Google DeepMind 向 AI Ultra 订阅者推出新版 Project Genie 及 Genie 4 模型
Google DeepMind 向符合条件的 Google AI Ultra 订阅者推出新版 Project Genie 体验,提供对 Genie 4 模型的首次访问权限。
推荐理由:官方详细解析了Genie 4的实时编辑与音频能力,以及Agent和画廊如何改变世界生成流程。
Google DeepMind 向符合条件的 Google AI Ultra 订阅者推出新版 Project Genie 体验,提供对 Genie 4 模型的首次访问权限。
推荐理由:官方详细解析了Genie 4的实时编辑与音频能力,以及Agent和画廊如何改变世界生成流程。
研究团队推出 Neuro-VL,这是一个基于近百万例神经影像数据训练的多模态模型。在内部及国际数据集评估中,Neuro-VL 在异常诊断、定位及生成放射学报告方面,表现优于 OpenAI 和 Google 的前沿通用及专用医疗模型。该模型还支持对连续影像检查进行对比,以评估疾病进展,并能更可靠地抵御误导性临床假设。
推荐理由:Neuro-VL 在多项任务上超越了 OpenAI 和 Google 的前沿模型,展示了通用医疗 AI 的纵向监测能力。
Google DeepMind 发布下一代 DNA 序列模型 AlphaGenome 2,该模型通过条件化架构实现了对数百种人体细胞类型的基因表达预测。AlphaGenome 2 在识别改变基因表达的变异方面性能显著提升,在 TenK10K 数据集上发现的因果变异比例从 16% 提升至 30%。
推荐理由:新架构将基因变异预测从组织平均扩展到单个细胞类型,为定位复杂疾病关键变异提供更高精度工具。
Google DeepMind 正式向开发者、企业、科学家及消费者开放 Gemini 4 Carbon 模型。该模型在网络安全能力、长程代理工作流及复杂知识工作领域表现前沿,输入价格 2 美元/百万 token,输出 10 美元/百万 token。模型在 CursorBench 4.0 等基准中排名第一,支持多模态知识代理及 3D 设计等任务,并强化了安全性与对齐机制。
推荐理由:官方给出了价格与性能对比,读者可判断它在长程代理任务与网络安全场景中的优势。
美团正式以 MIT 协议开源 LongCat-2.5,该原生多模态模型总参数 1.6 万亿、每个 token 激活约 480 亿参数并支持一百万上下文,面向长程智能体任务在代码开发、Visual Coding 与专业办公场景中端到端交付能力明显提升。
推荐理由:原文详细披露了1.6万亿参数多模态模型在国产算力下的W4A4量化策略与训练细节,展示了在显存受限场景下落地万亿模型的具体工程路径。
百灵大模型官方发布 Ling-3.2-flash,该模型总参数 560B,单步激活 25B,原生融入视觉感知与空间理解能力。Ling-3.2-flash 具备视觉反馈自检和异常自适应恢复能力,能对照渲染结果调整代码并根据报错信息继续执行任务。
推荐理由:官方明确了560B参数下的视觉自检机制,用户可据此评估其在异常恢复场景下的工程落地可行性。
NVIDIA 在 Hugging Face 上发布四个 Cosmos 3 Nano 开放权重模型,包括 Transfer-Auto、Sim-Auto、Sim-Transfer 和 Sim-Bimanual,支持多传感器驾驶仿真与双臂机器人交互。模型采用 OpenMDW1.1 许可证,提供商业与非商业用途权利,并附带分阶段后训练配方。
推荐理由:NVIDIA 发布四个 Cosmos 3 开放权重模型,提供从驾驶到机器人交互仿真的完整工作流,读者可评估其开源生态价值。
Dharma-AI 发布 Dharma Field Extractor,这是一个 2B 参数文档字段抽取模型,能从任意文档类型提取指定字段并输出结构化 JSON,其性能在测试中优于所有前沿 LLM,且成本大幅降低。该模型基于 DharmaOCR-LITE v1.1,通过 43,384 个训练样本上的 LoRA 适配器微调,支持开放式(无 schema)和 Schema 导向两种请求模式。
推荐理由:Dharma-AI 在官方开源平台上发布了 2B 参数字段抽取模型,给出了相对前沿大模型的 F1 差距和自托管成本区间。
腾讯混元 Hy4 正式发布,首次引入视觉与电脑操作能力,金融综合表现及内部科研评测位居开源第一。官方计划开源模型权重,已在腾讯云等渠道上线,API 价格与预览版保持一致。
推荐理由:原版在金融众测与科研任务上取得开源第一,并展示了从代码到生物建模的跨领域生产力落地。
ReClaim 是基于 MarketScan 数据库 438 亿条索赔记录构建的医疗基础模型,在超过 1000 种疾病的预测中平均 ROC-AUC 达到 0.769。该模型在预测下一年度支出和识别高需求高成本受保人方面均优于梯度提升模型,且其表征作为协变量时能改善随机对照试验基准下的效应估计。
推荐理由:原文给出了438亿条医疗索赔数据训练基础模型的方法,读者可据此理解其在真实世界疾病预测中的表现。
美团正式发布面向长程智能体任务的原生多模态模型 LongCat-2.5,总参数量 1.6 万亿,每个 token 激活约 480 亿参数。模型在 2.0 基础上通过长序列训练、大规模长程强化学习提升复杂代码库开发与完整项目构建能力,并具备将视觉信号表示为多层级离散 token 的原生视觉理解能力,支持 Visual Coding、创意设计和 3D 等任务。
推荐理由:美团给出了 LongCat-2.5 在 1.6 万亿参数规模下的工程化方案,读者可据此了解长程智能体多模态模型的训练与推理路径。
阿里巴巴与Apple达成合作,千问将集成至Apple智能,支持Siri问答、系统级写作及视觉识别功能,该功能将于12月随iOS 27.3面向中国用户推出,用户数据不会被用于模型训练。
推荐理由:阿里确认千问接入Apple智能及iOS 27.3,明确了中国用户通过Siri调用多模态能力的入口路径与隐私边界。
Kimi 官方教程说明如何基于 Kimi K3.1 Pro 与 3D 制作工具制作网页、建筑、小游戏和预告片。教程区分参数化建模和网格化建模,并介绍 kimi.com 的 3D Make、Kimi Work、Kimi Code 和 Kimi API 四类入口,以及 Blender、Unreal Engine、Unity、Godot、Tripo、Meshy 等工具。
推荐理由:文章将官方宣发的 3D 演示拆解为可复用步骤,并指出不同入口与外部工具在复杂场景制作中的分工。
研究发现临床大语言模型组成的多智能体团队无法消除偏见,所有配置都会导致对黑人患者的分诊差异。通过采用整合所有观点的多样化集成方法,无需重新训练即可将差异降低67%至94%,而单模型、单输出的现有审计方法无法发现这种被“洗白”的偏见。
推荐理由:研究揭示了临床多智能体系统无法消除偏见,通过整合多元视角可将差异降低67%至94%,为系统审计提供了新方向。
Mistral Large 4(代号 Le Chonk)是一款由 Mistral 发布的 1T 总参、49B 激活参的多模态 MoE 开放权重模型,支持 1M 上下文窗口,并已在 Hugging Face 开源部署。
推荐理由:Mistral Large 4 侧重网络安全与多模态编码能力,Hugging Face 给出了具体推理部署细节与微调路径。
NVIDIA 在 Hugging Face 与 ModelScope 开源 Nemotron 3.5 Transcribe 模型及 Granary v2 数据处理管线,将多语言语音转录、说话人归属与音频问答功能整合在同一权重中。
推荐理由:模型集成转录、说话人归属与音频问答,配套开源数据管线,读者可据此判断如何将其适配到特定领域场景。
EmbeddingGemma 2 是一个开源的多模态嵌入模型,能在统一空间中表示文本、图像、音频和视频。该模型在多种嵌入基准测试中优于专业模型及体积大两到十二倍的模型,支持选择性加载模态编码器、调整视觉 token 预算及量化权重,模型已在 HuggingFace 和 LiteRT 上发布。
推荐理由:新模型在基准测试中展现出跨模态优势,其可裁剪架构为资源受限场景的部署提供了参考。
上海交通大学等团队提出 EvidenceConnect 框架,通过 20.4K 条单图合成数据训练 ZwZ2-4B、9B 和 27B 模型,使其在 25 个基准上平均准确率分别达 54.79%、56.59% 和 60.51%,均超各自基座模型。
推荐理由:团队用 20.4K 条单图合成数据训练 ZwZ2 系列模型,在 25 个基准上全面超过基座,并展示了向多图与 Agent 任务迁移的能力。
Liquid AI 发布新一代开源 Liquid Foundation Model(LFM3),将文本、视觉、音频、omni 和决策任务放入同一 2B 级底座,所有模型都可在单卡上微调并部署到边缘设备。
推荐理由:Liquid AI把六种模态压进2B级开源权重,并用同一底座和单卡微调路径解释它如何落到边缘部署。
Google DeepMind 发布新一代世界模型 Genie 4,这是首个能实时生成原生音频和交互式对话的世界模型,支持用户通过自然语言实时调整场景。Genie 4 依托 Gemini 模型家族实现物理规律仿真和复杂事件推理,目前作为研究预览版本向可信测试者开放,未来将面向 Project Genie 用户和 Gemini API 合作伙伴推出。
推荐理由:原文展示了Genie 4如何将Gemini的推理能力与实时音视频生成结合,帮助读者理解世界模型在机器人训练和交互体验中的具体落点。