#多模态

Nace AI 开源 Drex Max v1：27B 决策模型可在 Apple Silicon 本地运行

Nace AI 以开放权重形式发布 Drex Max v1，这是一个 27B 稠密决策模型，支持 262,144 token 窗口，单次前向为每个选项输出概率而不生成文本。

UriScanAI：用手机摄像头扫描尿液颜色评估水合状态的 AI 应用

UriScanAI 通过手机摄像头扫描尿液颜色来估算水合水平，并给出评分与可执行建议，无需实验室检测。应用支持记录每日饮水量、查看扫描历史与趋势、设置喝水提醒，Pro 版一次性买断解锁完整历史与详细健康报告。健康数据保存在设备本地，官方声明其仅用于一般健康用途、非医疗器械。

Google DeepMind 与 WRI 用卫星数据和 AI 绘制全球森林类型地图 ForTy

Google DeepMind 与世界资源研究所联合开发了 ForTy（Forest Typology），把 2020 年全球陆地在 10 米分辨率上划分为原始林、自然再生林、人工林、种植园、油棕橡胶可可等树作物和其他土地 6 类，作者称这是首个此类全球地图。

Hi3D 发布 V3.0 AI 3D 生成模型，达 2048³ 体素分辨率

Hi3D 发布基于自研 Sparc3D 引擎的 Hi3D V3.0，称其为首个商用达到 2048³ 体素分辨率的 AI 3D 生成模型，纹理输出最高提升至 8K 并配合自研 UV 补全算法。该版本可分离相邻细小部件、渲染浅浮雕与薄壁悬垂结构，并改善多视角几何一致性。免费体验期为 2026 年 8 月 19 日至 20 日，同期年订阅享 70% 折扣。

OTO AI 如何用实时 AI 助手应对面试与会议

OTO AI 是一款桌面端 AI 会议助手，可实时监听会议内容、识别提问并调用用户自选的 AI 模型生成即时回答。它支持 OpenAI、Anthropic Claude、Google Gemini 和 DeepSeek 的模型，可接入 Google Meet、Microsoft Teams、Zoom、Webex 等平台，并支持导入 TXT、Markdown、DOCX、PDF 文档作为背景上下文。

Fremantle 用 AI 将《Neighbours》旧素材剪辑成竖屏微短剧，演员与剧组担忧未获同意

Fremantle 联合 RoseBerry Media 用 AI 扫描《Neighbours》逾 9,300 集旧素材，制作面向手机观众的竖屏微短剧，首批聚焦 Margot Robbie 饰演角色的片段。

ElevenLabs 发布音效模型 SFX v3，已在 ElevenCreative 和 ElevenAPI 上线

ElevenLabs 发布新一代音效模型 SFX v3，已在 ElevenCreative 和 ElevenAPI 上线。相比 SFX v2，它更能可靠处理单条提示词中描述多个声音的场景，音乐与人声生成更可信，在基准测试中音质更干净自然，并减少了锣、铃、哨声等音效的杂音。

Disney 提交情感响应式 AI 角色专利，利用游客记忆建立情感纽带

Disney 于 2026 年 6 月 29 日提交两项情感响应式 AI 交互角色（AIIC）专利，让角色借助游客分享的记忆与自身"记忆库"匹配，生成个性化对话、表情或动作。第二项专利让角色基于匹配记忆的情绪修饰符创作并表演歌曲、诗歌或舞蹈。若匹配失败，角色会即兴编造一段"幻觉记忆"存入记忆库。Disney 尚未宣布相关落地计划。

在 Amazon EKS 与 SageMaker HyperPod EKS 上部署 NVIDIA Nemotron 模型加速智能体 AI

NVIDIA Nemotron 3.5 Super VL 已可在 AWS 上使用，这是一个 120B 参数的 MoE 多模态模型，每个 token 激活 12B 参数，支持最长 1M token 上下文和文本、图像、文档、视频输入。

Mistral Large 4（Le Chonk）在 Hugging Face 发布

Mistral 发布多模态 MoE 模型 Mistral Large 4（Le Chonk），约 1T 总参数、49B 激活参数，上下文窗口 1M tokens，采用 FP8 与 NVFP4 两种官方权重，并以 Mistral Ecosystem Open-Weight License 分发。

vLLM 在发布当天支持 Mistral Large 4

vLLM 宣布在 Mistral Large 4 发布当天提供支持，该模型为 1 万亿参数、每 token 激活 49B 的 MoE 原生多模态模型，提供 FP8 与 NVFP4 两种 checkpoint。

IBM Granite Switch 4.1.1 补丁发布：像更新软件一样更新模型

IBM 发布 Granite Switch 4.1.1 补丁版本，与 4.1 完全向后兼容、无需迁移，基础模型未改动，仅更新适配器即可部署。此次更新包括支持 10 种语言、自带标点与大小写的 Granite Speech ASR 模型，以及在 Jev Decision Index 测试集上表现提升的 granitelib-core Decision 适配器。

用 Qwen2.5-VL、Gemma 3 与 gpt-6.1-sol 搭建香蕉分拣 AI 的实测

有人用 Qwen2.5-VL 3B、Gemma 3 4B、Liquid d1-2B 和 gpt-6.1-sol 四个模型做香蕉分拣判断，各跑 100 次区分新鲜与丢弃。Qwen2.5-VL 3B 与 Gemma 3 4B 对带黑点的香蕉几乎全部判为丢弃，gpt-6.1-sol 在重斑点香蕉上仅 16 至 38 次判丢弃，结果不稳定。作者据此认为高端模型仍难以替代人在关键判断上的作用。

从音乐视频里学到的 AI 监管：Claude Opus 5.5 催生的 slopcore 场景

Claude Opus 5.5 于 2026 年 9 月发布后，AI 生成的音乐视频质量明显提升，形成名为 slopcore 的创作场景，粉丝运营的榜单 SlopHits 已收录超 620 条作品。这些视频大量讨论对齐、超级说服、沙箱与 AGI 时间线等 AI 安全与监管议题，多数画面由代码生成而非视频模型。

Come Back and Back AI：用照片生成 10 秒「Wyw My Sweetie」舞蹈视频

Come Back and Back AI 是一款针对 TikTok「Come Back and Back」趋势的 AI 舞蹈视频生成器，可将每位舞者的一张照片生成 10 秒 MP4 视频。

Prime Video 首部全 AI 生成剧集《Castle Walls》被批画面失真

Prime Video 上线由土耳其制作公司 Ay Yapım 用多种生成视频工具制作的两集剧集《Castle Walls》，被称为首部在主流流媒体平台首播的端到端 AI 生成剧集。评论认为人物像涂了凡士林的蜡像般融化，画面堆砌宏大镜头却缺乏真实时空感。文章指出该剧仍使用真人配音和人类编剧，但台词平庸，并主张人机应协作增强而非取代人类创作。

Meta 发布 Muse Realtime Avatar，可将任意图片变成实时对话数字人

Meta 发布 Muse Realtime Avatar，把 Muse Realtime Voice 的语音 token 流驱动为带表情、手势和全身动作的实时数字人，任意图片均可作为角色参考。

建筑师实测 13 个 AI 模型：Claude Opus 5.5 能画出可报批施工图

建筑师 Stephen Gallagher 用同一套房屋概念草图和参考施工图，测试 13 个新旧 AI 模型的制图能力，认为 2026 年 9 月 22 日发布的 Claude Opus 5.5 最强，经人工批注修改后能产出可用于报批的简单建筑图纸。

Google DeepMind 发布 Genie 4 实时世界模型，原生生成音频

Google DeepMind 发布研究预览版 Genie 4，可从文本和图像提示实时生成可探索世界，并原生生成环境音、音乐和角色对话。Gemini 3.8 Flash 在仿真循环中承担规划、校验帧和重规划，Gemini Omni 锚定世界的外观与行为。

同一新闻，精选展示《Google DeepMind 发布世界模型 Genie 4》

OpenMontage Drama Studio 发布：自托管 AI 短剧工作室

OpenMontage Drama Studio 发布，这是一个可自托管的 Web 工作室，把一句话创意经剧本、角色、场景、道具、分镜、配音、剪辑七个阶段做成短剧或产品短片。

Liquid AI 发布 LFM3 系列 6 个 2B 级开源多模态模型

Liquid AI 发布 LFM3 系列 6 个开源权重、2B 级多模态模型，均基于同一骨干，覆盖文本、视觉、音频、全模态和决策任务，可在单张 GPU 上微调并部署到手机、笔记本或云端。

Dola AI 发布：集图像、视频、创意与办公工具于一体的浏览器创作工作室

Dola AI 上线浏览器创作工作室，把图像编辑、场景构图、视频时间线和参考板整合到同一工作区，支持 2D 图层合成、背景移除、文生图、图生视频等 12 种视觉工作流。3D 世界生成使用 World Labs Marble，音频与物体生成使用 Fal，本地编辑和项目保存不消耗生成额度。用户可先手动排布图层、相机与道具，再选择模型提交生成任务。

用 Claude 语音提示自动部署，我把自己送进了 VR 精神病

作者用 Claude 配合 Wispr Flow、Granola 语音听写，从酒吧里语音提示生成网页应用，并搭建 Git、Vercel、Cloudflare 自动部署管线，批量生成并上线 VR 游戏。他称这套流程让迭代游戏生成成为磨练品味最快的方式，并分享了 Star Crusader、Rampart、FrostFlame 等作品。

Google DeepMind 发布 Genie 4 实时世界模型

Google DeepMind 推出 Genie 4，这是 Genie 3 的后续版本，可逐帧计算场景并响应用户输入，用户用键盘移动、用文本提示词引导事件。DeepMind 称这是其首个直接生成声音的实时世界模型，每个世界带有环境音，角色之间能对话并实时反应。

Property Finder 如何修复评估偏差，在 Amazon Bedrock 上选出更优模型

Property Finder 发现其评估标签中 96.8% 直接来自现有视觉语言模型的预测而非人工核验，导致任何替代模型在比较中结构性处于劣势。团队重新人工标注 356 张 UAE 图像并改用多标签分类，结合进化式提示词优化在 Amazon Bedrock 上迭代 v0 到 v27，最终实现准确率提升且成本降低 86%。

Liquid AI 发布 LFM3 系列：六个 2B 级多模态模型共享同一骨干

Liquid AI 发布 LFM3 新一代 Liquid Foundation Models，把文本、视觉、音频、omni 和决策模型统一到 2B 参数级的共享骨干上，全部开源权重并已在 Hugging Face 上线。

DeepMind 发布 Genie 4 世界模型，宣称物理与人物模拟更真实

Google DeepMind 发布 Genie 4 世界模型，称其在几乎各方面都优于 Genie 3，能更真实地模拟物理规律和人物，并借助更新后的 Gemini 模型实现改进。

同一新闻，精选展示《Google DeepMind 发布世界模型 Genie 4》

Google DeepMind 发布 Genie 4 世界模型，新增音频与实时操控

Google DeepMind 以研究预览形式发布世界模型 Genie 4，可生成实时匹配的音乐、环境音与交互对话，并支持在模拟过程中输入提示词改变天气、镜头角度或增删人物物体。

同一新闻，精选展示《Google DeepMind 发布世界模型 Genie 4》

Google 发布 Genie 4 世界模型，可生成更逼真的交互体验

Google 发布 Genie 4 世界模型，用于生成可交互体验，包含四项主要更新：更逼真的世界、用自然语言提示词实时更新体验、生成音频，以及底层使用 Gemini 3.8 Flash 辅助模拟。

Google DeepMind 发布世界模型 Genie 4

Google DeepMind 发布世界模型 Genie 4，可实时生成带原生音频的可交互模拟世界，并支持用自然语言实时修改场景。Genie 4 首次原生生成音频，包含环境声与可随输入变化的角色对话，并借助 Gemini Omni 与 Gemini 3.8 Flash 维持场景连贯与多步事件推理。

Show HN: EveryGen AI — 在一个标签页内完成 AI 图像、短视频与文案改写

EveryGen AI 是一个独立工具，把 AI 图像生成、短视频和文案改写整合在同一工作区。首页视频工作区默认选中 MiniMax H3 Max Turbo，支持 5–15 秒、768P 与原生音频，5 秒 768P 片段后端推理约 2.5 秒；图像工作区默认使用 GPT Image 2，支持 1K/2K/4K 和 1–4 张输出。该工具并非 MiniMax 或 fal 官方站点。

不懂建模和编程，能否用 AI 做出 3D 游戏

作者在不会建模、不会编程的情况下，用 ChatGPT 生成提示词、Codex 写代码、Hunyuan3D 生成模型、Mixamo 做动画、Freesound 找音效，约 10 天做出一个受 Mass Effect 启发的浏览器 3D 游戏原型。

AI 能否凭记忆画出旧金山？六款聊天模型反向地理编码实测

研究者向 Anthropic、OpenAI、Google 各两款共六个聊天模型输入旧金山 41,526 个经纬度点，让其在无地图无联网条件下判断该处是水域、公园还是其他，并与 OpenStreetMap 比对。

Apple Creator Studio 更新：Final Cut Pro 集成 MotionVFX，Keynote 等加入 AI 助手与 MCP 支持

Apple 为 Apple Creator Studio 推出更新，Final Cut Pro for Mac 内置 MotionVFX 特效与模板，并可在应用内使用 Content Hub 的视频素材。

vLLM Semantic Router 发布 d3-ultra：27B 开源多模态决策模型

vLLM Semantic Router 团队发布 d3-ultra，一个 26.09B 参数、Apache-2.0 许可的多模态决策模型，不生成文本，而是对输入一次性读取后按 Choice、Yes/No、Score、Box、Track 等题型返回概率。

百度开源 Unlimited OCR 2，支持数百页文档解析

百度开源 Unlimited OCR 2，这是一个 3.34B 参数的 OCR 模型，可在单次请求中解析数百页书籍、财报和报告，权重以 MIT 协议发布，代码在 GitHub。

OpenAI 发布 GPT-6.1 Terra，API 价格为 GPT-6.1 Sol 的一半

OpenAI 发布面向视觉推理、电脑操作和写作的 GPT-6.1 Terra，API 定价为每百万 token 输入 1 美元、输出 5 美元，是 GPT-6.1 Sol 的一半。

同一新闻，精选展示《OpenAI 发布 GPT-6.1 Terra》

OpenAI 发布 GPT-6.1 Terra 模型，主打视觉推理与计算机操作

OpenAI 发布 GPT-6.1 Terra，官方称其结合了细致的视觉推理、精确的计算机操作和更清晰自然的写作，相比 GPT-5.6 Terra 有明显提升。

同一新闻，精选展示《OpenAI 发布 GPT-6.1 Terra》

《蓝色星球 III》在 AI 时代保留粗糙边缘

BBC《蓝色星球 III》刻意保留浮游生物、船只、浮标等不完美画面，以证明素材真实、非 AI 生成。执行制片人 Elizabeth White 称，真实海洋生物"可能比 AI 能想象的更非凡"。片中呈现海豚用海绵堵洞围捕鱼群、鱼类跨物种交流、20 万只螃蟹列队觅食等画面。

Allen AI 发布 OlmoEarth v1.3 卫星嵌入模型及全球嵌入数据

Allen AI 发布 OlmoEarth v1.3 卫星嵌入模型，为全球每 10 米像素生成 128 维向量，前 64 维可单独使用。在覆盖六大洲 27 项评测中，128 维版本在 20 项得分最高，64 维版本在 18 项领先，对比对象为 AlphaEarth Foundations 和 Tessera v2。