Anthropic 发布 Claude Fable 5.2，用代码逐笔作画而非扩散生成
Anthropic 发布新语言模型 Claude Fable 5.2，它不依赖外部图像模型，而是用 1000 到 2000 行 Python 代码驱动模拟绘画引擎，逐笔在虚拟画布上作画。
#多模态
#多模态
今日 1 条11月16日
11月15日
美团开源 1.6 万亿参数智能体模型 LongCat-2.5，全程未使用 Nvidia GPU
美团 LongCat 团队在模型亮相一周后开源了 1.6 万亿参数的 LongCat-2.5 权重，该模型面向长链路自主任务尤其是编码场景。它是 MoE 架构，每个 token 约激活 480 亿参数，API 支持 100 万 token 上下文和最长 128000 token 输出，可理解文本、图像和视频，并支持开关推理。
11月13日
Microsoft Research Focus 第 98 期：AI 通用翻译、31 年数学难题与编码智能体效率
Microsoft Research Focus 第 98 期聚焦多项研究进展：AI 语音翻译推动通用翻译落地，新研究解决了高维几何领域悬置 31 年的 KLS 猜想，其证明已通过计算机辅助形式化验证。
Google DeepMind 发布 Gemini 4 Hydrogen 模型
Google DeepMind 发布 Gemini 4 Hydrogen，面向日常编码与智能体工作流，在默认 high 思考级别下以 51 分超过 Argon 的 50 分，xhigh 级别可达 54 分。
11月12日
Google 发布 Gemini Decision 1 决策模型与 Decisions API
Google 发布 Gemini Decision 1 及配套 Decisions API，支持是/否、多选和评分量表等闭集决策，单次请求最多 1000 个问题、255 个多选选项，输入支持文本、图像、音频、视频和 PDF，上下文 256K，端到端返回耗时 150–250ms 并附带置信度分数。
Google 发布 Gemini Decision 1 决策模型 API
Google 推出 Gemini Decision 1，加入 Jev 和 OpenAI 所在的决策模型类别，支持是/否、选择和评分三种提问类型，是/否问题沿用 Jev 的 Noul 术语。
11月11日
Adobe 展示 AI 实验项目：在照片中行走、与角色对话试镜
Adobe 在年度 Max 大会上公布多项实验性 AI 工具，包括 Project Screen Test 可通过对话塑造 AI 角色并生成试镜视频，Project Sight Span 能把平面图像转为可自由移动视角的 3D 场景。
Gemini 4 Carbon 向所有用户开放，llm-gemini 0.36 同步支持
Gemini 4 Carbon 两周前仅向部分网络安全防御者开放，今天已向所有用户开放。该模型定价为输入 $2/百万 token、输出 $10/百万 token，并将于 12 月 1 日翻倍至 $4/$20。
DeepMind 发布 Gemini Robotics 2.5 与开源安全基准 ASIMOV-jailbreak
Google DeepMind 发布 Gemini Robotics 平台 2.5 版本，称其在需要高灵巧度的任务上明显提升，并在 200 多项活动中完成评测，包括用夹子分餐和使用移液管。
11月10日
Google DeepMind 发布 Gemini Robotics 2.5 视觉-语言-动作模型
Google DeepMind 发布 Gemini Robotics 2.5，称其为目前能力最强的视觉-语言-动作（VLA）模型，在 200 项任务上相比此前基线成功率提升 30% 至 100%，完成任务速度快 20% 至 30%。
Otter.ai 新增多语言转录功能，支持 30+ 种语言
Otter.ai 宣布扩展多语言能力，新增可在同一场会议中跟随说话人语言切换的多语言转录功能，并新增 27 种语言支持，完成后共支持 31 种语言。其中 13 种语言已上线，包括中文、韩语、德语、意大利语、粤语等，其余 14 种即将推出。新语言基于 Otter 自研语音模型，使用公开数据集训练并由母语志愿者校对转写准确率。
Simon Willison 用 Claude Fable 5.2 制作 Yonkers 巨型机甲 3D 动画
Simon Willison 用 Claude Fable 5.2 Medium 生成了一段 Three.js 动画：以 Yonkers 边界为轮廓的巨型机甲从地面站起，踏遍曼哈顿、布鲁克林、皇后区和布朗克斯，并配有踩踏计数与机甲高度读数。动画基于 OpenStreetMap 地图数据，包含起身序列和循环踩踏巡游，每步都会压平建筑，状态栏随其行经陆地或涉水而变化。
Google 推出 Language Explorer，可视化呈现全球语言多样性
Google 上线 Language Explorer 交互式网页平台，基于开源 LinguaMeta 数据集汇集数千种语言数据，供研究者、教育者和语言爱好者探索全球语言多样性。
NVIDIA Nemotron 3.5 Super VL 上线 Amazon SageMaker JumpStart
NVIDIA Nemotron 3.5 Super VL 已在 Amazon SageMaker JumpStart 上线，可通过 SageMaker Studio 或 Python SDK 部署。
Disney 联手 Adobe Firefly 打造品牌安全的定制 AI 模型
Disney 与 Adobe 达成多年合作，将用 Adobe Firefly Foundry 为 Disney 品牌构建定制 AI 模型，训练数据涵盖 Disney 角色、场景与视觉风格，以产出可商用、可直接投入制作的内容。
Meta 发布轻量模型 Muse Ember，面向智能体执行
Meta Superintelligence Lab 发布轻量模型 Muse Ember，输入价格为每百万 token 10 美分，主打工具调用、编码子任务、路由、抽取和长文档解析等智能体高频工作。
Disney 与 Adobe 合作开发生成式 AI 工具
Disney 与 Adobe 宣布多年合作，将共同开发基于 Adobe Firefly Foundry、以艺术家为主导的专有生成式 AI 模型，用于 Disney 的主题公园、邮轮业务和 ESPN 内容。
11月6日
Thinking Machines 发布 Inkling 2 Small，称其为最强西方开源权重模型
Thinking Machines 发布第二代模型 Inkling 2 Small，这是一个 MoE 模型，总参数 594B、激活参数 17B，支持文本与图像输入，并可调节思考深度。
Thinking Machines 发布 Inkling 2 Small：594B 总参数 17B 激活，68 小时预训练
Thinking Machines 发布 Inkling 2 Small，这是一个 594B 总参数、17B 激活的多模态 MoE 模型，支持文本与图像输入、1M 上下文窗口，已在 Tinker 上线，Apache 2.0 权重承诺在下周外部安全测试完成后放出。
NVIDIA 发布 Cosmos 3 四个开放权重模型，用于交互式世界仿真
NVIDIA 在 Cosmos 世界模型平台下新增四个开放权重 checkpoint，均基于 Cosmos 3 Nano 后训练、含 16B 可训练参数，采用允许商用与非商用的 OpenMDW1.1 许可。
Meta 向美国用户开放 Muse AI 形象视频通话功能
Meta 宣布 Muse Voice 功能已向美国所有用户开放，用户可与消费级 AI 智能体 Muse 进行语音通话和视频聊天。
Google DeepMind 发布 Gemini Omni 1.2 Flash，支持 15 秒视频并降价 30%
Google DeepMind 发布 Gemini Omni 1.2 Flash，视频生成时长从 Omni 1.1 的 10 秒提升到 15 秒，可按 1 秒步长指定 3 至 15 秒，720p 价格下调 30% 至每秒 $0.07，并通过 Gemini API 和 Gemini for business 全面开放。
Amazon Marketplace 如何用 Amazon SageMaker AI 评估内容质量
Amazon Marketplace 用视觉语言模型（VLM）将完整商品详情页渲染为单张快照做整体质量评估，再把 VLM 语义评分与 OCR 可读性信号输入基于专家标注训练的 CatBoost 分类器，并用 SHAP 解释评分、生成改进建议。该多模型融合方案在 Amazon SageMaker AI 上实现从数据接入、标注到模型托管与生产监控的端到端流水线。
腾讯发布 Hy4 模型，首次支持图像理解与电脑操作
腾讯发布 Hy4 模型，首次具备图像理解能力并可自主操作软件，权重将在稍后未指定日期开放，目前仅通过腾讯云、OpenRouter 和元宝等腾讯应用提供。腾讯称在近 600 项真实金融任务上领先 DeepSeek V4.1 Flash、Kimi K3.1 Pro 和 GLM-5.3 Flash，联网搜索幻觉率从近 16% 降至约 5%。
Google 研究用智能手表传感器识别高血压迹象
Google Research 在 Nature 发表研究，提出多模态 AI 系统 AI-PPG-ACC-HTN，利用智能手表的光电容积脉搏波（PPG）与加速度计（ACC）信号被动识别高血压状态，无需袖带校准。
11月5日
ChatGPT 基于 OpenAI Images 2.6 模型支持生成动图 GIF
ChatGPT 现已支持生成动图 GIF，该功能基于 OpenAI 新的 Images 2.6 模型，正向网页、桌面和移动端的全部 ChatGPT 与 Codex 用户推送。
Google Research 提出 Agile Deliberation：让 AI 帮人厘清主观概念的边界
Google Research 提出 Agile Deliberation 框架，把主观视觉分类器的构建拆成概念界定与概念迭代两阶段，由 VLM 主动挑出语义边界模糊的图片，让用户澄清自己的定义，反馈再进入自动提示词优化循环。
11月4日
Amazon Bedrock 为 Kimi K3 推出印度境内推理
Amazon Bedrock 现支持 Kimi K3 在印度境内推理，通过 in.moonshotai.kimi-k3 推理配置文件将处理限制在孟买和海得拉巴区域，满足严格数据驻留要求。
11月3日
Google 将 AI 应用 Dreambeans 推向印度，支持 13 种本地语言
Google 将实验性 AI 应用 Dreambeans 扩展至印度，这是其首个美国以外市场，支持包括印地语、旁遮普语、泰米尔语在内的 13 种本地语言。该应用接入 Calendar、Gemini、Gmail、Photos、Search 和 YouTube 等 Google 服务，无需提示词即可生成个性化图文故事，近期还加入 Veo 模型为部分故事生成动画。
用 Amazon Nova Multimodal Embeddings 和 Amazon Bedrock AgentCore 构建多智能体工程智能助手
基于 Amazon Bedrock AgentCore、Amazon Nova Multimodal Embeddings 和开源 Strands Agents SDK，可构建多智能体工程助手，自动完成零件替代评估中的跨文档检索与证据汇总。
11月1日
Adobe 研究 EditAgent：让 AI 智能体像 Photoshop 专业用户一样选工具
Adobe Research 与 UC San Diego 提出 EditAgent，把图像编辑请求拆成步骤，每步让通用编辑器与专用工具并行生成候选，再由标准语言模型依据验证记录一次性比较选出最佳结果。
Google 联合斯坦福、牛津推出 StreamVibe 视频智能体，让 AI 自己判断何时该开口
Google 联合斯坦福、牛津等机构推出视频智能体 StreamVibe，能区分用户明确说出、未说出口和任务中途改变的三类意图，自主决定何时提供帮助。基于 Qwen3.5-9B 训练的 StreamVibe-VL 在响应时机与质量上比其他模型提升 10.7%，配套记忆系统将主动交互再提升 12.3%。
10月31日
Google DeepMind 用卫星数据和 AI 绘制全球森林类型地图 ForTy
Google DeepMind 与世界资源研究所联合开发了 ForTy（Forest Typology），把 2020 年全球陆地在 10 米分辨率下划分为原始林、天然再生林、人工林、种植园、油棕橡胶可可等树作物和其他土地 6 类，作者称这是首张此类全球地图。
用 NVIDIA Nemotron 开源模型打造万圣节鬼屋 MonsterHouse
NVIDIA 员工用 Nemotron Voice Agent 搭建了万圣节互动投影 MonsterHouse，由 Nemotron ASR 负责听、Nemotron 3.5 Bolt E4B 4GB 负责对话、Magpie TTS Zeroshot 负责发声、Audio2Face-3D 驱动嘴部动画，全部跑在一台工作站上。
10月30日
在 Amazon EKS 与 SageMaker HyperPod EKS 上部署 NVIDIA Nemotron 模型加速智能体 AI
NVIDIA Nemotron 3.5 Super VL 已上线 AWS，这是一个 120B 参数的 MoE 多模态模型，每 token 激活 12B 参数，支持最长 1M tokens 上下文和文本、图像、文档、视频输入。
10月29日
Mistral Large 4（Le Chonk）在 Hugging Face 发布
Mistral 发布多模态 MoE 模型 Mistral Large 4（Le Chonk），总参数约 1T、激活参数 49B，上下文窗口 1M tokens，以 FP8 和 NVFP4 两种官方权重发布，采用 Mistral Ecosystem Open-Weight License。
Elorian 视觉推理模型 Glimpse 与 DecoyCount 基准：前沿模型准确率不足 50%
Elorian 发布首个视觉推理模型 Glimpse，并在与 Mercor 合作的 DecoyCount 基准内部测试中取得 50.48% 准确率，是唯一超过 50% 的模型。
10月28日
蛋白质与基因组设计软件迎来自然语言交互，可用口语描述所需蛋白
蛋白质与基因组设计软件现在支持用自然语言告诉 AI 工具想要制造什么样的蛋白质。用户可直接用口语化描述提出设计需求，而非依赖专业参数输入。
DeepMind 发布 Genie 4 世界模型，称物理与人物模拟更真实
Google DeepMind 发布 Genie 4 世界模型，称其在几乎各方面都优于 Genie 3，并借助更新后的 Gemini 模型提升模拟效果。该模型可根据指令逐帧实时生成可探索的虚拟世界，无需预渲染环境或编写交互元素。DeepMind 将其视为通往 AGI 的关键一环，可用于为实体机器人构建训练环境；文章提到，付费用户可能不久后就能使用 Genie 4。
Google DeepMind 发布 Genie 4 实时世界模型，可生成声音与对话
Google DeepMind 推出 Genie 4，这是 Genie 3 的后继世界模型，逐帧计算场景并响应用户输入，用户可用键盘移动、用文本提示词改变事件。