技术方向
文本之外的能力：视觉理解、图文混合、音视频输入输出的模型与产品进展。
11 条精选近 30 天11条共收录47条
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。
推荐理由：原文给出 1T 总参数、49B 激活、1M 上下文的完整架构与基准数据，可据此判断开源权重模型在网络安全与编码智能体上的位置。
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。
推荐理由：原文给出 Mistral Large 4 在 vLLM 上的完整部署参数与多项优化前后对比数据，可作为长上下文推理配置的参考。
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。
推荐理由：原文给出实时数字人从语音 token 到视频生成的完整链路，以及延迟、并发和蒸馏带来的 60 倍推理压缩。
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。
推荐理由：作者以建筑师身份实测 13 个模型出图，给出各模型施工图质量对比与成本耗时，可据此判断 AI 制图的真实水平。
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。
推荐理由：原文给出六个 2B 级模型的架构改动与基准对比，可据此判断端侧多模态专用模型的落地边界。
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。
推荐理由：原文交代了 Genie 4 的原生音频、实时可控与 Gemini 协同推理，读者可据此判断世界模型在机器人与内容预演上的用法。
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。
推荐理由：原文列出各创作应用新增的 AI 能力与 MCP 支持，读者可据此判断苹果生态内创作工作流的变化。
Google Research 在 JAMA Network Open 发表研究，用 AI 模型解读未经超声培训的操作者采集的盲扫超声图像来估计孕龄。在 385 名 16 至 36 周孕妇的队列中，模型平均绝对误差为 4.18 天，专家标准流程为 4.48 天；芝加哥适配后为 4.10 天，内罗毕零本地优化为 4.27 天。
推荐理由：研究在芝加哥与内罗毕两地验证同一模型对盲扫超声的孕龄估计，可看跨硬件与跨人群的泛化边界。
Google DeepMind 发布 Gemini 4 Argon，面向开发者、企业和消费者开放，API 定价为每百万输入 token 2 美元、每百万输出 token 10 美元。
推荐理由：官方披露了 Argon 在编码、科研与安全对齐上的具体案例和基准表现，可据此判断前沿模型在长程任务上的进展。
Google DeepMind 发布 EmbeddingGemma 2，将文本、代码、图像、视频和音频映射到统一嵌入空间，采用 Apache 2.0 许可，参数量 740M。
推荐理由：原文给出参数量、内存占用与基准提升，可据此判断端侧多模态检索的部署门槛。
Mistral AI 发布 Mistral Large 4 公开预览，这是一个 1 万亿参数、520 亿激活参数的原生多模态模型，权重将于本月底开放。
推荐理由：Mistral 迄今最大模型以开放权重和欧洲自建算力为卖点，读者可据此判断开源前沿模型的竞争格局。