球开放

Google 升级 SynthID 检测器,支持所有合作伙伴的水印,并从今天起通过 SynthID.com 向所有人开放。此前,可信测试计划之外的用户只能通过 Gemini 查询水印,检测器也无法识别 ChatGPT 图像中的 SynthID 水印;新版消除了这一检测限制。SynthID 将不可见信号嵌入 AI 生成图像和视频的像素,以及音频的波形中。

推荐理由:Google 将 SynthID 检测扩展至所有合作伙伴并开放独立网站,用户无需再通过 Gemini 查询内容水印。

Hacker News 首页

OpenAI Decisions API 进入公开测试,支持文本与图像决策

OpenAI Decisions API 进入公开测试,可评估文本、图像或两者组合,返回类型化答案,文档称速度约为 Responses API 的 10x。接口提供条件概率、固定选项选择和有序等级评分,当前仅支持 gpt-6-luna,通过 POST /v1/decisions 调用,预计未来几周正式上线。

推荐理由:OpenAI 将决策接口的输出限定为条件概率、固定选项和有序评分,明确了分类与排序任务同自定义结构化生成之间的适用边界。

Google DeepMind

Google DeepMind 发布 EmbeddingGemma 2,支持端侧多模态嵌入向量

Google DeepMind 发布 EmbeddingGemma 2,基于 Gemma 4 架构,将文本、代码、图像、视频和音频映射到统一嵌入向量空间。模型拥有 740 million 参数,采用 Apache 2.0 许可证,支持 8K token 上下文窗口及完全离线的跨模态搜索与 RAG;纯文本任务仅需 270M 参数,输出向量可从 768 维缩减至 128 维。

推荐理由:EmbeddingGemma 2 将跨模态检索放到本地设备运行,让文本、图像、音频和视频检索无需将数据传至云端。

10月6日星期二

Mistral AI

Mistral AI 发布 Mistral Large 4 公开预览,计划月底开放权重

Mistral AI 发布原生多模态模型 Mistral Large 4(ML4)公开预览,现可通过 Mistral Studio 的 API 试用,计划本月底开放权重。

推荐理由:Mistral AI 计划开放 ML4 权重并支持私有部署,使组织能在自身政策下开展安全工作,减少对供应商访问权限和拒绝策略的依赖。

10月3日星期六

AI HOT · 模型

Anthropic 发布 Claude Opus 5.5,ECI 得分 167 排名第一

Anthropic 于 2026 年 9 月 22 日发布闭源权重模型 Claude Opus 5.5,ECI 得分 167,在 253 个跟踪模型中排名第 1。该模型在软件工程基准 MirrorCode 上取得 77%,在多模态 Furniture Assembly Benchmark 上取得 83%。输入价格为 $4 / 1M tokens,输出价格为 $20 / 1M tokens。

推荐理由:Claude Opus 5.5 的软件工程成绩高于 GPT-6 Astra,数学高难度测试成绩则低于后者。

10月2日星期五

Google 博客 · Gemini

Google 推出 Gemini Live Guided Vision,为 Android 用户提供无障碍视觉辅助

Google 推出 Gemini Live 的 Guided Vision 功能,通过实时视觉描述和语音取景提示,为盲人、低视力用户及需要视觉辅助的人提供帮助。

推荐理由:Google 为 Gemini Live 加入实时视觉描述与取景语音提示,让盲人和低视力用户能通过对话获取日常视觉信息。

10月1日星期四

Google DeepMind

Google DeepMind 发布 Gemini 4 Argon 前沿模型

Google DeepMind 发布新一代前沿模型 Gemini 4 Argon,先通过 Fairwind Program 向受信任的网络安全防御方开放,随后逐步扩展至开发者、企业和消费者。

推荐理由:Gemini 4 Argon 先向受信任的网络安全防御方开放,并公布每百万输入 token 2 美元、输出 10 美元的定价,以及从 64K 提升到 1M 的输出上限。

Google 博客 · Gemini

Google 发布 Gemini 4 Argon,先向可信网络防御团队开放

Google 宣布新模型 Gemini 4 Argon,通过 Fairwind Program 向部分可信网络防御团队逐步开放,面向编码、企业知识工作和网络安全防御。

推荐理由:Google 将 Gemini 4 Argon 的输出上限从 64K 提升至 1M tokens,为复杂任务的单次长程推理提供更大空间。

9月29日星期二

AI HOT 精选

Anthropic 发布 Claude Sonnet 5.5,跑分全面超过前代,速度提升 30% 以上,成本还降了 30%

Anthropic 发布 Claude Sonnet 5.5,官方称其运行速度提升 30% 以上、多数工作成本最多降低 30%,定价与 Sonnet 5 相同但在各项基准上均优于前者。

推荐理由:Anthropic 将 Sonnet 5.5 设为 claude.ai 免费层默认模型,其定价与 Sonnet 5 相同,但官方称速度提升 30% 以上、多数工作成本最多降低 30%。

AI HOT 精选

Anthropic 发布 Claude Sonnet 5.5,速度比上代快 30% 以上

Anthropic 发布 Claude Sonnet 5.5,运行速度比 Sonnet 5 快超过 30%,写作更清晰,适合快速往复的日常任务。官方称其擅长修复 bug、制作文档、幻灯片和表格并有较强设计感,而 Claude Opus 5.5 面向需要谨慎判断的复杂工作。Sonnet 5.5 即日起全面可用,Claude Haiku 5.5 将在未来几周加入该系列。

推荐理由:Anthropic 发布 Claude Sonnet 5.5,速度比上代快逾 30%,并明确其与 Opus 5.5 在快速日常任务和复杂判断工作上的分工。

9月28日星期一

AI HOT 精选

微软雇人审查 Copilot 用户的提示词和上传图片,审阅员被大量色情请求淹没

404 Media 依据获得的内部文件报道,微软 Copilot 雇佣的人类外包审阅员会查看用户提示词和上传的图片,其中包含大量性暗示或露骨的图像编辑请求。这些审阅员并非为标记不当内容,而是评估 Copilot 生成图片的质量,例如判断 AI 放大的胸部是否足够大。报道称至少数百名审阅员参与其中,招聘方之一为 Prolific,微软回应称按使用条款使用客户数据以改进产品。

推荐理由:404 Media 依据内部文件披露微软外包审阅员会查看 Copilot 用户的提示词和上传图片,用于评估生成图片质量,报道呈现了用户数据进入人工审阅环节的具体流程。

9月25日星期五

Google DeepMind

Google DeepMind 发布 Gemini 3.8 Live with Live Avatar

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。

推荐理由:Gemini 3.8 Live 在实时对话模型上加入近实时视频生成,支持唇形同步与97种语言切换,并可在对话中异步调用工具,展示了企业级多模态交互的当前形态。

9月24日星期四

Google 博客 · Gemini

Google 推出 Gemini 3.8 Live with Live Avatar,已在 Gemini Enterprise 提供

Google 推出 Gemini 3.8 Live with Live Avatar,将近实时视频生成与原生实时对话结合,即日起在 Gemini Enterprise 提供。它可同时处理视觉和音频输入,在持续对话时异步调用工具,并支持在 97 种语言间切换时同步调整口型与表情。企业可使用预设形象或通过参考图像定制形象,定制创建目前仅向企业许可名单开放,生成的音频和视频嵌入 SynthID 水印。

推荐理由:Google 将实时语音对话与动态虚拟形象结合,并支持在持续交谈时后台调用工具,让企业客服和交互式引导无需为取数中断对话。

The Verge · AI

Meta 亮出 Muse Charm:一个不带表带的 AI 小屏设备,靠指纹唤醒语音

Meta 在 Connect 大会结尾快速展示了一款叫 Muse Charm 的独立 AI 硬件,专门跑自家的 Muse 智能体。它长得像一块摘掉表带的厚智能手表,配了根挂绳。右上角有指纹传感器,按下去就能直接说话下指令,不用掏手机解锁。正面至少开了三个麦克风孔,还塞了一颗小摄像头。正文没公布价格、续航和上市时间,目前只是露个脸。

推荐理由:Meta 在 Connect 大会结尾展示了独立 AI 硬件 Muse Charm,指纹一按即可直接对 Muse 智能体说话,省去解锁手机这一步,这是继 Ray-Ban 智能眼镜后 Meta 对 AI 硬件形态的又一次尝试。

Computing Life · Share · 鸭哥调研

Qwen-Image-2.1:版本号从3.0跳回2.1,一个模型把生图、改字、抠透明底全包了

Qwen 团队于 2026 年 9 月 20 日上线并开源图像生成模型 Qwen-Image-2.1,视觉生成部分为 7B 参数量的单流扩散变换器,输入端搭配 Qwen3-VL 解析多模态提示词,输出端接入 64 通道自编码器处理透明通道。

推荐理由:Qwen团队开源Qwen-Image-2.1,把文生图、局部编辑与透明底生成收进同一管线,版本号从3.0回落到2.1,对应闭源商业与开源研究两条产品线并行的发布形态。

The Verge · AI

Meta 要把 Muse AI 助手塞进智能眼镜,喊名字就能唤醒

Muse 上线才两周,Meta 就说正在把它往智能眼镜里搬,包括 Connect 大会上新发布的款式。用法很简单:喊一声 Muse,就能让它带着你做运动、记吃了什么,或者帮你看看眼前的东西值不值得买。眼镜还会加一个听力增强功能,Meta 说已经过了 FDA 认证,给轻度到中度听损的成年人用。不过正文没提什么时候上线,也没说哪些型号能用上 Muse。

推荐理由:Meta 宣布正把上线两周的 Muse 助手接入智能眼镜,用户喊名字就能让它带练、记餐或比价,眼镜同时加入面向轻中度听损成人的听力增强功能。

9月23日星期三

AI HOT 精选

小米发布 MiMo-V2.6 Pro 与 Flash 开源全模态模型,Pro 在多数 Agent 基准上对标 Claude Opus 5 和 GPT-5.6 Sol

小米发布开源全模态模型 MiMo-V2.6 Pro 与 Flash,通过规模化强化学习训练。Pro 在 Artificial Analysis Intelligence Index 得分 46,为开源模型中最高,并在多数 Agent 基准上表现与 Claude Opus 5 和 GPT-5.6 Sol 相当。

推荐理由:小米开源全模态模型 MiMo-V2.6 Pro 与 Flash,Pro 在多数 Agent 基准上对标 Claude Opus 5 和 GPT-5.6 Sol,Intelligence Index 得分 46 为开源模型中最高。

AI HOT 精选

Qwen-Image-2.1 在 Arena 图像编辑和文生图两个开源榜都拿了第一

通义千问的 Qwen-Image-2.1 在 Arena 的图像编辑和文生图榜单上都是开源模型第一。图像编辑得分 1367,总榜排第 16,只比第 15 名的 GPT-Image-1.5-high-fidelity 低 3 分。正文没提参数量、模型架构和具体开放时间,这点先别太激动。

推荐理由:Qwen-Image-2.1 在 Arena 图像编辑与文生图两个开源榜均列第一,图像编辑 1367 分排总榜第 16,与第 15 名 GPT-Image-1.5-high-fidelity 相差 3 分。

9月22日星期二

AI HOT 精选

Qwen-Image-2.1 开源,图像编辑榜排开源第一,总分只比 GPT-Image-1.5 高保真版低 3 分

通义千问把 Qwen-Image-2.1 的权重放出来了。在 Arena 的图像编辑榜上拿了 1367 分,开源模型里排第一,总榜第 16。这个分数离第 15 名的 GPT-Image-1.5-high-fidelity 只差 3 分,差距很小。文生图榜也拿了开源第一。正文没提参数量、具体架构和用的什么开源协议,这些关键信息得等后续披露。

推荐理由:通义千问开放 Qwen-Image-2.1 权重,该模型在 Arena 图像编辑榜以 1367 分居开源第一,与第 15 名 GPT-Image-1.5 高保真版仅差 3 分。