Liquid AI 发布 LFM3 系列:2B 级统一骨干覆盖文本、视觉、音频、全模态与决策模型
Liquid AI 发布 LFM3 新一代 Liquid Foundation Models,以 LFM3-1.7B-Base 为统一骨干衍生出文本、视觉、音频、全模态和决策共六款 2B 级模型,全部开源权重并已在 Hugging Face 上线。
Liquid AI 发布 LFM3 新一代 Liquid Foundation Models,以 LFM3-1.7B-Base 为统一骨干衍生出文本、视觉、音频、全模态和决策共六款 2B 级模型,全部开源权重并已在 Hugging Face 上线。
Property Finder 发现其评估标签中 96.8% 直接来自现有视觉语言模型的预测而非人工核验,导致任何替代模型在对比中结构性吃亏。团队重新人工标注 356 张 UAE 图像并改用多标签分类,结合 v0 到 v27 的提示词迭代优化,在 Amazon Bedrock 上选出新模型,准确率更高且成本降低 86%。
Google DeepMind 发布世界模型 Genie 4,原生支持多模态,可在生成世界的同时产出音乐、环境音与交互对话,并支持用自然语言实时修改天气、镜头和场景人物。
Google 发布 Genie 4 世界模型,用于生成可交互体验,官方称有四项主要更新:世界更真实、可用自然语言提示实时修改体验、可生成音频,底层使用 Gemini 3.8 Flash 辅助模拟。
Google DeepMind 以研究预览形式发布世界模型 Genie 4,可生成更逼真的交互世界,并支持在模拟过程中输入提示词实时改变场景。该模型还能生成与场景匹配的实时音频,包括音乐、环境音和交互对话,场景一致性最长维持两分钟,是前代 Genie 3 的两倍。
OpenAI 发布 GPT-6.1 Terra,官方称其结合细致的视觉推理与精确的电脑操作,并具备更清晰自然的写作能力,相比 GPT-5.6 Terra 有明显提升。
Google Research 与 Google for Health 团队在 IDWeek 2026 上分享了结核病筛查 AI 从研究走向临床的路径:2019 年在 Radiology 发表基准,2024 年在 NEJM AI 完成多站点前瞻验证,随后由南非公司 Nexus AI 转化为通过 CE MDR class IIb 认证的临床诊断工具。
Canva 发布首个自研图像生成模型 Craft,由其内部实验室 Canva Research 从零训练,主要使用数百万份设计模板而非照片作为训练数据。Craft 先生成构图、比例和文字,再输出最高 2K 分辨率、覆盖 30 多种宽高比的图像,支持 55 种语言的文字渲染,并可通过 Magic Layers 拆分为可编辑图层。
Canva 发布首款自研图像生成模型 Canva Craft,采用两阶段架构,先规划设计再生成图像,官方称可获得更高的精度、一致性和控制力。
Allen AI 发布 OlmoEarth v1.3 卫星嵌入模型,读取一年的 Sentinel-1、Sentinel-2 和 Landsat 时序数据,为地球上每 10 米像素生成 128 维向量,前 64 维可单独使用。
Google DeepMind 与 Google Research 联合 WRI、IIASA 发布 Forest Typology(ForTy)2020,把全球每一块 10×10 米土地划入六类森林与土地利用类型,作为欧盟无毁林法规(EUDR)的关键基线。
NVIDIA 正以开放模型和物理智能改造欧洲零售:Shopify 用 NVIDIA Nemotron 3.5 Lightning 后训练出 GraphQL 子智能体,内部基准上准确率超过领先前沿模型,服务成本降低 90%、响应快 7 倍。
Google Research 在 JAMA Network Open 发表研究,评估 AI 模型基于盲扫超声估算孕周在不同临床环境与硬件上的泛化能力。
Kling AI 发布 4.0 版本,单次可生成最长 30 秒视频,支持最多 10 张关键帧图像输入,提示词理解扩展到 8,000 tokens。新版本加入双声道立体声和十余种语言的口型同步,Omni Reference 单次最多接受 15 个参考素材,并推出最高 720p、20 秒的轻量 Flash 版。Kling 4.0 可通过 MCP 和 CLI 接入,API 定价尚未公布。
TwelveLabs 的 Pegasus 1.5 视频语言模型已在 Amazon Bedrock 上线,可将长视频转为带时间戳的结构化 JSON 元数据。新版本新增视频分段、结合参考图像的多模态提示词和免预索引的即时处理,单次请求可分析最长两小时的视频,较 Pegasus 1.2 的一小时翻倍。
Elorian 发布首个模型 Glimpse,以研究预览形式开放 API,聊天界面需排队。Glimpse 在推理过程中可裁剪图像区域、从视频抽取特定帧或运行代码测量比较,Elorian 称这一机制为视觉草稿空间。该模型定价为输入每百万 token 0.60 美元、输出每百万 token 3 美元,据 Elorian 的评测,其在科学图表推理和短视频描述上超过 GPT-6 Astra。
Meta 发布开源权重模型 Muse Spark Open,称其为美国最强开源权重模型,面向编码与智能体任务,拥有 8160 亿参数(激活 420 亿)、最高 100 万 token 上下文,支持文本、图像、视频和音频。
Meta 发布开放权重模型 Muse Spark Open,称其为美国“最强”开放权重模型,拥有 8160 亿参数和 100 万 token 上下文窗口,原生多模态,面向复杂编码任务和智能体工作。
Nvidia 发布 Nemotron 3.5 Super VL,一个 1200 亿参数的开源多模态模型,面向持续在后台运行的企业智能体,处理文本、图像、文档和视频。
Meta 发布开源权重模型 Muse Spark Open,采用 MoE 架构,总参数约 816B、每 token 激活约 42B,支持文本、图像、音频和视频输入,上下文窗口最高 100 万 token。
Google DeepMind 介绍用智能体开发平台 Google Antigravity 加速抗菌肽发现,把原本分散在多个数据库的检索压缩到单次会话中。该平台结合可从氨基酸序列预测生物功能的模型 ProtNLM,扫描 UniProt 中数百万条未表征蛋白质,找到一条对呼吸道感染相关病原体有预测活性的新型抗菌肽候选,目前正进行湿实验验证。
Meta 的编码优化开源权重模型 Muse Spark Open 已在 Amazon SageMaker JumpStart 上线,支持 100 万 token 上下文窗口,采用 MoE 架构,总参数 816B、每 token 激活 42B,可接收文本、图像、文档、音频和音视频输入并输出文本。
Meta 发布 Muse Spark Open 模型,称其是迄今能力最强的美国开源权重模型,也是同类中首个能在桌面端运行、需两台搭载最新 MLX 框架的 Apple M5 Ultra Mac Studio 的模型。
Black Forest Labs 发布 FLUX.3 Image Klein,一个模型同时支持文生图、多参考图生图和边界框布局控制,并在 Diffusers 首日上线。
NVIDIA 发布 Nemotron 3.5 Super VL,这是一个 120B 参数的开源多模态模型,面向持续在线的专用智能体,官方称其吞吐量最高可达同类模型的 5 倍。
The Verge 报道称,一个拥有超百万粉丝、带蓝色认证的 Instagram 账号发布了 AI 生成的演员 Mia Goth 图片,获近 50 万点赞,Instagram 最终以冒充公众人物为由删除该账号。
Apertus 1.5 在 8B 和 70B 两个规模上扩展了 Apertus 1.0,新增图像与音频理解、可选思考模式、4 倍长的上下文窗口(262,144 tokens)、更好的指令遵循和工具调用能力,权重于 2026 年 7 月 24 日以 Apache 2.0 许可发布在 Hugging Face。
Google Research 在 Research@ 活动上公布 10 项进展,包括扩展 Google Earth AI 早期访问、向公众开放 Deep Review、以及将 TimesFM 和 TabFM 集成进 Gemini for business。
Meta AI 发布 Muse Wonder 和 Muse Wonder Full,称其为目前能力最强的模型,Artificial Analysis 将 Muse Wonder(Max)评为与 GPT-6.1 Sol 相当。
Simon Willison 为 llm-gemini 插件加入对 Gemini 4 Argon 的支持,该模型今日通过 Gemini API 和每月 100 美元订阅计划开放。
Google DeepMind 发布 Gemini 4 Argon,今日通过 AI Studio 和 Gemini 平台的 API 面向开发者与企业开放,Google AI Ultra 订阅者可在 Google Antigravity 使用,Ultra 和 Pro 订阅者可在 Gemini 应用和 Search 的 AI Mode 使用。
Google DeepMind 发布 Gemini 4 Argon,主打物理理解、代码生成与视觉语义推理,在 Embodied Reasoning(ERQA)基准上以纯推理取得 87%,称超过其他前沿模型。
Odyssey 面向公众开放世界模型 Odyssey-3 的研究预览,用户可用文本提示生成可实时探索的交互环境,免费在线演示基于 Odyssey-3 Flash,开发者可申请 API 访问。
Anthropic 的 Claude Science 首次绘制出完整的紫外天空图。该项目由 Claude Science 协调多个 AI 智能体,从多个太空任务下载数据、进行校准并合并,再用 inpainting 技术补全缺失区域;测试中预测值与实际测量平均偏差约 10%。
OpenAI 在 ChatGPT 中推出 Intelligent UI 功能,让回答可以结合图表、表单、可点击按钮等交互式视觉元素,该更新与 GPT-6 一同向所有用户推送。
Google 将 SynthID Detector 开放给公众,任何人都可以检测图片、视频或音频是否由 Google 及其合作伙伴的 AI 生成。该工具可识别 Gemini、Veo、Lyria 等模型嵌入的隐形水印,支持 JPG、PNG、MP4 和 MP3 格式。
Liquid AI 发布 d1 决策模型家族的两款开源权重模型 d1-3B 和 d1-omni-600M(实验性)。d1-3B 在 Decision Index 0.2.1 上得分 48.57,为 10B 以下最佳,支持文本与图像;d1-omni-600M 支持文本加图像或文本加音频。
OpenAI 推出名为 Intelligent UI 的新界面,随新 GPT-6 模型于周三开始推送,在对话中大量加入可交互的按钮、定制计算器、交互式图表和可编辑图形等元素。
Google 宣布其 SynthID 检测器现已支持所有合作方的水印,并上线独立网站 SynthID.com 供任何人使用。SynthID 是编码在 AI 生成图像、视频像素和音频波形中的隐形信号,Google 称仅 Gemini 就已为超过 1800 亿张图像和视频、以及 24 万年时长的音频集成 SynthID。
Google 周二上线新网站,任何人都可以验证图像、视频或音频是否由 AI 生成,此前该工具仅向部分记者、媒体从业者和研究人员开放测试。网站支持 JPG、PNG、MP4、MOV、WAV、MP3 等多种图像、视频和音频格式,检测基于 Google 2023 年推出的 SynthID 水印技术。