#多模态

基于 NVIDIA Nemotron 开源模型构建万圣节互动鬼屋智能体

NVIDIA 员工利用 Nemotron Voice Agent 框架及系列开源模型制作了万圣节交互投影装置 MonsterHouse。

在 Amazon EKS 与 SageMaker HyperPod EKS 上借助 NVIDIA Nemotron 模型加速智能体 AI

AWS 演示了在 Amazon EKS 与 SageMaker HyperPod EKS 上部署开源多模态模型 NVIDIA Nemotron 3.5 Super VL，以加速智能体 AI 工作流。

Mistral Large 4 多模态模型上线 Hugging Face

Mistral 推出多模态 MoE 模型 Mistral Large 4（代号 Le Chonk），总参数量约 1T、激活参数 49B，具备 1M token 上下文窗口并同步上线 Hugging Face。

同一件事，精选收录的是《Mistral AI 开源 1 万亿参数多模态模型 Mistral Large 4 权重》

Mistral AI 开源 1 万亿参数多模态模型 Mistral Large 4 权重

Mistral AI 正式开源 1 万亿参数原生多模态旗舰模型 Mistral Large 4（Le Chonk）的模型权重。该版本强化了强化学习训练，在 FrontierCode 2.0 和 Terminal-Bench 4.0 等编码与终端基准测试中位居开源模型前列，并新增 Low、Medium、High 三种推理模式以平衡性能与推理成本。

Elorian 推出 DecoyCount 视觉推理基准，实测前沿模型计数与视觉捷径缺陷

Elorian 联合 Mercor 发布 DecoyCount 基准并公布视觉推理测试结果，用于检验模型是在真实计数还是依赖视觉捷径与替代启发式。在测试中前沿模型准确率均低于 50%（最高者 GPT-6 Astra 为 43.17%），Elorian 自研视觉思考模型 Glimpse 在单次独立测试中取得 50.48% 准确率。

Google DeepMind 推出实时交互世界模型 Genie 4

Google DeepMind 推出新一代实时交互世界模型 Genie 4，支持根据键盘操作与提示词逐帧模拟场景，并能直接生成环境音效与角色对话。系统在后台借助 Gemini 模型分解多步任务以维持模拟连贯性，并在测试中结合机器人研究模拟操作任务。Genie 4 目前作为研究预览面向受选测试者开放，在长时模拟中仍存在视觉细节漂移与物体持久性不足等问题。

Liquid AI 发布 LFM3 系列多模态模型

Liquid AI 推出新一代 Liquid Foundation Models（LFM3）系列开源权重，基于 LFM3-1.7B-Base 统一底座衍生出覆盖文本、视觉、音频、全模态和决策任务的 6 款 2B 级模型。

Google DeepMind 发布世界模型 Genie 4，支持实时音频与交互控制

Google DeepMind 发布世界模型 Genie 4 研究预览版，支持在模拟运行中通过提示词实时改变场景、天气与视角，并同步生成环境音与对话。该模型将场景一致性维持时间翻倍至两分钟，并能与 Gemini 协同用于机器人仿真和影视创意原型制作。目前该模型已面向受信任测试者开放，后续几周将向 Google AI Ultra 订阅用户及 Gemini API 合作伙伴开放。

同一件事，精选收录的是《Google DeepMind 发布实时交互世界模型 Genie 4》

Property Finder 与 AWS 详解消除评测偏见与视觉模型优化实践

Property Finder 联合 AWS 团队发现其 96.8% 的视觉评测标签源自原模型输出而导致循环偏见，通过引入领域专家独立标注并结合提示词优化，在 Amazon Bedrock 上将房产图像评估模型切换为 Llama 4 Maverick 17B Instruct。

Google 发布 Genie 4 交互式世界模型

Google 宣布推出 Genie 4 交互式世界模型，支持生成更逼真的交互场景与音频，生成时长从上一代的 1 分钟提升至约 2 分钟。该模型底层采用 Gemini 3.8 Flash 辅助仿真，允许用户通过自然语言提示词实时更新场景，主要面向电影预演、游戏原型设计及机器人训练等用途。Genie 4 目前仅向受信测试者开放研究预览，后续将向 Google AI Ultra 订阅用户推出。

Google DeepMind 发布实时交互世界模型 Genie 4

Google DeepMind 发布新一代交互式世界模型 Genie 4，支持实时通过键鼠和自然语言指令生成并调整具备物理规律的仿真环境。该模型原生支持同步生成环境音效与角色交互对话，并引入 Gemini 模型作为引导 Agent 维持场景的多步推理与因果连贯性。

OpenAI 发布 GPT-6.1 Terra，主打视觉推理与电脑操作

OpenAI 发布 GPT-6.1 Terra，官方称其结合了细致的视觉推理与精准的电脑操作能力，并比 GPT-5.6 Terra 有明显提升。OpenAI 的 Ted Sanders 在 Hacker News 评论中表示，Terra 在技术沟通上可能优于 Astra 和 Sol，视觉与电脑操作表现相近但速度快得多，其他多数方面略弱。

BBC《蓝色星球3》用保留瑕疵对抗 AI 感

BBC《蓝色星球3》选择保留浮游生物、船只和浮标等不完美画面，以此证明镜头真实性，回应 AI 生成内容过于精致光滑的问题。执行制片人 Elizabeth White 表示，真实海洋生物“可能比 AI 能想象的更奇妙”。片中呈现海豚用海绵堵洞捕鱼、鱼类跨物种交流、20 万只螃蟹列队觅食等画面。

Google Research 介绍结核病筛查基础模型的落地路径

Google Research 在 IDWeek 2026 上分享结核病筛查 AI 从研究走向临床部署的历程，依托 MedSigLIP 和 MedGemma 等开放基础模型支持各地自建方案。

Google DeepMind 与 Google Research 发布森林类型地图 ForTy 2020

Google DeepMind 与 Google Research 联合 WRI、IIASA 发布全球森林类型地图 ForTy 2020，按 10 米分辨率将每块土地归入原始林、自然再生林、人工种植林、商品林、树作物与农林复合、其他土地六类，并对齐欧盟零毁林法规的 2020 年基准。

NVIDIA 扩展 Cosmos 平台，新增世界模型训练、评测与部署工具

NVIDIA 扩展 Cosmos 平台，新增训练工具、仿真 checkpoint 和 Cosmos Data Factory 蓝图，并在 GTC Berlin 把 Cosmos Framework 的训练优化技能扩展到更多开放模型，同时发布 Cosmos 3。

NVIDIA 如何用开放模型与物理 AI 改造欧洲零售业

NVIDIA 展示欧洲零售商借助开放模型与物理 AI 改造从商品发现到仓储运营的多个环节。Shopify 后训练 NVIDIA Nemotron 3.5 Lightning 用于 Sidekick 的 GraphQL 子智能体，在内部 benchmark 上准确率超过领先前沿模型，服务成本降低 90%、响应速度快 7 倍。

Google Research 用三个项目让 AI 智能体接入真实湿实验室

Google Research 发布研究博客，介绍用 VERID 框架和适配体、蛋白质设计两类闭环实验，把 AI 智能体从干实验（in-silico）设计推进到湿实验室执行。

Google 用 Antigravity 加速抗菌肽发现的技术流程

Google DeepMind 展示了科学家如何用智能体开发平台 Google Antigravity 发现一种新的抗菌肽候选物，该候选物预测对呼吸道感染相关病原体有活性，目前已进入湿实验室验证阶段。

Google Research 2026 年度盘点：10 项放大人类创造力的进展

Google Research 在 Mountain View 的 Research@ 活动上展示了 10 项新进展，包括 Google Earth AI 扩大早期访问并新增实验性地理空间分析、行星预测引擎和 agent-to-agent API 三种接入方式。

Google DeepMind 发布 Gemini 4 Argon 机器人模型

Google DeepMind 发布 Gemini 4 Argon，主打物理理解、代码生成与视觉语义推理，在 Embodied Reasoning（ERQA）基准上以纯推理取得 87%，超过其他前沿模型。

Google DeepMind 发布 Gemini 4 Argon 前沿模型

Google DeepMind 发布 Gemini 4 Argon，面向开发者、企业、科研人员和消费者开放，定价为每百万输入 token 2 美元、每百万输出 token 10 美元，缓存输入 token 享 95% 折扣。

Import AI 476：创造力与递归自我改进、弱于中国的开放权重模型、AI 走向太空

Import AI 476 汇总了多项新研究：Elorian 与 Scale AI 发布 Humanity's Sixth Sense 基准，用 522 道题测模型对图像和视频隐含信息的直觉推理，人类基线 pass@1 为 93.1，表现最好的 GPT 6 Astra 为 53.6，GLM-5.3-flash 与 Kimi K3 仅在 26 左右。

Google DeepMind 发布 EmbeddingGemma 2 开源多模态嵌入模型

Google DeepMind 发布 EmbeddingGemma 2，这是一个可原生映射文本、图像、音频和视频到统一嵌入空间的多模态嵌入模型，基于 Gemma 4 架构，采用 Apache 2.0 许可，参数量 7.4 亿。

Mistral 发布 Mistral Large 4 公开预览，1 万亿参数原生多模态模型

Mistral 发布 Mistral Large 4 公开预览，可通过 Mistral Studio 试用预览 API，权重将于本月底放出。