跳到正文

#多模态

今日 4 条
10月16日周五
  1. Hugging Face Blog84

    欢迎 Muse Spark Open:Meta 的开放权重多模态 MoE 模型

    Meta 发布了开放权重多模态 MoE 模型 Muse Spark Open,总参数约 816B、每 token 活跃 42B,上下文窗口最高 1M token。该模型支持文本、图像、音频、视频输入,专注于智能体编码与工具调用,文章提供了 transformers、llama.cpp 等框架的部署与微调方法。此前 Meta 在 8 月发布了同系列小模型 Muse Glimmer。

    推荐理由:本文给出了在 llama.cpp、vLLM、SGLang 等推理框架的部署方案与 TRL 微调示例,便于开发者快速落地。

  2. Google DeepMind42

    Google Antigravity 加速抗菌肽搜索

    Google Antigravity 利用 ProtNLM 模型扫描 UniProt 数据库,协助生物学家发现针对呼吸道感染病原体的新型抗菌肽候选物。该平台通过共享 3D 画布实现人机协作,将原本碎片化的多数据库搜索压缩为单次会话,目前该候选物正进行湿实验验证。

  3. The Decoder64

    Google 希望 Gemini 4 Argon 成为机器人唯一所需的 AI 模型

    Google 数日前全球发布 Gemini 4 Argon,期望它成为机器人唯一所需的 AI 模型,统一控制、仿真与评估。演示中从单张照片生成超4500次仿真训练,真实机器人成功率从56%升至75%;ERQA 基准获87%领先对手,但 AA-Robotics 真实控制测试仅排第三。虚拟环境训练并非新事,World Labs 与 Nvidia 已有类似探索。

  4. NVIDIA Blog65

    NVIDIA 发布 Nemotron 3.5 Super VL 与 Bolt 模型,覆盖从数据中心到边缘的智能体部署

    NVIDIA 今日发布 Nemotron 3.5 Super VL 与两款 Bolt 边缘模型,覆盖从企业服务器到边缘的智能体部署。Super VL 为 120B 参数多模态模型,速度快达同类 5x 且以约五分之一参数量媲美 NVIDIA 最大推理模型精度;Bolt 74B-A9B 24GB 与 Bolt E4B 4GB 针对本地硬件优化,后者 10 月 23 日推出。

    推荐理由:NVIDIA 新发 Nemotron 3.5 Super VL 以约五分之一参数量媲美自家最大推理模型精度,并开放权重供组织在自有设施微调部署。

10月15日周四
  1. IT之家25

    乐奇 Rokid 全球首家 AI 眼镜无人自助体验店登陆中国香港

    乐奇 Rokid 全球首家 AI 眼镜无人自助体验店于中国香港尖沙咀海港城正式开幕,这是该品牌首间海外旗舰店。店内采用全自助模式,配备交互屏幕与 Rokid Glasses,支持消费者独立体验 49 克眼镜的拍摄、翻译及 AI 问答等功能。此前 Counterpoint Research 报告显示,乐奇 Rokid 在 2026 年上半年以 41% 的出货量位居全球 AI 与 AR 眼镜市场首位。

  2. Hugging Face Blog67

    Apertus 1.5 发布:8B 与 70B 开源模型新增图像音频理解、思考模式与 262k 上下文

    Apertus 项目发布 1.5 版 8B 和 70B 开源模型,新增图像音频理解、思考模式、262,144 token 上下文及更强工具调用。模型权重于2026年7月24日以 Apache 2.0 许可发布在 Hugging Face,全程开放训练数据与细节。

    推荐理由:Apertus 1.5以早期融合将图像音频转为离散token,训练细节全开放,研究者可复现各阶段对多模态能力影响。

  3. IT之家45

    YouTube Music 上线 AI 音乐标注功能

    YouTube Music 上线 AI 音乐标注功能,被识别为“主要使用生成式 AI 创作”的歌曲将显示“AI”标签。点击标签可查看歌曲使用 AI 的具体方式,标注系统结合创作者申报与平台自动检测。该功能后续将同步扩展至主 YouTube 应用程序。

  4. Ars Technica · AI47

    研究人员利用 AI 设计切割其他蛋白质的酶

    研究人员利用 AI 蛋白质设计工具,提取两类蛋白酶的核心催化结构并替换其余部分,成功设计出可精准切割特定蛋白质的新型酶。这些酶已被验证能有效切割与神经系统疾病相关的蛋白质,从而绕过了自然界漫长的酶多样化演化过程。

  5. Google Research36

    Google Research 2026 发布 10 项 AI 创新成果

    Google Research 在 2026 年 Research@ 活动上展示了 10 项 AI 创新,包括 Google Earth AI、多智能体编排工具及 Deep Review 等。其中 Deep Review 已用于审查超 16,000 篇论文,现向公众开放以验证技术文档。这些工具旨在通过 AI 放大人类创造力,赋能医生、科学家及开发者解决复杂问题。

10月14日周三
  1. IT之家20

    苹果 iOS 27.2 Beta 4 推送,Siri AI 新增法语、日语等五种语言支持

    苹果推送 iOS 27.2 Beta 4 开发者预览版,Siri AI 新增法语、日语、韩语、葡萄牙语和西班牙语支持。更新后 Siri AI 将支持英语及上述五种语言,具体可用性取决于用户所在地区和设备。此前苹果已确认这些语言扩展支持,Siri AI 作为苹果最新人工智能助理,支持理解个人情境、执行 App 操作及感知屏幕等功能。

  2. IT之家25

    华为详解鸿蒙座舱「智慧场景」:一套条件 + 动作的车载自动化规则,支持触发后执行系列操作

    华为鸿蒙座舱「智慧场景」是一套条件加动作的车载自动化规则,设定触发条件后车辆自动执行播报日程、启动导航、调节空调等系列操作,无需手动逐步点控。基于 MoLA 2.0 架构的小艺智能体支持超模糊地址导航及生活化口语交互,如识别“玻璃起雾”自动除霜。

  3. IT之家41

    禾赛科技发布全球首款 8K 超高清 AI 空间相机 Kosmo One

    禾赛科技发布全球首款 8K 超高清 AI 空间相机 Kosmo One,搭载一英寸 CMOS 实现 360° 无死角覆盖,15 分钟即可完成 100m² 真实空间重建。该设备可将真实世界转化为机器人训练数据,并同步推出 AI 云平台 Kosmo World 支持一站式 3D 内容创作。禾赛还宣布与高德地图合作开放首批千个试点,用于线下数字化零售。

  4. 量子位68

    面壁开源MiniCPM-V 4.7:35B MoE多模态模型仅占3G内存可在iPhone端侧运行

    面壁智能与OpenBMB开源MiniCPM-V 4.7多模态模型,含35B-A3B与1B版,35B-A3B约3G内存即可在iPhone等端侧设备流畅运行。在iPhone 17 Pro Max断网环境下可识图作答,优化后解码速度超每秒13 token。采用前瞻专家调度等技术,在iPad Pro M4上解码速度提升x5倍,截至2026年9月MiniCPM系列累计下载量突破5000万次。

  5. 量子位24

    商汤大装置助力上海量子城市首批智能体落地,调度效率提升80%

    商汤大装置联合上海市规划资源局发布量子城市首批政务智能体,其中“禹智河洛”防汛智能体使智能调度效率提升80%。基于升级后的“云宇星空大模型”,该智能体通过48小时提前研判实现分区分时精准调度,空间智算与动态模拟效率分别提升65%和70%。这是该模型从“会解答”进化到“能干活”后,在防汛调度等核心治理场景的首批落地实践。

  6. 量子位39

    破晓智能联合天珑移动发布全身全模态数据采集系统 SeePhys Hub

    破晓智能联合天珑移动发布全身全模态数据采集系统 SeePhys Hub,通过四目头环、腕部手环、腰腿部追踪器及触觉手套,在保留 Ego 数据轻便优势的同时补全全身姿态与触觉信息。该系统采用稀疏节点方案,头环重量不超过 220 克,多模态信号同步精度不超过 0.5 毫秒。此前团队已发布 EgoTouch 数据集,计划 2027 年推出全模态世界模型。

  7. IT之家42

    苹果 iPhone Duo 国行备案新增大模型编号:Apple 智能、通义万相、通义千问

    苹果 iPhone Duo 国行版(A3721)在 9 月 29 日换证时,新增了 Apple 智能、通义万相及通义千问的大模型备案编号。阿里千问将作为 AI 能力集成至 Apple 智能,为 iOS 等系统中国用户提供文本与图像理解、内容生成等服务。该机型是苹果首款折叠屏手机,将于 10 月 16 日开启预购,10 月 23 日正式发售,定价 15999 元起。

  8. IT之家37

    苹果智能家居中枢 HomeView 支持第三方音频 / 视频应用,不依赖 Face ID 最多识别 6 人

    苹果智能家居中枢 HomeView 通过连接 iPhone 或 iPad 支持显示第三方音频与视频应用,并采用类似 CarPlay 的运行机制扩展家庭应用生态。该设备不依赖 Face ID,而是结合 Center Stage 摄像头面部识别与语音识别,在家庭环境下最多可识别 6 位用户以提供个性化体验。

  9. Google DeepMind84

    Google DeepMind 发布 Gemini 4 Argon 前沿模型

    Google DeepMind 发布 Gemini 4 Argon 前沿模型,今起全球开放用于编码金融法律等复杂任务,每百万输入 token $2、输出 $10。该模型在 Vals Index 经济领域基准排名第一,内部使用将智能体代码提交提升超 35%。此为 Gemini 4 家族首款发布的模型。

    推荐理由:原文给出Gemini 4 Argon的全球可用入口与定价,读者可对比其在多项基准对经济领域的领先表现。

  10. Google DeepMind70

    Google DeepMind发布Gemini 4 Argon物理推理模型用于机器人学

    Google DeepMind发布Gemini 4 Argon通用物理推理模型,其在ERQA基准纯推理得分87%超过所有其他前沿模型,可应用于机器人全生命周期。文章给出机器人控制、Real2Sim仿真、物理理解与自改进四类代表提示词,覆盖从MuJoCo实操到视频世界模型 steering 等任务。该模型被视为加速通往物理AGI路径的重要里程碑。

© 2026 SI·Hot · Super Intelligence Hot · 超级智能热点 · 网站数据均来源于网络公开资料,版权归来源方所有