文本之外的能力：视觉理解、图文混合、音视频输入输出的模型与产品进展。
谷歌发了 Gemma 4 系列的新成员，一个 120 亿参数的中等尺寸模型。它主打本地运行，16GB 显存或统一内存的笔记本就能带起来。架构上没走传统多模态那套编码器路线，直接原生支持音频输入，还带了一个叫 MTP 的推测解码模块来压延迟。模型用 Apache 2.0 协议开源。不过正文因为环境验证没加载出来，具体跑分、训练数据、实际推理速度这些关键信...
推荐理由：Gemma 4 12B 的卖点很直给：一个不算小的模型，能在普通笔记本上跑，还用了 Apache 2.0 协议。这对想自己折腾、又不想被云服务绑住的开发者来说，是个实在的更新。我会先打个折，正文没提具体推理速度和实际任务表现，光看参数和硬件门槛还不够，得等实测。但就凭“16G 笔记本能跑”这个钩子和宽松的开源协议，值得推给关注本地部署和成本控制的读者。
小鹏在 CVPR 2026 上公开了他们的世界模型技术栈，包含 X-World、X-Foresight 和 X-Cache 三个部分。X-Cache 能砍掉约 70% 的重复计算，相当于让模型推理时少做无用功。第二代 VLA 模型用了超过 4 万亿个 token 训练，这个量级说明训练数据投入很大。车端推理延迟压到了 80 毫秒，对实时驾驶决策来说这个...
推荐理由：我会先打个折，这毕竟是小鹏在顶会上的技术展示，不是独立验证过的第三方评测，所以分数没给到 85 以上。但选题确实抓人：CVPR 舞台上让北美自动驾驶三巨头听一家中国公司讲物理 AI，本身就制造了对比。信息量也够，X-Cache 的七成重复计算缩减、4 万亿 token 的训练规模、80 毫秒的车端延迟，都是能直接拿来讨论的指标。正文没披露 X-Cache 具体在什么场景下测出这个节省比例，也没说 80 毫秒是平均还是 P99，这点先别太激动。整体看，对做自动驾驶和端侧模型的人有参考价值，也踩中了中美技术竞争的神经，所以放在 featured 位置。
Ideogram 发布了 4.0 版本，一个 93 亿参数的开源文生图模型。它把文字和图像信息放在同一条处理流水线上（单流 DiT 架构），并用了 Qwen3-VL-8B 当文本编码器。最突出的能力是能在图里准确写出长段文字，适合做海报和封面。另外，它训练时让模型理解了元素的位置关系，你用提示词就能指定版式和对象布局。在 DesignArena 的人工...
推荐理由：Ideogram 4.0把9.3B参数的文生图模型开源了，架构是单流DiT，在DesignArena人类偏好排名里拿了第4。我会先打个折——正文没披露训练数据规模和具体推理成本，所以实际部署的性价比还不好算。但一个开源模型能在人类评价里挤进前排，说明图像生成的质量门槛又在往下掉，对做应用的人来说是个省钱信号。
英国工党议员 Jess Asato 把马斯克旗下 xAI 告了，起因是系统生成了她的虚假性相关图片。这案子被当成一个测试案例，核心是想搞清楚：AI 模型开发者到底要不要为模型吐出的内容承担法律责任。不过目前公开信息很少——正文没披露具体是哪个模型、图片是怎么生成的、索赔金额多少，也没说法庭排期。
推荐理由：我会先打个折：正文没披露具体是哪个模型、怎么生成的、索赔多少钱，所以信息有缺口。但这件事本身够硬——议员告 AI 公司，而且是在英国拿法律试水，直接问“模型产出谁担责”。FT 的报道把 xAI、马斯克、虚假性影像和法律责任测试绑在一起，话题性很强。因为缺技术细节和金额，分数压在 78–84 这个区间是合理的，不用往上拔。
谷歌在官方博客宣布了 Gemma 4 12B，主打“统一、无编码器”的多模态设计。简单说，它不再像传统模型那样给图片单独配一个视觉编码器，而是让同一个模型直接处理文字和图像。博客里没给架构细节、训练数据、基准跑分、定价和开源协议，只提了一句“能在笔记本上跑高性能多模态智能”。这点先别太激动——12B 参数在笔记本上跑通常需要量化或剪枝，但正文没披露用了...
推荐理由：Google 发了 Gemma 4 12B，说它是统一的无编码器多模态模型，意思是不再单独接一个视觉编码器，结构上更省事。但这条消息目前只有标题和 HN 讨论热度，正文没披露参数量怎么分配、训练用了什么数据、推理成本降了多少，也没给任何跑分。我会先打个折，把它放在 80 分上下，因为钩子够强，但事实太少，不值得冲太高。
谷歌 DeepMind 把 Gemma 4 系列的开源权重挂上了 Hugging Face，一共五个尺寸。其中 12B 这个版本支持文本、图片和音频三种输入，同时放出了指令微调版和预训练版。它原生支持系统提示词和函数调用，上下文窗口最长能到 256K token，意味着一次可以塞进很长的文档或对话记录。不过 Reddit 原帖被网络策略拦截，正文没披露...
推荐理由：Gemma 4 这次把开放权重、多模态和 256K 长上下文一起端上来，比常规版本更新更有看头。我会先打个折：正文没给具体 benchmark 和 license 细节，官方博客也没同步，所以判断先停在 83 分。如果是真的，12B 这个尺寸能跑图、能听音频，对本地玩家挺省钱。
特朗普废掉旧令不到两周，又签了一份新的 AI 行政令。核心变化是：要求科技公司在发布前沿模型前 30 天，自愿把模型交给政府审查，但不设强制许可证。对比之前被搁置的版本（要求提前 90 天提交），这次明显缩水了，不过也算从完全不管迈向了轻度监管。另一条消息是，军工公司 Anduril 和 Meta 正在给美军搞一款 AR 头显原型，想实现用眼球追踪和语...
推荐理由：我会先打个折：行政令是“自愿”送审，不是强制，别当成立法看。但 30 天这个数字给了企业一个明确的时间窗口，比之前模糊的“提前沟通”要具体。另一条更硬——Anduril 和 Meta 的原型头显让士兵用眼动和语音指挥无人机打击，这已经不是实验室概念了。两条放一起，一条在收紧模型发布，一条在把 AI 往杀伤链里塞，反差够大，从业者得知道。
蚂蚁灵波和港科大搞了个叫 LingBot-VA 的模型，把“预测画面接下来怎么变”和“判断该做什么动作”合到一个自回归框架里。论文说，每个任务只用 50 条真实世界的演示数据微调，在 RoboTwin 2.0 的简单和困难设定下，成功率分别到了 92.0% 和 91.1%。不过原文因为微信环境异常没抓到，具体实验细节和泛化边界暂时看不到，这个成功率数字...
推荐理由：标题的“50条数据”是个强钩子，对数据成本敏感的从业者吸引力很大。文章把自回归因果世界模型的机制讲得比较清楚，就是让模型先预测画面变化再决定动作，不是黑箱。但全文只有一篇论文发布，没看到开源代码、实物测试视频或跟主流基线（比如扩散策略）的量化对比，验证强度不够。所以重要性给78，属于值得关注但别急着全信的研究发布。
微软在Build大会上发布了7个MAI系列模型，覆盖文本推理、代码、图像、语音转文字和语音合成。主角是MAI-Thinking-1，一个35B活跃参数的混合专家模型，支持256K上下文窗口。它被定位为微软首个推理模型，训练数据链条干净，没有用任何第三方模型做蒸馏。随模型一起公开的109页技术报告在圈内评价很高，因为透明度给得足。报告里写明，模型的推理能...
推荐理由：我会先打个折：微软这次没公开模型权重、定价，也没给第三方评测结果，所以没法验证它实际有多强。但光凭 7 个模型、35B 激活参数的 MoE、256K 上下文和 109 页技术报告这几个硬数字，信息密度已经够高。加上这事发生在 Build 大会，直接摆在微软自家模型和 OpenAI 依赖的交叉点上，话题性拉满。正文没披露具体 benchmark 分数，这点先别太激动，但作为当天新闻，重要性给到 87 是合理的。
这个框架叫PhysX-Omni，目标是让生成的3D模型直接能进物理仿真跑起来，不用再手动修。它把刚体、软体和关节体三类物体的生成统一到一个流程里，省掉了以前要分开处理的麻烦。配套的PhysXVerse数据集有8700个资产，覆盖2900个类别，规模不小。评测基准PhysX-Bench从几何、尺寸、材质、可交互性、运动学和文字描述六个维度打分，但正文没披...
推荐理由：统一物理 3D 生成这个钩子很清晰，数据集和评测基准的规模也给了实锤，对做机器人仿真的团队确实有用。不过正文没提开源、没提落地案例，也没说生成质量跟现有方案比到底好多少，所以分数先不打满，78 分合理。
xAI 在 API 里放出了 grok-imagine-video-1.5-preview 模型，能把单张静态图片变成一段动态视频。你给它一张起始帧，再用自然语言描述想要的镜头运动、节奏和音效，它就会按你的指令生成一段最高 720p 的短片。官方说模型会尽量保留原图的光影和细节，让视频像是原图的延续，而不是重新画了一遍。它也支持把多段生成视频串起来，拼...
推荐理由：xAI 放出了一个能用的图像转视频 API 预览版，720p 输出加上用自然语言调镜头和音效，功能点很实在。我会先打个折，因为这只是个预览版，不是完整的基础模型发布，所以重要性停在 82 分。
Runway 的 Aleph 2.0 视频编辑功能现在可以通过 API 调用了，你可以把它直接嵌进自己的应用或产品里。它支持对最长 30 秒、1080p 的多镜头视频做局部修改，只动你想改的那部分，其他画面不变。正文没提价格、调用频率限制、处理延迟和地区可用性，这些实际落地要用的信息都还没给。
推荐理由：Runway 是视频生成的核心玩家，Aleph 2.0 把局部视频编辑能力开放成 API，上限拉到 30 秒和 1080p。这是个实用的产品更新，不是模型级大版本发布，重要性中等偏上。
有人在 RTX 4060 Ti 16GB 上实测了 Gemma 4 E4B 模型。用 LiteRT 引擎跑文字生成，平均每秒能出 157.2 个 token，而用 llama.cpp 的 Q4 GGUF 格式只有 66.3 tok/s，快了大约 2.4 倍。不过图片标注任务就没这么乐观了：处理 111 张全分辨率图片，LiteRT 耗时约 72 秒，Q...
推荐理由：这是一篇个人在 Reddit 上发的实测，不是官方报告，权威性有限，所以分数没往上拉。但 H、K、R 三项都站得住：速度对比抓眼球，测试条件和数据都写清楚了，对想在自己机器上跑 Gemma 的人有直接参考价值。我会先打个折，因为只有单卡单次测试，没提功耗和精度变化，但作为一手体验已经够用。
微软在 Build 2026 大会上公布了 Project Solara，一个专门为跑 AI 智能体的硬件设计的操作系统。它底层是安卓，不是 Windows。现场展示了两个概念机：一个是类似 Echo Show 的桌面设备，用人脸识别解锁后可以直接调用各种 AI 智能体；另一个是可穿戴工牌，带摄像头和指纹扫描，能唤醒 AI 智能体。正文没披露具体上市时...
推荐理由：我会先打个折：正文没给发货时间、开发者接口和定价，所以别当产品发布看。亮点是微软在 Build 2026 上拿出的 Project Solara，一个跑在 Android 上的 AI 硬件系统，不是 Windows。现场有两台概念机，一台放桌上的带人脸识别，一台可佩戴的徽章带摄像头和指纹，说明微软在试探 agent 硬件长什么样。系统层面用 Android 意味着生态借力，但也绕开了自家系统，这点挺有意思。隐私那块正文没展开，只提了人脸和指纹，具体怎么处理数据没说。
阶跃星辰发了个新模型 Step 3.7 Flash，把权重开放了，你可以直接下载用。它的定位是给智能体编程场景用，强调工具调用可靠，还能处理多模态输入。同一天 MiniMax 也开源了 M3，两家模型都已经能在 Kilo 平台上跑。正文没披露具体的跑分、参数量或硬件门槛，所以实际快不快、省不省资源还得自己测。
推荐理由：这条消息的钩子在于“开放权重”和“智能体编程”两个点，不是常规发个新版本。我会先打个折：正文没给模型尺寸、跑分、许可证和定价，所以只能算有信息增量但缺关键验证。对开发者来说，能直接下载权重、能调工具、能看懂多模态输入，这几个能力放在一起确实有吸引力，尤其现在大家都在抢智能体编程这条赛道。Kilo 上线也让想试的人有个现成入口。不过没披露性能对比和实际成本，这点先别太激动，等后续数据出来再看值不值得切过去。
NVIDIA 把 Cosmos 3 系列模型挂上了 Hugging Face，这次发了两个尺寸：Nano 版 160 亿参数，Super 版 640 亿参数。它是个全模态世界模型，输入可以混着来——文字、图片、视频甚至动作轨迹都行，输出也不止视频，还能直接吐图片、音频和下一步的动作指令。不过 Reddit 原帖的正文被网络策略挡了，实际跑起来的硬件门槛...
推荐理由：我会先打个折：正文没披露 benchmark 分数、许可证和训练细节，所以不能直接断定它比现有方案强。但 NVIDIA 把 16B 和 64B 两个规格的世界模型公开放在 HF 上，这件事本身就值得从业者看一眼——至少多了一个能本地跑、能接动作输出的多模态基座选项。对做机器人仿真和视频生成的人来说，输入支持动作轨迹、输出能直接给动作指令，说明它不只是生成漂亮画面，而是想往物理交互方向靠。这点先别太激动，因为没看到在真实机器人任务上的验证，但方向对，且开源降低了试错成本。
英伟达要在今年秋天把一台叫 RTX Spark 的 Windows 电脑推向市场。这台机器把一块 Blackwell 架构的 RTX 显卡和一颗 20 核 Arm 架构的 Grace CPU 焊在一起，通过 NVLink-C2C 高速互联，共享 128GB 统一内存。官方给出的 AI 算力是 1 petaflop，号称能在本地跑起 1200 亿参数、上...
推荐理由：英伟达把RTX Spark搬进Windows PC，不是发新模型，而是给开发者一台能本地跑120B模型的机器。1 petaflop算力和128GB统一内存这些数字，说明它想解决本地跑大模型内存不够、上下文装不下的痛点。对从业者来说，这意味着可以省掉一部分云端推理成本，延迟也更可控。不过正文没提具体功耗和价格，实际性价比还得等上市再看。整体是硬件产品更新，不是基础模型发布，所以分数落在78到84之间。
英伟达在台北电脑展上放出了一波开源模型和硬件。Cosmos 3 是一个能同时处理文字、图片、视频、音频和动作的“世界模型”，用了混合 Transformer 架构，把负责推理和负责生成的两个模块拼在一起。它分 Nano（16B）和 Super（64B）两个尺寸，其中 Super 微调后的文生图和图生视频能力，在开放权重模型里直接冲到了第一。Nemotr...
推荐理由：这次发布把视觉世界模型、大语言模型和本地推理硬件捆在一起推，信息密度高。Cosmos 3 的 MoT 架构和两个具体尺寸（16B/64B）给了明确的技术锚点，Nemotron 3 Ultra 的 550B-A55B 开放权重对想自己部署大模型的人是个实在消息。不过正文没给出具体 benchmark 对比或价格，实际效果和性价比还得等上手。整体影响面广，但还没到前沿实验室发新基础模型那种震动级别。
NVIDIA 的 Cosmos 3 在 Artificial Analysis 的开放权重榜单上，文本生图和图片转视频两项都排到了第一。它用了一种叫 Mixture-of-Transformers 的架构，把自回归推理器和扩散生成器拼在一起，有 16B 参数的 Nano 版和 64B 参数的 Super 版。Super 版在两项任务上分别超过了 HiD...
推荐理由：Cosmos 3 在 Artificial Analysis 的开放权重榜上把图像和视频生成的头名都拿了，我会先打个折——这只是单一基准的排名，不代表实际场景一定最强。但亮点在于它直接给了 16B 和 64B 两个尺寸，而且权重、代码、数据、微调方案全开源，这点对想自己训模型的人挺实在。正文没披露训练成本和推理延迟，所以别急着下“省钱”的结论。整体看，这条消息对关注开源多模态竞争的从业者有参考价值，放在 featured 档合适。
Gemini App 发帖演示了用 Gemini Omni 捏一个长相和声音都像你的数字分身，然后直接塞进视频创作里。帖子没提这个功能什么时候上线、要不要付费，也没说怎么防止别人拿你的形象乱用。
推荐理由：我会先打个折：正文只说了 Gemini Omni 能做个人数字分身，没披露上线范围、价格、安全机制或授权流程，所以信息缺口不小。但官方账号自己放出这个功能点，说明产品方向已经定了，对做视频创作和虚拟人业务的人是个明确信号。HKR 三项都踩中：钩子够强，事实够新，风险够直接。因为细节太少，重要性只能给到 74，放在 featured 里当个产品更新提醒，别当成熟方案看。