Thinking Machines Lab 发布本地多模态模型 Inkling 2 Mini
Thinking Machines Lab 发布面向本地部署的多模态 MoE 模型 Inkling 2 Mini,约有 26B 物理总参数、每个 token 激活 3B 参数,支持 1M-token 上下文及图文输入。
推荐理由:文章拆解循环层与跨轮消息机制,并给出多套本地推理路径,便于比较模型容量、速度和显存之间的取舍。
Thinking Machines Lab 发布面向本地部署的多模态 MoE 模型 Inkling 2 Mini,约有 26B 物理总参数、每个 token 激活 3B 参数,支持 1M-token 上下文及图文输入。
推荐理由:文章拆解循环层与跨轮消息机制,并给出多套本地推理路径,便于比较模型容量、速度和显存之间的取舍。
Google AI 汇总了过去两周推出的多款 Gemini、Genie、机器人与生命科学模型,以及 Stitch Loop 实验。Gemini 4 Neon 面向复杂软件工程、知识工作和科学工作流,提供前沿级智能与快速的端到端任务执行;Gemini 4 Hydrogen 强调日常编码和智能体工作流的速度与效率;Gemini 4 Carbon 面向高难度长期项目和深度研究。
研究提出多模态 Jacobian 透镜 MC-Lens 探查 VLM 内部概念处理,发现可靠的选择性访问形成晚于概念可访问性。反事实实验显示,被访问概念参与下游计算与推理;不同 VLM 家族和规模虽内部组织有别,仍呈现概念可访问性、依查询选择性和跨任务干预效应等共同模式。
Apple 发布 Depth Pro 2,可快速处理任意分辨率的照片和视频。用户可试用 @_akhaliq 提供的演示。
WeMM-Video 提出覆盖2B、4B、9B和35B-A3B的中英双语全模态基础模型家族,统一处理文本、图像、音频和视频,并支持非思考指令模式与逐步推理模式。模型使用约1.2 trillion tokens的多模态语料训练,流程包含多教师OPD、抗重复MrDPO和专家RL。报告称,WeMM-Video-35B-A3B在超过120项基准评测中达到开源SOTA,模型家族及评测复现管线已公开。
Mind2Act World 通过 Mind、Act 和 Mind2Act 三类视角,分别诊断机器人操作中的认知推理、物理执行及两者基于环境反馈的闭环组合。基准包含来自五个现实应用领域的 30 项模拟操作任务,覆盖三种难度和 Clean、Random 两种场景,共 180 种配置。
Anthropic以$83发行价登陆Nasdaq,首日收于$97.17,上涨17%,盘后跌逾3%。Claude Code 2.1.329显示定时任务、/loop唤醒和/tasks分叉;Gemini for Mac可在后台操作文件夹、应用及网页。GPT-Live-1.1进入API,新增更自然口音和降低闲置成本的待机选项。
腾讯在 Hugging Face 发布 Hy4 基础模型,这是一款 770B 参数、49B 激活参数的 MoE 多模态基础模型。其上下文窗口为 1M token,可理解文本、图像和视频。
Google DeepMind 发布 Gemini 4 Neon,模型在多数基准上超过 Carbon,生成速度近乎翻倍,较 Carbon 常规定价低 25%。其支持文本、图像、音频和视频的 100 万 token 上下文窗口;在 xhigh 下,Intelligence Index 得分为 61,单任务成本为 $6.44。
同一件事,精选收录的是《Google DeepMind 发布 Gemini 4 Neon,面向复杂软件工程、知识工作与科学流程》
Daniel van Strien 对 8 款可免费获取的 AI OCR 模型进行比较,数字化 100 万页的 GPU 租赁成本现为 $65 至 $130。使用同一 Nvidia RTX PRO 6000 和相同图像尺寸时,RolmOCR 处理 1,000 页约需 51 cents,LightOnOCR-3-0.8B 不到 10 cents。
Jeveration 将 System One 的并行决策范式用于图像生成,可在单次前向传播中生成高质量图像。它基于冻结的视觉语言模型,以共享随机状态协调各位置预测,并学习离散图像代码分布来引导生成。同一检查点支持文生图、图生图和密集预测;生成 512x512 图像耗时 78 ms,较现有统一模型最高快 122x。
Google 于 2026 年 11 月 18 日发布 Gemini 4 Neon,这是四周内第四款 Gemini 4 模型,现已通过 API 提供,价格为 $3 per million input tokens 和 $15 per million output tokens。
同一件事,精选收录的是《Google DeepMind 发布 Gemini 4 Neon,面向复杂软件工程、知识工作与科学流程》
Google DeepMind 发布交互式 3D 世界模型 Genie 4,并向 Google AI Ultra 订阅用户开放。用户可通过文本实时改变天气、角色或故事线,模型还能生成随场景变化的原生实时声音;Genie 3 同步支持最长三分钟会话、360 度全景和可串联世界,Project Genie 还加入语音建造 AI 智能体及可分享、再创作的社区画廊。
同一件事,精选收录的是《Google DeepMind 向 Google AI Ultra 订阅者开放 Genie 4》
Social Department 与 AWS 等合作构建文化感知的视频发现系统 QuickSearch,将营销人员难以表述的判断转化为 Shareable Scenes、Quotable Quotes、Memeable Moments 和 Trend Align 四类单操作检索。
Google 正在通过 Project Genie 向 Google AI Ultra 订阅用户推送 Genie 4,提供原生音频和实时编辑功能。用户还可浏览预制作品库,并探索和混合改编其中的内容。
Google DeepMind 向符合条件的 Google AI Ultra 订阅者开放 Genie 4,并上线新版 Project Genie 体验。Genie 4 支持在探索过程中用提示词实时修改环境,并加入随场景变化的原生音频。此次更新还带来 Project Genie 智能体、社区画廊,以及最长 3 分钟的 Genie 3 单次生成;所有生成视频和音频均含 SynthID 水印。
推荐理由:Genie 4把会话中实时改写世界与原生音频结合,Project Genie智能体和社区画廊也呈现了从生成到分享的完整流程。
Genie 4 现已在 Project Genie 中可用,新增原生音频、实时编辑,以及一个帮助用户创建交互式虚拟世界的新智能体。
Google 推出全新 Project Genie 体验,将 Genie 4、Project Genie 智能体和社区画廊整合为完整创作生态。Genie 4 支持实时编辑和原生音频,智能体可通过自然对话创建世界、编排多模态模型,并由 Gemini 提供上下文感知建议。
同一件事,精选收录的是《Google DeepMind 向 Google AI Ultra 订阅者开放 Genie 4》
Vals AI 对八家提供商的模型进行测试,发现多数模型会在真实及逼真合成的无人机和卫星图像中,将平民、救护车、医护、记者和投降士兵标为军事目标,且上游安全过滤器未阻止任何请求。
推荐理由:这项跨模型测试量化了游戏化提示对拒绝率和目标获取率的影响,为自主武器场景的安全评估提供了可比较数据。
Claude iOS 应用将新增文档扫描选项,用户可快速扫描文档并直接上传至聊天。该功能疑似采用改进的 OCR,原文称其处理速度很快。
Qwen4-Max 已上线 Runware,可通过 /v1/chat/completions 或 /v1/responses 调用。该模型支持 1M-token 上下文、最多 128K 输出 token,以及文本、图像和视频输入,并提供可配置推理强度、函数调用和 JSON Schema 输出。
Merve 构建了一套供 AI 智能体调用的视觉工具,覆盖关键点检测到 OCR,并配有从标注、VLM 评审到训练和评估的端到端目标检测训练器。她提出把前沿 LLM 当作视觉实习生,可用 $6 训练一个运行成本较低的检测器;相关演讲见 youtube.com/watch?
千问(Qwen)将 Qwen4-Max 上线 You.com 的 Inference Router,作为 Qwen4 系列首款模型从 Day 0 提供。它面向编码、办公和长程智能体运行,提供 1M-token 上下文及原生文本、图像和视频输入。试用地址为 you.com/product/inference-rou…
Black Forest Labs 将图像、视频和声音三种信号结合训练 FLUX 3,以学习运动过程和物体关系。Andreas Blattmann 与 Dustin Podell 还讨论了移动镜头提供的多视角信息、视频增强中的时间一致性,以及自回归与扩散模型的训练和推理取舍。
阿里巴巴发布旗舰 MoE 模型 Qwen4-Max,采用 Qwen4 混合架构,拥有 2.4 trillion parameters、每个 token 激活 71 billion parameters,并支持原生图像处理和 100 万 token 上下文窗口。
同一件事,精选收录的是《Qwen4-Max 发布,采用 2.4T 主干参数并支持百万 token 上下文窗口》
OpenAI 推出用于识别儿童性虐待材料(CSAM)的图像分类器,并在 ChatGPT 中加入警告和临时封禁机制。该分类器也能检测 AI 生成的 CSAM,部分公司可通过 API 免费使用;早期测试中,它在检出相同数量虐待图像时少标记48%的图像。ChatGPT 将警告尝试相关提示词的用户并暂停账户24小时,重复违规可能导致账户被永久移除。
推荐理由:早期合作测试显示,该分类器在检出相同数量虐待图像时少标记48%的图像,可直接减轻审核人员的筛查负担。
米哈游的 Gamer 是面向长时实时游戏的视觉-语言-动作基础模型,可完成超 95% 的《崩坏:星穹铁道》挑战。它以截图为输入,通过键盘和鼠标执行操作,交互方式类似人类玩家。
Qwen4-Max 在 Artificial Analysis Index 获得 43 分,比 Muse Wonder 低 1 分。Qwen4 Max(xhigh)比 Qwen3.8 Max(xhigh)高 9 分,比 Kimi K3.1 Pro(max,46)低 3 分;它还以 14.7k 次真实智能体会话的 +7.5% 净提升位列 Agent Arena 第 14 名。
推荐理由:材料并列呈现外部基准成绩与官方内部评测数据,便于比较 Qwen4-Max 相对前代的能力、token 消耗和调用成本。
Qwen 官方发布 Qwen4-Max,采用新的 MoE 架构,支持原生视觉和 1M-token 上下文窗口。官方内部评估称,其相较 Qwen3.8-Max 最多可减少约 50% 的 token 使用量,单任务平均成本下降超过 60%;输入价格为 $1.5/M tokens,输出价格为 $4.5/M tokens,隐式缓存价格为 $0.075/M tokens。
同一件事,精选收录的是《Qwen4-Max 发布,采用 2.4T 主干参数并支持百万 token 上下文窗口》
QwenTeam 正式发布 Qwen4-Max,该模型基于 Qwen4 系列新架构,拥有 2.4T 主干参数、原生视觉能力和百万 token 上下文窗口。相比 Qwen3.8-Max,Qwen4-Max 在 Work360 的 Xhigh 和 High 推理强度下 token 消耗分别减少约 24% 和 35%,单个任务平均费用从 26.58 元降至 11.16 元,降低 58%。
推荐理由:原文同时披露了 Qwen4-Max 的架构变化、评测结果和成本下降,便于比较它相对 Qwen3.8-Max 在能力与 token 效率上的改进。
ALIVE 是交互式流式视频模型,支持主动监控、流式任务协调和寻求反馈式交互,使视频 LLM 能持续观察并协同处理请求。它基于 ALIVE-SFT-288K 和 ALIVE-RL-3K 两阶段训练,并用 BACA 优化多轮决策、响应与静默。其在四项公开 benchmark 和 FSI-Bench 的参评模型中取得最高综合分。
美团LongCat团队发布了1.6万亿参数的智能体模型LongCat-2.5权重,模型完全基于中国芯片训练,自托管方案使用194块华为Ascend Atlas A2芯片,无需Nvidia GPU。
AURA 2.0 是一种流式视频大语言模型,可在没有用户提问时识别适合讨论的主题,并在恰当时机主动发起对话。它引入流感知工具调用(SATC)与交互式视觉定位(IVG),可结合当前视觉和对话上下文调用外部工具,并输出与视频帧对齐的边界框。模型采用专用流式交互数据集、三阶段训练方案和长时交互记忆(LHIM);公开流式基准显示,其在开源流式模型中取得领先表现。
DeepSeek 正式开放全家桶应用 API,将 DeepSeek App 的搜索、文件输入、链接阅读、语音及安全能力接入原有 API。V4.1-Flash(deepseek-flash)在 Messages、Responses 与 Chat Completions 接口下支持相关能力,Search、Fetch、OCR、ASR、TTS 也可独立调用。
推荐理由:文章具体展示 DeepSeek 如何把搜索、文件解析、链接阅读和语音能力接入 API,并列出独立接口与调用价格,便于评估集成成本。
Google DeepMind 介绍 Gemini 4 Hydrogen,称其面向快速编码、多模态合成和日常工作流。该模型完成任务的速度比 3.8 Flash 快 2.5x,并在 @ArtificialAnlys Intelligence Index 上超过 Argon。
Google DeepMind 发布 Gemini 4 Hydrogen,并将其面向开发者、企业和消费者全球开放,用于快速执行与智能体工作流。
推荐理由:文章同时给出 Hydrogen 的性能、价格与安全数据,并说明 Orchestrator 如何在 Carbon 与 Hydrogen 间切换,便于理解其在开发工作流中的定位。
Google 发布 Gemini Decision 1 及 Gemini Decisions API,用于对文本、图像、音频、视频和 PDF 进行单次闭集决策。
Google 推出 Gemini Decision 1 决策模型 API,加入 Jev 和 OpenAI 的决策模型分类,支持文本、图像、音频、视频和 PDF 多模态输入,是三者中唯一覆盖全部这些类型的。
Gemini API 发布 Gemini Decision 1 前沿决策模型,输入价格为 $0.10 per 1M input tokens,且不收取额外费用。该模型原生支持图像、音频、视频和 PDF,提供 256K context window、1K questions,并可在 API 中免费试用。
Google 发布 Gemini Decision 1 模型与 Gemini Decisions API,支持在一次请求中对文本、图片、音频、视频和 PDF 进行最多 1,000 个 yes/no、choice 或 rubric-scoring 问题评估。
推荐理由:原文给出单次处理多模态输入和 1,000 个问题的接口设计,并列出延迟、价格与置信度输出,便于评估其在路由和审核流程中的适用性。