Liquid AI 发布 LFM2.5-VL-DSpark 草稿模型，为 LFM2.5-VL-3B 加速推理
Liquid AI 发布实验性 DSpark 草稿模型 LFM2.5-VL-DSpark，为视觉语言模型 LFM2.5-VL-3B 加入推测解码路径，解码最高提速 3.13x（端侧）和 2.66x（H100），端到端最高提升 2.62x 和 2.27x。
AI 评分40
AI 评分 40 / 100
#多模态模型
#多模态模型
今日 3 条Hugging Face Blog Latent Space精选 Meta Connect 2026：Muse 智能体、眼镜硬件与 Charm 设备
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，发布智能体功能与新眼镜，但只预告未发布新的前沿模型。Muse 新增语音与实时视频能力，可后台执行任务，并接入全部 Meta 眼镜、拥有独立邮箱地址，Mac 版支持 computer use，连接器平台覆盖 1500+ 应用。
AI 评分78
AI 评分 78 / 100
Google AI (The Keyword) Google Beam 扩展至六国，并与 Industrious 共建首个扩展网络
Google Beam 宣布向美国、加拿大、英国、法国、德国、日本六国出货，由 HP Dimension 承载并接入 Google Meet 与 Zoom，配套 18 家渠道合作伙伴。
AI 评分31
AI 评分 31 / 100
Qwen Blog精选 千问开源 Qwen-Image-2.1：7B 视觉生成模型，文生图与图像编辑合一
千问开源 Qwen-Image-2.1，把文生图与图像编辑整合进同一模型，视觉生成部分仅 7B 参数，并原生支持透明图像的生成与编辑。
AI 评分72
AI 评分 72 / 100
Qwen Blog精选 Qwen 发布 Qwen3.8-LiveTranslate 实时同传模型，字均延迟降至 2.3 秒
Qwen 团队发布 Qwen3.8-LiveTranslate 实时同传模型，用 Interleave 架构把同传重构为音频-文本交织的单流形式，字均延迟（LAAL）从上一代 2.8 秒降至 2.3 秒。
AI 评分78
AI 评分 78 / 100
Qwen Blog精选推荐 Qwen 发布原生全模态模型 Qwen3.8-Omni-Flash，支持 1M 上下文与音视频 Agent
Qwen 团队上线原生全模态模型 Qwen3.8-Omni-Flash，支持文本、图像、音频、视频输入和 1M 长上下文，重点强化音视频场景的 Agent 任务规划与工具调用能力。
AI 评分82
AI 评分 82 / 100
Google Research Google Research 用生成式 UI 让教师创建互动学习模拟
Google Research 发布研究实验，让教师借助生成式 UI（GenUI）按自己的课程目标和教学大纲动态生成互动式学习模拟，并已开放 30 多个面向初高中 STEM 的英文学习互动示例库，覆盖物理、化学、生物和数学，全部由 AI 生成并经教师审核。
AI 评分58
AI 评分 58 / 100
Google AI (The Keyword) Google 用 Gemini 3.5 与 TranslateGemma 推进 300 种语言覆盖
Google 称其技术已支持 300 多种语言、覆盖全球 86% 人口，Gemini 3.5 Live Translate 可实时翻译 70 种语言、2000+ 语言对，并原生处理语码转换与情绪线索。
AI 评分42
AI 评分 42 / 100
Google AI (The Keyword) Google DeepMind 用 AI 逐帧重现一对夫妇 70 年爱情故事
Google DeepMind 与导演 Liz Garbus 团队合作，用生成模型修复 Burt 和 Ethelle Shatz 年轻时的黑白照片，再用表演捕捉模型把两人当下的微表情与姿态映射到年轻形象上，重现他们未被拍摄的初遇。影片《Love, Rendered》由 Primordial Soup 联合制作，Ethelle 本人参与校正细节。Gemini 应用现已支持上传照片进行修复与上色。
AI 评分38
AI 评分 38 / 100
OpenAI News精选 OpenAI 发布 ChatGPT Images 2.5
OpenAI 发布 ChatGPT Images 2.5，可将想法、草图与参考照片转化为更个性化、更精致的图像，并更贴近用户原本的构想。
AI 评分62
AI 评分 62 / 100
Google DeepMind精选 Google DeepMind 发布 WeatherNext 3 全球天气 AI 模型
Google DeepMind 与 Google Research 发布 WeatherNext 3，称其为目前最先进、最准确的全球天气模型，直接学习实时卫星观测数据，可每小时生成一次预报。
AI 评分78
AI 评分 78 / 100
Hugging Face Blog 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 与原始图像 patch，无需独立视觉塔或因果语言模型。
AI 评分44
AI 评分 44 / 100
Qwen Blog精选 Qwen 发布自动驾驶视觉-语言基础模型 Qwen-Drive-1.0
Qwen 团队发布 Qwen-Drive-1.0，这是首个在预训练阶段统一 3D 感知与视觉问答、并扩展到运动规划的自动驾驶视觉-语言基础模型，且全程不改动预训练 VLM 架构。
AI 评分78
AI 评分 78 / 100
Google DeepMind精选 Google DeepMind 在 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，视频分析 token 消耗最多降低 88%、成本最多降低 66%、准确率最多提升 7%。
AI 评分76
AI 评分 76 / 100
Google AI (The Keyword) Google 在 Workspace 推出 Google Pics 图像创建与编辑工具
Google 面向 Google AI Pro、Ultra 订阅用户及多数 Workspace 商业客户推出图像创建与编辑工具 Google Pics，未来几周内逐步开放。
AI 评分52
AI 评分 52 / 100
Google DeepMind精选 Google DeepMind 发布 Gemini Omni 1.1 Flash，支持场景延长与 4K 放大
Google DeepMind 发布 Gemini Omni 1.1 Flash，通过 Gemini API 在 Google AI Studio 提供面向开发者的生成视频控制能力。
AI 评分71
AI 评分 71 / 100
DeepSeek News精选 DeepSeek 上线多模态视觉理解模型 V4-Flash-Vision-Exp 并开放 API
DeepSeek 上线实验性多模态视觉理解模型 DeepSeek-V4-Flash-Vision-Exp，通过 model='deepseek-v4-flash-vision-exp' 调用 API。
AI 评分62
AI 评分 62 / 100
Hugging Face Blog Hugging Face 为 OlmoEarth Studio 推出自定义嵌入向量导出功能
Hugging Face 的 OlmoEarth Studio 现已支持计算并导出嵌入向量，用户可通过 UI 或 API 选择区域、时段、编码器变体和分辨率，获得 Cloud-Optimized GeoTIFF（COG）输出。
AI 评分39
AI 评分 39 / 100
Microsoft Research MindTopo 基准揭示多模态大模型的空间推理短板
Microsoft Research 推出 MindTopo 基准，用于评测多模态大模型在连通性、封闭性、顺序、分离与打结等拓扑概念上的推理与规划能力。测试显示，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，且整体远低于人类水平。图像与视频生成仅在单帧关系可见时偶有帮助，跨序列操作时仍不可靠。
AI 评分38
AI 评分 38 / 100
Google DeepMind精选 Google DeepMind 发布 SL2T 手语转文字模型，率先落地 Pixel 11 的 Gboard 与 Live Transcribe
Google DeepMind 发布大规模多语言手语转文字模型 SL2T，并在 Pixel 11 的 Gboard 和 Live Transcribe 中上线手语听写功能，首批支持美国手语（ASL）转英文。
AI 评分74
AI 评分 74 / 100
Microsoft Research 微软研究院发布 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
微软研究院推出研究模型 CARE-X，一个统一胸部 X 光 VLM，可同时完成报告生成、结构化诊断预测与病灶定位，并用强化学习（DAPO）在多任务设置下奖励临床正确性。
AI 评分38
AI 评分 38 / 100
Hugging Face Blog精选推荐 Meta 发布开源多模态模型 Muse Glimmer 30B，面向本地智能体场景
Meta 发布多模态模型 Muse Glimmer，从 Muse 蒸馏至 30B 参数，采用 Apache 2.0 许可，面向本地智能体场景，适用于编码、文档分析和个人助理等隐私敏感应用。
AI 评分82
AI 评分 82 / 100
Google DeepMind精选 Google DeepMind 发布 Gemini Robotics ER 2 具身推理模型
Google DeepMind 发布 Gemini Robotics ER 2，这是其面向机器人的具身推理模型，可作为高层大脑与人类对话、理解物理世界并规划多步任务，再把动作执行交给底层 VLA 模型，同时支持原生调用 Google Search 等工具。
AI 评分71
AI 评分 71 / 100
Google DeepMind精选 Google DeepMind 发布 Gemini Robotics 2，为机器人带来全身智能
Google DeepMind 发布 Gemini Robotics 2，包含三款模型：负责视觉-语言-动作的 Gemini Robotics 2、负责具身推理的 Gemini Robotics ER 2，以及可在设备本地运行的 Gemini Robotics On-Device 2。
AI 评分76
AI 评分 76 / 100
Hugging Face Blog精选 Diffusers 原生支持 Nunchaku 4-bit 扩散推理
Hugging Face 在 Diffusers 中集成 Nunchaku Lite，可直接用 from_pretrained() 加载 Nunchaku 风格的 4-bit 量化 checkpoint，无需自定义 pipeline 或本地 CUDA 编译。
AI 评分60
AI 评分 60 / 100
Google DeepMind精选推荐 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 三款新模型。
AI 评分80
AI 评分 80 / 100
Qwen Blog精选 Qwen 发布 Qwen-Image-3.0 图像生成基础模型，支持 4.5k token 输入与 10px 小字渲染
Qwen 团队推出第三代图像生成基础模型 Qwen-Image-3.0，核心能力定位为“实”，即可直接用于生产的复杂版面生成。模型将可接受指令长度提升至 4.5k token，可一次性生成含 3.7k token 描述的九宫格复杂信息图，并支持 10px 小字精准渲染、LaTeX 公式与报纸批注等细节还原。
AI 评分72
AI 评分 72 / 100
Hugging Face Blog精选推荐 Thinking Machines 在 Hugging Face 发布 Inkling 多模态模型及 Inkling-Small
Thinking Machines 在 Hugging Face 发布 Inkling，一个约 1T 参数、支持 1M 上下文、原生接收图像文本音频输入的开源多模态 MoE 模型，同时发布 276B 总参数 12B 激活的 Inkling-Small。
AI 评分88
AI 评分 88 / 100
Google DeepMind Google DeepMind 与 A24 宣布首个研究型合作伙伴关系
Google DeepMind 与 A24 宣布达成首个研究型合作伙伴关系，双方将围绕多个项目展开长期研发协作，让 A24 的创作者直接参与塑造新技术。Google 同时已对 A24 进行投资。该合作初期聚焦于打通前沿技术与下一代娱乐之间的鸿沟，具体目标与技术产出将随时间演进。
AI 评分30
AI 评分 30 / 100
Hugging Face Blog精选 Hugging Face 与 Cerebras 将 Gemma 4 引入实时语音 AI
Hugging Face 与 Cerebras 联合演示了一套实时语音到语音管线，将 Gemma 4 接入语音对话流程。该管线采用模块化开源架构：Nvidia Parakeet 做语音识别，Gemma 4 31B 在 Cerebras 上推理，阿里 Qwen3TTS 负责文本转语音，各层均可替换。
AI 评分62
AI 评分 62 / 100
Google DeepMind精选推荐 Google DeepMind 发布 Nano Banana 2 Lite 与 Gemini Omni Flash
Google DeepMind 发布 Nano Banana 2 Lite（gemini-3.1-flash-lite-image）与 Gemini Omni Flash（gemini-omni-flash-preview）两款模型。
AI 评分80
AI 评分 80 / 100
Hugging Face Blog PP-OCRv6 上线 Hugging Face：1.5M 到 34.5M 参数、支持 50 种语言
PaddleOCR 发布新一代通用 OCR 模型家族 PP-OCRv6，已在 Hugging Face 上线，提供 tiny、small、medium 三档，参数量从 1.5M 到 34.5M，其中 small 和 medium 支持 50 种语言。
AI 评分58
AI 评分 58 / 100
Google DeepMind精选推荐 Google DeepMind 发布 Gemma 4 12B：统一无编码器多模态模型
Google DeepMind 发布 Gemma 4 12B，一款面向笔记本的智能体多模态模型，介于 E4B 与 26B MoE 之间，可在 16GB 显存或统一内存上本地运行。
AI 评分82
AI 评分 82 / 100
Hugging Face Blog精选 如何用两个 Hugging Face Space 让智能体搭出 3D 巴黎画廊
作者让编码智能体调用两个 Hugging Face Space，先由 ideogram-ai/ideogram4 生成六张巴黎地标图像，再由 VAST-AI/TripoSplat 从单图重建 3D Gaussian splat，最终拼成可交互的静态 Space 画廊。
AI 评分62
AI 评分 62 / 100
Hugging Face Blog精选 NVIDIA 发布 Nemotron 3.5 Content Safety 多模态安全模型
NVIDIA 发布 Nemotron 3.5 Content Safety，基于 Gemma 3 4B IT 微调，把多模态输入、多语言覆盖、自定义企业策略执行和可审计推理统一到一次推理调用中。
AI 评分60
AI 评分 60 / 100
Qwen Blog精选 阿里千问发布多模态智能体模型 Qwen3.7-Plus
阿里千问发布 Qwen3.7-Plus，把视觉与语言统一为一体化智能体基座，在保留编码、工具调用与生产力工作流能力的同时全面升级视觉-语言能力。该模型可在单一智能体循环中融合 GUI 与 CLI 交互，支持读屏操作 GUI、按视觉参考生成代码、端到端导航移动应用，并称在 Claude Code、OpenClaw、Qwen Code 等框架下表现稳定。
AI 评分72
AI 评分 72 / 100
Qwen Blog精选 Qwen 发布同声传译模型 Qwen3.5-LiveTranslate-Flash，支持 60 种语言、端到端字均延迟 2.8 秒
Qwen 团队发布基于 Qwen3.5-Omni 构建的同声传译模型 Qwen3.5-LiveTranslate-Flash，输入音频与输出文本语种从前代 18 种扩至 60 种，输出音频语向从 10 种增至 29 种。
AI 评分78
AI 评分 78 / 100
Google DeepMind精选 Google DeepMind 为 Project Genie 加入 Street View 真实场景生成能力
Google DeepMind 在实验性原型 Project Genie 中上线 Street View 真实影像锚定能力，用户可选取美国地点并搭配风格与角色描述，生成以真实地点为起点的可交互世界。
AI 评分62
AI 评分 62 / 100
Google DeepMind精选推荐 Google DeepMind 发布 Gemini Omni Flash，支持对话式视频编辑
Google DeepMind 发布 Omni 家族首个模型 Gemini Omni Flash，可组合图像、音频、视频和文本作为输入生成高质量视频，并通过自然语言多轮对话编辑视频。
AI 评分82
AI 评分 82 / 100
Google DeepMind精选 Google 将 SynthID 与 C2PA 内容验证扩展到搜索、Gemini 和 Chrome
Google 宣布扩展内容透明度与验证工具，把 SynthID 的图像、视频和音频验证从 Gemini 应用扩展到搜索，并将在未来几周进入 Chrome；该验证功能在 Gemini 应用中已被使用 5000 万次。
AI 评分70
AI 评分 70 / 100