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，首发价每百万 input token 2 美元、output token 10 美元，缓存 input 降价 95%。
推荐理由：官方给出 Argon 的定价、1M token 窗口和多项落地案例，读者可据此判断其在长程编码与科研任务上的定位。
#多模态
#多模态
今日 1 条Google DeepMind精选AI 评分8787
Latent SpaceAI 评分6767 AI Engineer NYC 大会：Gemini 4 Argon 正式发布与多项评测汇总
AI Engineer NYC 大会次日约两万人参与，Latent Space 汇总了当周 AI 动态。Google 的 Gemini 4 Argon 面向编程、知识工作、企业流程和网络防御全局开放，API 入门价 $2/$10 每百万 token，Artificial Analysis 称 11 月 30 日后将涨至 $4/$20。
Simon WillisonAI 评分7373 Meta AI 发布 Muse Wonder 与 Muse Wonder Full 模型
Meta AI 发布新模型 Muse Wonder 与 Muse Wonder Full，称其为当前最强模型；Artificial Analysis 对 Muse Wonder（Max）的评分与 GPT-6.1 Sol 相当。
钛媒体AI 评分7474 Meta 发布 Muse Wonder，首次对标前沿模型并全面转向付费
10 月 12 日，Meta 发布 Muse Wonder（内部代号 Watermelon），这是 Alexandr Wang 领导的超级智能实验室第二代模型，也是 Meta 首次宣称对标前沿模型，称在编程、金融、法律任务上可比肩 ChatGPT 和 Claude，部分基准超过 Claude Opus 5.5、Fable 5.1 和 GPT-6 Astra。
Hugging Face BlogAI 评分4949 TII 推出 Falcon-ASR：1.6B 参数阿拉伯语语音识别模型，主打阿联酋方言
阿布扎比技术创新研究院（TII）发布 Falcon-ASR，这是一个 1.6B 参数的语音识别模型，重点支持阿联酋方言阿拉伯语，同时支持英语、法语、西班牙语和葡萄牙语，五种语言共用同一套权重。
Google DeepMind精选AI 评分7070 Google DeepMind 发布 EmbeddingGemma 2 端侧多模态嵌入模型
Google DeepMind 发布 EmbeddingGemma 2，把文本、图像、音频、视频统一映射到同一嵌入空间，基于 Gemma 4 架构，参数 740M，采用 Apache 2.0 许可，面向端侧推理。
推荐理由：官方给出参数量、模块化设计与存储压缩细节，读者可据此判断端侧多模态检索的落地成本。
The DecoderAI 评分7070 Google 发布图像模型 Nano Banana 2.1，价格约为上代一半
Google 发布图像生成与编辑模型 Nano Banana 2.1，取代 2026 年 2 月发布的 Nano Banana 2，并称其在各方面均有提升。价格约为上一代的一半，1K 图像从 6.70 美分降至 3.36 美分，4K 从 15.10 降至 7.56 美分。
The DecoderAI 评分6464 Google 发布 EmbeddingGemma 2 多模态嵌入模型
Google 发布开源多模态嵌入模型 EmbeddingGemma 2，可将文本、图像、视频、音频和代码转换为数值向量，参数量 740M。Google 称其在多模态嵌入基准上超越参数量最高达其两倍的竞品，在 Massive Text Embedding Benchmark（Code）上得分 78.68，比前代 68.76 提升近 10 分。
TechCrunch · AIAI 评分7272 Mistral 发布 1T 参数新模型 Mistral Large 4
法国 AI 实验室 Mistral AI 发布 1T 参数大模型 Mistral Large 4，绰号 Le Chonk，定位为闭源与中国开源模型之外的欧洲方案。
The DecoderAI 评分7171 Mistral 发布万亿参数 Mistral Large 4，主打安全任务
Mistral 发布迄今最大模型 Mistral Large 4，参数规模一万亿、激活 490 亿，已在 Mistral Studio 开放公开预览，权重预计 10 月底发布。
The DecoderAI 评分6363 Reka AI 发布 190 亿参数全能模型 Rho-1，单网络处理文本图像视频与机器人控制
Reka AI 发布 Rho-1 研究预览版，这是一个 190 亿参数的全能模型，可在单一神经网络中处理和生成文本、图像、视频以及机器人控制动作。与多数把任务分派给专用模型的系统不同，Rho-1 将各模态都作为 token 放在同一个共享上下文窗口中运行，不依赖工具调用或外部模型。
The DecoderAI 评分4747 NASA 与 IBM 发布开源月球基础模型，用 17 年轨道器数据做月球科学
NASA 与 IBM Research 联合多家学术机构发布 NASA-IBM Lunar Foundation Model，称其为最早的开源月球科学基础模型之一。
爱范儿AI 评分5858 和 Opus 5.5 同题交卷，MiniMax M3.1 Flash 的前端创作实测
爱范儿用 Opus 5.5 的公开提示词在 MiniMax Code 中实测 MiniMax M3.1 Flash Preview，让它完成动态作品集、手绘与水墨短片、时间轴交互场景以及街机卡丁车等游戏原型。
The DecoderAI 评分6868 Tavus 发布实时对话模型 Griffin，48% 测试者在一分钟视频通话中误认为真人
Tavus 推出 Griffin，公司称其为首个 Human Interaction Model（HIM），可在接收和生成视频的同时处理语音、面部表情、语气、手势和停顿。
Google DeepMind精选AI 评分7676 Google DeepMind 发布 Gemini 4 Argon 前沿模型
Google DeepMind 宣布新前沿模型 Gemini 4 Argon，先通过 Fairwind Program 向受信任的网络防御者开放，随后逐步扩展至开发者、企业和消费者。
推荐理由：官方披露了 Gemini 4 Argon 的能力、基准与分阶段开放方式，读者可据此判断前沿模型在企业工作流和网络防御中的落地节奏。
雷峰网AI 评分5656 从海拉鲁到现实世界：视频模型如何理解「变化」
雷峰网以三组原创图生视频任务对比 HiDream-O1-Video-1.0、Seedance 2.5 和 MiniMax H3，用同图、同提示词、目标 10 秒的条件检验意图规划、时间因果与音画对应。
雷峰网AI 评分6464 阶跃 Step 5 Preview 实测：用 Claude Code CLI 做 3D 网页游戏
雷峰网上手实测阶跃 Step 5 Preview，以 Claude Code CLI 为工作台，让其调用本机 Blender 生成角色与关卡资产，再用 Three.js/Vite 完成可运行的 3D 迷你网页游戏《星跃岛：能量快递》。
雷峰网AI 评分7171 GPT-6 Astra 首批上手实测：能自检结果、操作 Final Cut Pro，长任务仍会钻细节
雷峰网汇总了 GPT-6 Astra 发布后首批开发者的真实任务实测：有人用 Blender 一周在虚幻引擎里搭出曼哈顿，Theo 用 Blender 在约 30 分钟到 2 小时内做出可直接在浏览器运行的 one-shot 3D 游戏。
Microsoft Research精选AI 评分6161 微软研究院发布生物学生物世界模型系统 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，由跨基因组、蛋白质、化学、RNA 与细胞状态、生物成像等模态联合训练的世界模型和连接模型、科学工具、文献与实验人员的 harness 组成。
推荐理由：微软研究院公开 Quine 的生物世界模型设计，并给出胰腺癌化合物筛选在湿实验中获验证的案例。
爱范儿AI 评分6969 AI 圈新顶流 Space Bunny 实测：涂鸦能生成可交互 3D 网页
爱范儿实测了近日在海外 AI 圈走红的匿名模型 Space Bunny Alpha，其可在 OpenRouter 和 OpenCode 免费调用，模型 ID 分别为 stealth/space-bunny-alpha 和 space-bunny-free。
爱范儿AI 评分7171 可灵 Kling 4.0 首发实测：10-bit HDR 与 15 项参考素材升级
可灵发布 Kling 4.0 大版本更新，主打真实、可控、专业，将于 10 月正式上线，Kling 4.0 Flash 已于 9 月 28 日率先开放小范围体验。
Hugging Face BlogAI 评分3636 Liquid AI 发布 LFM2.5-VL-DSpark 草稿模型，视觉语言模型推理最高提速 3.13 倍
Liquid AI 为视觉语言模型 LFM2.5-VL-3B 发布实验性 DSpark 草稿模型 LFM2.5-VL-DSpark，通过投机解码在不改变输出质量的前提下实现最高 3.13 倍设备端解码加速、H100 上 2.66 倍，端到端分别最高 2.62 倍和 2.27 倍。
NVIDIA Developer BlogAI 评分3030 NVIDIA 推出 NV-Reason-CT Open 3D CT VLM，面向放射科医生链式推理
NVIDIA 发布 NV-Reason-CT Open，这是一款面向放射科医生链式推理（Chain-of-Thought）的 3D CT 视觉语言模型（VLM）。现有通用前沿模型在 3D 体数据成像上表现不佳，多数开源医疗 AI 模型也缺乏相应能力，而 CT 这类临床信息丰富、数据密集的模态长期未获充分覆盖。
Google DeepMind精选AI 评分7676 Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS
Google DeepMind 推出 Gemini 3.8 Flash TTS 与 Gemini 3.8 Flash-Lite TTS 两款语音生成模型，前者面向角色设计与逐行表演指导，后者面向高并发、低成本配音场景。
推荐理由：两个 TTS 模型把语音生成从固定预设转向自然语言定制，并给出 Hume AI 基准成绩与开放入口，便于判断创作与规模化配音的能力边界。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 WeatherNext 3 全球天气 AI 模型
Google DeepMind 与 Google Research 发布 WeatherNext 3 全球天气模型，直接学习实时对地静止卫星观测数据，每小时输出一次预报，温度等关键地表变量分辨率达 5 公里，较上一代 WeatherNext 2 的 25 公里、6 小时更新提升约 5 倍。
推荐理由：官方披露了分辨率、更新频率与训练数据来源的变化，可对比上一代判断天气模型精度提升的路径。
Hugging Face BlogAI 评分4343 Hugging Face 发布 NeoMME：260M 与 800M 多语言多模态编码器
Hugging Face 推出 NeoMME，包含 260M 和 800M 两个多语言多模态编码器，不用独立预训练视觉塔或因果语言模型，由单个双向 Transformer 同时处理文本 token 与原始图像 patch，并以掩码离散扩散目标从零训练。
NVIDIA Developer Blog精选AI 评分6666 阿里发布 Qwen3.8-Flash-Next 权重，预览 Qwen4 架构
阿里发布 Qwen3.8-Flash-Next 的模型权重，作为即将推出的 Qwen4 架构的预览，供开发者实验和评估。该模型是多模态 MoE 模型，主模型 125B 参数，另有 51B N-gram 嵌入向量，每 token 激活 6B 参数，原生上下文窗口 262,144 token，可扩展至 1M token。
Hugging Face Blog精选AI 评分7171 Sentence Transformers v6.0 新增 MultiVectorEncoder 支持 ColBERT 式晚交互检索
Sentence Transformers v6.0 新增第四种模型类型 MultiVectorEncoder，用于 ColBERT 式晚交互检索，PyLate、Stanford-NLP ColBERT 以及 colpali-engine 视觉文档检索检查点均可通过同一套 API 加载。
推荐理由：原文给出多种 ColBERT 类检查点的统一加载方式，以及索引体积与检索收益之间的实测取舍，可据此决定是否替换现有稠密检索。
Google DeepMind精选AI 评分7676 Google DeepMind 发布多语种手语转文本模型 SL2T，首发 Gboard 与 Live Transcribe
Google DeepMind 发布多语种手语转文本模型 SL2T，并在 Pixel 11 的 Gboard 与 Live Transcribe 中以 ASL 转英文的听写功能首次进入消费产品，训练数据超 10 万小时、覆盖 50 多种手语。
推荐理由：官方给出了 SL2T 的数据规模、基准成绩和隐私处理方式，可据此判断手语翻译在消费端落地的可行边界。
Hugging Face Blog精选AI 评分8282 Meta 发布 Muse Glimmer：30B 本地智能体多模态开源模型
Meta 发布多模态模型 Muse Glimmer，从 Muse 蒸馏到 30B 参数，采用 Apache 2.0 许可，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：材料给出 30B 多模态模型在智能体与编码基准上的完整对比表和本地部署路径，可判断其端侧适用边界。
NVIDIA Developer BlogAI 评分3535 NVIDIA Alpamayo 2 Super：用开放 340 亿参数推理视觉模型生成轨迹、推理链与自动标注
NVIDIA 推出 Alpamayo 2 Super，一个开放 340 亿参数的推理视觉模型，可在自动驾驶开发中统一生成轨迹、高层意图预测、场景理解与数据标注，替代此前各环节分立的模型。该模型支持在同一套表示上对比相关输出、排查模型行为，并复用至整个开发流程。
Google DeepMind精选AI 评分7676 Google DeepMind 发布 Gemini Robotics ER 2，为机器人带来视频理解、任务编排与多机器人协作
Google DeepMind 发布面向机器人的具身推理模型 Gemini Robotics ER 2，作为高层“大脑”负责对话、理解物理世界并规划多步任务，再把电机执行交给底层 VLA 模型。
推荐理由：Gemini Robotics ER 2 给出了多机器人协作与视频进度追踪的能力细节和开发者接入方式。
NVIDIA Developer BlogAI 评分2929 NVIDIA Ising Calibration 1.5 发布：用增强的上下文学习实现全自动量子计算机校准
NVIDIA 发布开源视觉语言模型 Ising Calibration 1.5，可解读量子处理器的诊断输出并判断其调优方式，实现基于 AI 的 QPU 自动校准。该版本增强了上下文学习能力，无需先前的训练样本即可分析陌生的诊断结果。
Hugging Face Blog精选AI 评分8282 Thinking Machines 发布 Inkling 与 Inkling-Small 开源多模态模型
Thinking Machines Lab 在 Hugging Face 发布 Inkling 系列开源多模态大模型，Inkling 为 975B 总参数、41B 激活参数的 MoE 模型，原生接受图像、文本和音频输入，支持 1M 上下文。
推荐理由：首个约1T参数、1M上下文的开源原生多模态模型，附完整部署配置与基准对比可供参考。
Google DeepMind精选AI 评分7878 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）和 Gemini Omni Flash（gemini-omni-flash-preview）两款模型。
推荐理由：两款模型给出明确的延迟、单价与可用入口，读者可据此判断图像与视频生成流水线的成本变化。
Hugging Face BlogAI 评分4545 PP-OCRv6 上线 HF Mirror：1.5M 到 34.5M 参数、支持 50 种语言
PaddleOCR 的 PP-OCRv6 已在 HF Mirror 上线，提供 tiny、small、medium 三档模型，参数规模从 1.5M 到 34.5M，其中 medium 和 small 单模型支持 50 种语言。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 Gemini 3.5 Live Translate 语音翻译模型
Google DeepMind 发布音频模型 Gemini 3.5 Live Translate，支持 70 多种语言的近实时语音到语音翻译，能自动检测语言并保留说话人的语调、节奏和音高。
推荐理由：Gemini 3.5 Live Translate 把语音翻译从轮流应答改为连续输出，并给出开发者、企业与普通用户的接入路径。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 Gemma 4 12B 无编码器多模态模型
Google DeepMind 发布 Gemma 4 12B，一款面向笔记本的 12B 多模态模型，性能接近 26B MoE 模型，可在 16GB VRAM 或统一内存上本地运行。
推荐理由：Gemma 4 12B 去掉视觉与音频编码器，16GB 内存即可本地跑，可看轻量多模态模型的新做法。
Hugging Face BlogAI 评分3939 NVIDIA 发布 Nemotron 3.5 Content Safety：面向企业 AI 的可定制多模态安全模型
NVIDIA 发布 Nemotron 3.5 Content Safety，基于 Gemma 3 4B IT 微调，单次推理即可统一处理多模态输入、多语言、自定义企业策略与可审计推理。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 Gemini Omni 系列首个模型 Gemini Omni Flash
Google DeepMind 发布 Gemini Omni 系列首个模型 Gemini Omni Flash，可组合图像、音频、视频和文本输入生成高质量视频，并通过自然语言对话编辑视频。
推荐理由：Gemini 首个 Omni 系列模型发布，多模态输入加对话式视频编辑的入口值得关注。