ChatGPT 上线虚拟试穿与商品收藏功能
OpenAI 宣布在全球上线 ChatGPT 两项购物功能，包括虚拟试穿和商品收藏。用户在购物结果中点 Try On 按钮，上传自拍或全身照即可查看服装、配饰的上身效果，也可上传商品图片让 ChatGPT 代为试穿；Favorites 则把发现的商品存入应用内 Library 以便回看。OpenAI 称新功能基于新发布的 ChatGPT Images 2.5 模型，而此前其即时结账功能表现不佳。
#多模态
#多模态
今日 3 条TechCrunch · AISI 评分6666 The Verge · AISI 评分4545 Google 在 Gemini Live 推出 Guided Vision 功能
Google 在 Gemini Live 中推出 Guided Vision 功能，利用 AI 为 Android 用户提供实时音频描述，辅助阅读小字及识别物体。该功能同时集成于 Google TalkBack，并支持在 Android 9 及以上设备通过设置启用。此前该功能已在近期的 Pixel 更新中宣布。
The DecoderSI 评分6161 Tavus 的 Griffin 模型在1分钟通话中让近半测试者误认真人
Tavus 的 Griffin 模型在1分钟视频通话中让48%参与者误认为真人，此前系统最高仅2%。在 Tavus 所述的 Nvidia 独立音频视频对话拟人测试中 Griffin 获3.83分接近人类3.92分，预览版 Griffin-Lite 已开放给选定测试者。Tavus 成立于2020年，从营销视频扩展至实时对话。
TechCrunch · AISI 评分6666 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、验证并修补关键软件漏洞。
AWS Machine Learning BlogSI 评分3131 Condé Nast 如何利用 Amazon Bedrock 构建多模态视频发现系统
Condé Nast 基于 Amazon Bedrock 和 Amazon OpenSearch Service 构建多模态视频发现系统，将内容检索时间从 250 分钟缩短至 2 分钟以内。该系统采用 TwelveLabs Marengo 嵌入模型，对超过 140,000 个视频的转录、视觉和音频信号进行联合编码，支持基于意图的语义搜索。此前编辑团队依赖标题和描述手动查找素材，导致运营效率低下。
AWS Machine Learning BlogSI 评分4242 Amazon Bedrock AgentCore Runtime Instances 构建多智能体音乐制作流水线
Amazon Bedrock AgentCore Runtime Instances 支持在单个 EC2 实例上部署多智能体，实现长达 14 天的持久化会话与 GPU 访问。该方案通过共享文件系统协作，利用 NVIDIA L4 GPU 运行 ACE-Step 模型，约 9 秒即可渲染 20 秒 48 kHz 立体声音频。
Google DeepMind精选SI 评分6868 Google DeepMind 发布 SynthID Bio 合成生物水印技术
Google DeepMind 发布 SynthID Bio，将水印技术引入合成生物学，在保持蛋白质生物功能的同时嵌入可验证签名。实验显示，水印设计在结合亲和力和序列多样性上与无水印版本相当，并成功创建了首个具有生物功能的水印蛋白质结合器。
推荐理由：原文展示了在保持生物功能前提下对蛋白质进行水印验证的方法，为合成生物安全提供了新的技术路径。
Microsoft Research精选SI 评分6262 微软研究院推出面向生物学复杂性的 AI 研究系统 Quine
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联合训练的生物学世界模型，以及连接模型、科学工具、文献和实验人员的交互式 harness 组成。
推荐理由：微软研究院公开 Quine 的生物学世界模型与实验闭环设计，并给出胰腺癌化合物筛选的湿实验验证结果。
AWS Machine Learning BlogSI 评分2828 在 Amazon SageMaker HyperPod 上用 SkyRL 加速多模态 RL 训练
AWS 展示在 Amazon SageMaker HyperPod 上用开源 RL 框架 SkyRL 训练 Qwen3-VL-8B 视觉语言模型走迷宫，基于 GRPO 从 VisGym SFT 检查点出发，在固定 64 个迷宫的评测集上把解迷宫成功率从 43.75% 提升到 95% 以上。
MIT Technology Review · AISI 评分4242 五角大楼申请 3000 万美元预算开发 AI 测谎仪
美国国防部申请 3030 万美元预算，用于开发名为 Polygraph+ 的 AI 测谎技术。该项目由 DCSA 主导，旨在通过 AI 算法和“standoff sensing”技术提升联邦测谎的准确性与可靠性。尽管该技术尚未获国会批准，且现有测谎仪的可靠性长期受质疑，五角大楼仍计划将其用于员工背景调查和内部威胁检测。
Latent SpaceSI 评分3838 Latent Space 宣布 AINews v3 计划及平台转型
Latent Space 宣布将 AINews 与 Discord 社区合并，并计划迁移至 Beehiiv 以构建多节目网络。AINews 订阅量已超 20 万，Discord 成员达数万。平台重新开放赞助合作，并将于下周在 Supabase Select 活动上采访其创始人。
Google DeepMind精选SI 评分7676 Google DeepMind 发布 Gemini 3.8 Live with Live Avatar
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，通过低延迟流式视频与语音结合实现近实时视觉存在。该功能支持 97 种语言的唇形同步，并能在对话进行中后台异步执行工具调用，目前已通过 Gemini Enterprise 开放。
推荐理由：原文展示了实时视频与语音结合的多模态交互能力，以及后台异步工具调用机制，为构建企业级虚拟助手提供了具体参考。
Hugging Face BlogSI 评分5050 Liquid AI 发布 LFM2.5-VL-DSpark 实验性草稿模型
Liquid AI 发布 LFM2.5-VL-DSpark 实验性草稿模型，为 LFM2.5-VL-3B 视觉语言模型引入推测解码路径。该模型增加 280M 参数，在 H100 上实现最高 2.66x 解码加速，并支持 llama.cpp、MLX-VLM 和 SGLang。
NVIDIA Blog精选SI 评分6060 NVIDIA 与 Google DeepMind 等机构开放 2800 多种病毒蛋白复合物 3D 结构预测数据
NVIDIA 联合 Google DeepMind、EMBL-EBI 等机构，通过 AlphaFold Database 开放了超过 2800 种病毒的蛋白复合物 3D 结构预测数据。该数据集利用 AlphaFold2 和 NVIDIA BioNeMo Inference Runtime 生成，其中约 30% 的蛋白相互作用是科学界首次记录，旨在帮助科学家提前储备应对未来大流行的知识。
推荐理由：NVIDIA 与 Google DeepMind 等机构开放了 2800 多种病毒的蛋白复合物 3D 结构预测数据，为未来疫情应对提供基础生物学知识储备。
Latent SpaceSI 评分6767 Meta Connect 2026：Muse 智能体、眼镜硬件与 Charm 发布
Meta 在 Connect 2026 上把 Muse 个人智能体作为硬件加智能体战略的核心，发布语音与实时视频能力、多款眼镜硬件，并预告但未发布新的前沿模型。
NVIDIA BlogSI 评分3838 NVIDIA 在新加坡 AI Day 展示东南亚 AI 进展
NVIDIA 在新加坡 AI Day 展示合作伙伴利用 Nemotron 和 Cosmos 模型加速东南亚 AI 落地。新加坡 HTX 使用 Nemotron 3 Super 和 Nano Omni 推进公共安全 AI，泰国 iApp Technology 基于 Nemotron 3 Nano 微调的开源法律模型已服务约 43,000 名用户。
Google ResearchSI 评分5555 Google Research 发布利用生成式 UI 创建交互式学习模拟的研究
Google Research 发布新研究，利用生成式 UI 让教师创建定制化的交互式 STEM 学习模拟。该研究基于 LearnLM 模型，通过教学护栏和自纠正循环确保内容准确性，并发布了包含 30 多个英语 STEM 交互示例的库。美国 12 名教师试点反馈积极，平均评分 8/10，学校可通过 Google for Education Pilot Program 申请参与。
Google DeepMind精选SI 评分7373 Google DeepMind 发布 AlphaGenome Atlas 全基因组变异预测平台
Google DeepMind 发布 AlphaGenome Atlas，提供人类基因组中 90 亿种单核苷酸变异的分子效应预测。该平台包含 1PB 数据集，并推出 AVI 评分以整合 AlphaGenome 和 AlphaMissense 的预测结果，帮助研究人员快速排序和解读基因变异。
推荐理由：原文展示了覆盖全基因组 90 亿种变异的预测平台，为遗传学研究提供了可复用的分子效应评估工具。
Google DeepMind精选SI 评分8484 Google DeepMind 发布 WeatherNext 3 全球气象 AI 模型
Google DeepMind 发布 WeatherNext 3，这是其最先进的全球气象 AI 模型，支持实时卫星数据输入和每小时刷新。该模型在 5 公里分辨率下提供温度等表面变量预测，并将降水预测准确率提升最高 60%，已集成至 Search、Gemini 和 Maps 等产品。
推荐理由：模型直接学习实时卫星数据并实现每小时更新，为高纬度地区提供更高精度的局部气象预测。
Hugging Face BlogSI 评分4141 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 两个版本，用单个双向 Transformer 同时处理文本 token 与 32×32 图像 patch，无需独立视觉塔或因果语言模型，并以掩码离散扩散目标从零训练。
Hugging Face BlogSI 评分3434 用 TRL 和 OpenEnv 训练编程模型画水彩画
Hugging Face 博主用 TRL 和 OpenEnv 复现了 Surya Narreddi 让语言模型画水彩画的思路，模型通过 p5.brush 写出约 150 行 JavaScript 程序作画，全部数据集、RL 环境、训练脚本与模型均已开源。
Google DeepMind精选SI 评分7373 Google DeepMind 为 Gemini 3.7 Flash 等模型推出智能体视频理解
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，通过原生视频工具动态搜索、扫描和检查目标片段，替代固定帧率的静态处理。
推荐理由：官方给出 token 与成本降幅及准确率变化，并说明在长视频场景下与静态处理的取舍差异。
Google DeepMind精选SI 评分7272 Google DeepMind 发布 Gemini Omni 1.1 Flash，新增场景延展与 4K 上采样
Google DeepMind 发布 Gemini Omni 1.1 Flash，为开发者带来一批生成视频创作控制能力，通过 Gemini API 在 Google AI Studio 提供。
推荐理由：官方给出场景延展、首尾帧插值与 4K 上采样等具体能力与开放入口，可据此判断生成视频工作流的变化。
Google ResearchSI 评分3030 Google AgentHands：为 XR 中空间化智能体对话生成交互式手势
Google 在 CHI 2026 发布研究原型 AgentHands，可将 LLM 的高层推理映射为 XR 中与语音同步的手势，让 AI 智能体在 3D 空间里边说边演示。
Google DeepMindSI 评分3434 Google DeepMind 回顾 15 年游戏 AI 研究：从 Atari 到 EVE Online
Google DeepMind 回顾了 15 年游戏 AI 研究历程，从 DQN 玩转 49 款 Atari 游戏，到 AlphaGo、AlphaZero、MuZero、AlphaStar，再到由 Gemini 驱动的通用智能体 SIMA 2。
Google ResearchSI 评分5858 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，一个从普通 2D 手机照片估算体脂率、Android-to-Gynoid 脂肪比（A/G）和内脏与皮下脂肪面积比（V/S）的深度学习框架。
Hugging Face BlogSI 评分3636 Hugging Face 发布 OlmoEarth embeddings：OlmoEarth Studio 支持自定义嵌入向量导出
Hugging Face 的 OlmoEarth Studio 现已支持计算并导出嵌入向量，源码与模型权重随研究论文公开。用户可在 UI 或 API 中选择区域、时间范围、编码器变体（Nano 128 维 1.4M 参数、Tiny 192 维 6.2M 参数、Base 768 维 89M 参数）、分辨率与影像源，导出 int8 存储的 COG。
Microsoft ResearchSI 评分4141 MindTopo：微软研究院推出评估多模态模型拓扑推理能力的新基准
微软研究院推出 MindTopo 基准，用于评估多模态大语言模型在连通性、封闭、顺序、分离和绳结等拓扑关系上的推理与规划能力。测试显示，当前模型在静态图像识别上表现明显优于交互式规划任务，失败多发生在规划阶段而非感知阶段，模型难以在场景变化中持续保持对拓扑结构的理解。图像与视频生成工具在维持拓扑关系上同样不可靠。
Google DeepMind精选SI 评分7878 Google DeepMind 发布 SL2T 手语转文本模型，率先落地 Pixel 11 的 Gboard 与 Live Transcribe
Google DeepMind 发布多语种手语转文本模型 SL2T，首次将手语 AI 带入消费级产品，在 Pixel 11 的 Gboard 和 Live Transcribe 中支持美国手语（ASL）转英文听写，后续将扩展更多设备与语言。
推荐理由：SL2T 把多语种手语翻译从实验室带进 Gboard 与 Live Transcribe，读者可了解其数据规模与隐私设计。
Google Research精选SI 评分7171 Google 发布 AMIE (Video)：实时视频问诊达到专家级水平
Google Research 发布 AMIE (Video)，基于 Gemini 和 Project Astra 的实时视频问诊配置，能感知非语言临床线索、引导虚拟体格检查并实时进行诊断推理。
推荐理由：Google 用 300 场随机对照问诊给出实时视频临床 AI 的专家级评测结果，可看多智能体异步架构如何兼顾低延迟对话与深度推理。
Microsoft ResearchSI 评分3737 微软研究院推出 CARE-X：面向临床可用的放射学 VLM，结合辅助监督、奖励对齐学习与工具增强测量
微软研究院发布研究模型 CARE-X，一个统一胸部 X 光 VLM，可同时完成报告生成、疾病存在与否定判断、病灶定位及多标签分类等任务，并支持生成式与双推理模式。
Hugging Face Blog精选SI 评分6262 NVIDIA 发布 Magpie TTS 多语言版：364M 开源权重，新增阿拉伯语、韩语和巴西葡萄牙语
NVIDIA 发布 Magpie TTS Multilingual，一个 364M 参数的开源权重语音合成模型，支持 12 种语言，本次新增现代标准阿拉伯语、韩语和巴西葡萄牙语，并通过更新训练数据提升多语言质量。
推荐理由：原文给出 364M 开源权重模型的多语言扩展与自部署延迟数据，可据此评估自建语音链路的成本与可行性。
Hugging Face Blog精选SI 评分8282 Meta 发布开源多模态模型 Muse Glimmer 30B，面向本地智能体场景
Meta 发布 Muse Glimmer，一个从 Muse 蒸馏到 30B 参数、采用 Apache 2.0 许可的多模态模型，面向本地智能体场景，可用于编码、文档分析和个人助理。
推荐理由：Meta 开源 30B 多模态模型，附完整基准对比与本地部署代码，可据此判断端侧智能体选型。
Mistral AI精选SI 评分7171 Mistral AI 发布 3B 开源多模态安全分类器 Shieldstral
Mistral AI 发布 Shieldstral，一个 3B 开源权重多模态安全分类器，采用 Apache 2.0 许可，可在单张 16GB NVIDIA GPU 上运行。它把内容审核建模为策略自适应的问答任务，推理时接受自然语言策略并输出校准后的安全分数，无需重新训练，统一处理文本与图像安全评估。官方称其在文本安全上可匹配最高 7 倍参数量的模型，并在多模态审核上取得新的 SOTA。
推荐理由：3B 开源权重模型以推理时自然语言策略替代固定分类体系，读者可据此判断轻量安全分类器的部署门槛。
Google DeepMind精选SI 评分7272 Google DeepMind 发布 Gemini Robotics ER 2 具身推理模型
Google DeepMind 发布 Gemini Robotics ER 2，定位为机器人的高层大脑，可理解视频、编排多步任务并把动作执行交给底层 VLA 模型，还能原生调用 Google Search 等工具。
推荐理由：官方给出进度分类与时刻定位两项量化指标，可据此判断机器人在长任务中自我纠错与切换步骤的能力边界。
Google DeepMind精选SI 评分7878 Google DeepMind 发布 Gemini Robotics 2 机器人模型系列
Google DeepMind 发布 Gemini Robotics 2，包含三款模型：视觉-语言-动作模型 Gemini Robotics 2 可控制人形机器人全身动作并提升手部与夹爪的灵巧操作。
推荐理由：三款模型分别覆盖全身控制、具身推理与端侧部署，可据此判断机器人智能层的分工方式。
Google Research精选SI 评分6262 Google 发布 SymptomAI：面向日常症状评估的对话式 AI 智能体
Google Research 发布论文 SymptomAI，用五个基于 Gemini Flash 2.0 的实验性对话智能体开展症状访谈与鉴别诊断（DDx），共 13,917 名参与者随机分配到不同提问策略组。
推荐理由：Google 用 1.3 万人随机对照实验比较五种提问策略，并首次把 AI 诊断与 Fitbit 生理信号做交叉验证。
Google DeepMind精选SI 评分7878 Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 与 3.5 Flash Cyber
Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和面向安全的 3.5 Flash Cyber。
推荐理由：三款 Flash 系列模型同时发布，给出 token 效率、价格与多项基准对比，可据此判断智能体工作流的成本变化。
Hugging Face BlogSI 评分2222 DharmaOCR 在巴西葡萄牙语 OCR 基准上超越 Mistral OCR4 与 Unlimited-OCR
DharmaOCR 在葡萄牙语专属基准上取得 0.925 分，高于 Mistral OCR4 的 0.798 和 Unlimited-OCR 的 0.7587。该模型通过葡萄牙语数据的监督微调与 DPO 两阶段训练，将全部参数集中于巴西葡萄牙语，从而在提取质量和稳定性上保持优势。
Hugging Face Blog精选SI 评分8484 Thinking Machines 发布 1T 参数多模态开源模型 Inkling 及 Inkling-Small
Thinking Machines 在 Hugging Face 发布 Inkling，一个约 1T 参数、支持 1M 上下文并原生接收图像、文本和音频输入的开源多模态 MoE 模型，同时推出 276B 总参数、12B 激活参数的 Inkling-Small。
推荐理由：原文给出 Inkling 的架构细节、部署配置与基准对比，读者可据此判断这一开源多模态模型的落地门槛。