Google 发布图像模型 Nano Banana 2.1，价格约为前代一半
Google 发布图像生成与编辑模型 Nano Banana 2.1，取代 2026 年 2 月发布的 Nano Banana 2，价格约为前代一半，1K 图像从 6.70 美分降至 3.36 美分，4K 从 15.10 降至 7.56 美分。
#多模态
#多模态
今日 1 条10月7日
Google 发布 EmbeddingGemma 2 多模态嵌入模型
Google 发布开源多模态嵌入模型 EmbeddingGemma 2，可将文本、图像、视频、音频和代码转换为数值向量，参数量 7.4 亿。Google 称其在多模态嵌入基准上超过参数量两倍的竞品，在 Massive Text Embedding Benchmark (Code) 上得分 78.68，比前代 68.76 提升近 10 分。
Google DeepMind 发布 EmbeddingGemma 2 开源多模态嵌入模型
Google DeepMind 发布 EmbeddingGemma 2，一个基于 Gemma 4 架构、Apache 2.0 许可的开源多模态嵌入模型，可把文本、图像、音频和视频映射到统一嵌入空间。
苹果、Google 正重新定义"录制"：AI 硬件不存视频只生成文字，还算录音录像吗
苹果正研发一款不保存视频的智能家居摄像头，改用 AI 将画面转成文字描述，并支持人脸识别；Google 可穿戴设备负责人 Sandeep Waraich 也提出智能眼镜摄像头只做图像传感器、不存片段。
Simon Willison 测试 Claude Opus 5.5 作曲能力：生成可播放游戏音乐的 artifact
Simon Willison 让 Claude Opus 5.5 设计一种简单的文本音乐格式，并构建一个能将其播放出来的 artifact，还要求示例曲目达到初代《猴岛小英雄》的水准。结果成品比他预想的更贴近猴岛主题，但质量出奇地好。他由此猜测，文本模型作曲可能类似此前的 3D 图形能力，是近几个月才涌现的新能力，但需要更多实验验证。
10月6日
Mistral 发布万亿参数模型 Mistral Large 4，主打安全任务
Mistral 发布迄今最大模型 Mistral Large 4（ML4），拥有 1 万亿参数、490 亿激活参数，已在 Mistral Studio 开放 API 预览，权重预计 10 月底发布。
Pinterest 用 AI 把美妆 Pin 图变成可执行的美发美甲方案
Pinterest 推出由视觉智能与生成式 AI 技术 Pinterest Intelligence 驱动的 Beauty Guides，可将美发美甲类 Pin 图转化为沙龙可用的术语和方案。用户点击应用内“Get the Guide”按钮即可查看具体该怎么说、耗时、价格区间及修剪补色等维护要求。该功能上线时支持发型、发色、甲形和甲面效果相关 Pin 图。
Mistral 发布 1T 参数多模态模型 Mistral Large 4
法国 AI 实验室 Mistral AI 于周二发布 Mistral Large 4（ML4），一款 1 万亿参数的大型多模态模型，昵称 Le Chonk，目前仅通过公开的 guardrail endpoint 访问，权重计划在三周后安全测试完成后开放。
Mistral 发布 Mistral Large 4 公开预览，1 万亿参数原生多模态
Mistral 发布 Mistral Large 4 公开预览，这是一个 1 万亿参数、49B 激活参数的原生多模态模型，可在 Mistral Studio 试用预览 API，权重将于本月底发布。
Reka AI 发布 190 亿参数全能模型 Rho-1，统一处理文本、图像、视频与机器人控制
Reka AI 发布 Rho-1 研究预览版，这是一个 190 亿参数的全能模型，可在单一神经网络中处理并生成文本、图像、视频和机器人控制动作。与多数将任务分派给专用模型的系统不同，Rho-1 把所有模态作为 token 放在同一个共享上下文窗口中运行，无需工具调用或外部模型，并能实时生成连续视频、在不重启的情况下响应新指令。
10月3日
AI 智能体从照片生成 3D 场景，却无法判断自己是否做对
研究团队提出 Image-to-Code 方法，让编码智能体从单张照片编写可执行的 Blender 程序，并迭代修改直到场景匹配原图。为评估效果，团队构建 LEGO-Bench，包含 104 个室内外场景的 208 张图像和 443 个注册资产，从有效性、几何精度和外观相似度三方面打分。
10月2日
Black Forest Labs 发布 Flux 3 Image，支持多步编辑且不改动画面其余部分
Black Forest Labs 发布 Flux 3 模型家族的图像部分 Flux 3 Image，官方称其支持多步编辑且不改变图像其他部分，覆盖文生图、图生图、文字渲染和照片级真实感。用户可用边界框构图、最多引入十张参考图，输出最高 4K；目前提供免费 demo，API 在 10 月 8 日前五折。企业可授权商用权重在自有基础设施上运行和微调，开放权重版本预计未来几周推出。
ChatGPT 上线虚拟试穿与商品收藏功能
OpenAI 宣布在全球范围上线两项 ChatGPT 购物功能，包括虚拟试穿服饰与配饰，以及可保存商品的收藏功能。虚拟试穿以购物结果中的 Try On 按钮呈现，用户可上传自拍或全身照查看上身效果，也可上传商品图片让 ChatGPT 试穿。OpenAI 称新功能基于新发布的 ChatGPT Images 2.5 模型，该模型在光照、纹理和编辑指令遵循上有所改进并降低了图像生成延迟。
Google 在 Gemini Live 上线 Guided Vision 实时视觉描述功能
Google 在 Gemini Live 中推出 Guided Vision，今日起在兼容的 Android 设备上线，通过共享摄像头让 AI 对镜头中的内容进行实时语音描述，可用于朗读小字、描述周围环境、寻找或识别物体以及说明物体细节。
10月1日
OpenAI 发布 Dots 智能体，对标 Meta Muse 但仅限付费用户
OpenAI 在 DevDay 上发布由 GPT-6 Astra 驱动的智能体 Dots，可执行长周期知识工作任务，目前仅面向每月 20 美元的 Pro 及以上订阅用户开放。
Google 发布 Gemini 4 Argon，称其为迄今最强模型
Google 母公司 Alphabet 发布 Gemini 4 Argon，称其可处理编码、研究和写作等任务，并专门针对防御性网络安全训练，能自主发现、验证和修补关键软件漏洞。
Google DeepMind 发布 Gemini 4 Argon 前沿模型
Google DeepMind 发布新前沿模型 Gemini 4 Argon，先向 Fairwind Program 的可信网络防御方开放，后续将面向开发者、企业和消费者推出，起步价为每百万输入 token 2 美元、每百万输出 token 10 美元。
9月29日
Condé Nast 如何用 Amazon Bedrock 构建多模态视频检索
Condé Nast 与 AWS 生成式 AI 创新中心（GenAIIC）合作，基于 Amazon Bedrock 和 Amazon OpenSearch Service 构建多模态视频检索方案，并选用 TwelveLabs Marengo 嵌入模型联合编码画面、音频与转录文本。
微软研究院发布 Quine：面向生物学复杂性的 AI 研究系统
微软研究院发布 Quine，一个面向生物学复杂性的 AI 研究系统，由跨序列、结构、功能、细胞状态和成像等多模态数据训练的生物世界模型，以及连接模型、科学工具、文献和实验人员的交互式 harness 组成。
Marissa Mayer 推出照片驱动 AI 助手 Dazzle，从相机胶卷读懂你的生活
前 Yahoo CEO Marissa Mayer 推出个人 AI 助手 Dazzle，它不读取邮件和日历，只通过分析手机相机胶卷来理解用户的爱好、饮食与风格偏好。
AMD 以 82 亿美元收购 World Labs，Atlas 解决稀疏重建问题
AMD 以 82 亿美元收购 World Labs。World Labs 自 2024 年成立以来构建了图像、视频和空间重建的模型训练团队，并通过收购 SceniX 推进机器人仿真能力。其近期发布的 Atlas 是一种 omni 模型架构，可从 2D 图像输入预测新视角，结合生成模型与多视图几何，解决了计算机视觉中长期存在的稀疏重建问题，在机器人、设计、工程和科学等领域有直接应用。
AINews：Opus 5.5 擅长生成讲解视频
Latent Space 的 AINews 汇总 9/24-9/25 动态，指出 Opus 5.5 本周发布后社区反馈积极，尤其在用代码生成讲解视频上表现突出。
AMD 以约 82 亿美元全股票交易收购 World Labs
AMD 宣布以约 82 亿美元全股票交易收购李飞飞联合创办的 AI 研究实验室 World Labs，交易预计年底前完成。World Labs 于 2024 年成立，数月内估值达 10 亿美元，2025 年推出首个商业产品 Marble，可根据提示词生成可交互 3D 世界。
微软亚洲研究院新加坡分院成立一年：推进前沿 AI 研究、合作与人才培养
微软亚洲研究院新加坡分院（MSRA – Singapore）作为微软在东南亚的首个研究实验室，成立一年来聚焦下一代 AI 模型与智能体系统、领域 AI、AI 原生研究实践及生态人才四大方向。实验室与新加坡医疗生态合作探索多模态医疗 AI 与自演化诊断智能体，并联合 EDB 于 2026 年 2 月举办物流与交通 AI 高管圆桌会。
9月26日
在 Amazon SageMaker HyperPod 上用 SkyRL 加速多模态 RL 训练
在 Amazon SageMaker HyperPod 上使用开源 RL 框架 SkyRL，通过 GRPO 对 Qwen3-VL-8B 视觉语言模型进行多模态强化学习后训练，在固定 64 个迷宫评测集上把解迷宫成功率从 43.75% 提升到 95% 以上。
9月25日
Runway 发布 GWM Worlds 2 与 WorldPrompt，详解实时世界模型工程
Runway 推出 GWM Worlds 2 研究预览，把高保真视频与音频生成变成实时交互式模拟，并引入 WorldPrompt 这一输入格式，可固定首帧等环境要素并生成带时间戳的事件。
Google Research 发布长视频生成研究：AI 视频联合导演与四个智能体框架
Google Research 发布长视频生成研究，提出 AI 视频联合导演这一多智能体编排框架，构建在 Gemini 与 Veo 之上，用于规划多镜头叙事的视觉连续性。
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，形成能听、能看、能说的动态视觉形象，即日起在 Gemini Enterprise 上线。
9月24日
Liquid AI 发布 LFM2.5-VL-DSpark 草稿模型，为 LFM2.5-VL-3B 加速推理
Liquid AI 为视觉语言模型 LFM2.5-VL-3B 发布实验性 DSpark 草稿模型 LFM2.5-VL-DSpark，通过投机解码在不改变输出质量的前提下提速，端侧解码最高 3.13x、H100 上最高 2.66x，端到端最高 2.62x 和 2.27x。
Meta 将 Muse 助手接入 Ray-Ban 眼镜等可穿戴设备
Meta 在周三发布了一款不带摄像头的 Ray-Ban 眼镜，用户只能通过语音与 Meta 的 AI 交互，同时推出 Ray-Ban 新镜框和更便宜的 Meta 眼镜系列。
Meta Connect 2026：Muse 智能体、眼镜硬件与实时语音
Meta 在 Connect 2026 上把 Muse 定位为个人智能体，并围绕它发布硬件与功能更新：Muse 支持语音与实时视频，可后台执行任务，将登陆所有 Meta 眼镜；每台 Muse 拥有独立邮箱地址，Mac 版支持 computer use，连接器平台已有 1500+ 应用。
9月23日
Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS
Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款语音生成模型，前者面向角色设计与逐行表演指导，后者面向高并发配音与语音智能体。
NVIDIA 与合作伙伴在新加坡 AI Day 展示东南亚 AI 进展
NVIDIA 在新加坡 AI Day 上联合合作伙伴展示东南亚 AI 落地进展，新加坡 HTX 正基于 Nemotron 3 Super 与 Nemotron 3 Nano Omni 模型研究公共安全 AI。
9月22日
小米发布 MiMo-V2.6-Pro 1T-A42B 开源全模态模型，训练成本约 300 万美元
小米发布 MiMo-V2.6 系列，包含全模态模型 MiMo-V2.6-Pro 与 MiMo-V2.6-Flash，并推出输出速度最高提升 20 倍的 MiMo-V2.6-Pro-UltraSpeed。
9月3日
Google DeepMind 发布 WeatherNext 3 全球天气预报 AI 模型
Google DeepMind 与 Google Research 发布 WeatherNext 3，称其为目前最先进、最准确的全球天气模型，直接学习实时对地静止卫星数据，每小时生成一次预报，关键地表变量分辨率达 5 公里，整体比 WeatherNext 2 清晰约五倍。
Hugging Face 发布 NeoMME：260M/800M 多模态多语言编码器
Hugging Face 推出 NeoMME 系列多模态多语言编码器，含 260M 和 800M 两个规模，用单个双向 Transformer 同时处理文本 token 与 32×32 图像 patch，从零以掩码离散扩散目标训练，不依赖预训练视觉塔或因果语言模型。
9月2日
Google DeepMind 为 Gemini 3.7 Flash 等模型推出智能体视频理解功能
Google DeepMind 在 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 上推出智能体视频理解功能，视频分析 token 消耗最多降低 88%、成本最多降低 66%、准确率最多提升 7%。
8月28日
Google DeepMind 发布 Gemini Omni 1.1 Flash
Google DeepMind 发布 Gemini Omni 1.1 Flash，为开发者带来更可控的生成视频能力，通过 Gemini API 在 Google AI Studio 提供。
8月26日
Google 推出 AgentHands：为 XR 智能体对话生成空间化手势
Google 发布研究原型 AgentHands（论文发表于 CHI 2026），可将 LLM 的推理输出映射为 XR 头显中与语音同步的手势动画，让智能体在 3D 空间里指点、演示物体操作。系统包含环境感知、手势事件库、手势嵌入推理与本地同步执行四个模块，支持递指、象形和表达三类手势。在 N=12 的用户研究中，AgentHands 相比纯语音基线在空间指代效果上有显著提升。
8月17日
Google Research 提出 PhotoScan：用手机照片估算体成分并预测胰岛素抵抗
Google Research 提出 PhotoScan，一个可从普通 2D 手机照片估算体脂率、A/G 比值和 V/S 比值的深度学习框架，用于预测胰岛素抵抗。