Tavus 发布 Griffin 人际交互模型，近半数受试者一分钟视频通话中误认为真人
Tavus 发布 Griffin，称其为首个 Human Interaction Model，可实时处理语音、表情、语调、手势和停顿并双向生成视频。Tavus 研究中 48% 的参与者在 1 分钟视频通话后认为 Griffin 是真人，此前系统最高为 2%；在所描述的 Nvidia 独立测试中 Griffin 得 3.83 分，人类为 3.92，此前最佳 AI 为 2.80。
#多模态
#多模态
今日 1 条The DecoderAI 评分5050
Ars Technica · AIAI 评分2323 Google 发布 Gemini 4 Argon 模型，但用户暂时无法使用
Google 宣布推出 Gemini 4 Argon 模型，但目前用户还无法使用。此前外界预期的是 Gemini 3.5 Pro。
Latent SpaceAI 评分3737 Claude Opus 5.5 擅长制作解释视频
Claude Opus 5.5 本周发布，社区反响热烈，尤其被认为擅长制作解释视频。它在 SimpleBench 上以 88.4% 领跑，视觉评测被评为 Anthropic 迄今最佳视觉模型，成本比 Fable 5.1 低约 60%。此外，GPT-6 系列、Gemini 3.8 Flash、小米 MiMo-V2.6-Pro（MIT 开源、1M 上下文）等同周亮相。
Hugging Face Blog精选AI 评分6262 Liquid AI 发布 LFM2.5-VL-3B 的 DSpark 草稿模型，端侧解码最高加速 3.13x
Liquid AI 发布面向视觉语言模型 LFM2.5-VL-3B 的实验性 DSpark 草稿模型，通过投机解码在不改变输出质量的前提下换取加速。
推荐理由：原文给出视觉 DSpark 草稿模型的架构细节、实测加速数字和三大推理框架接入方式，读者可评估端侧 VLM 推理加速的可迁移做法。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS 语音生成模型
Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，支持用自然语言提示词在 100 多种语言和方言中定制角色声音，可从 30 秒音频样本复刻声音，并提供 2000 多个现成声音。
推荐理由：官方介绍了两款 TTS 模型的定制能力、基准成绩和开放渠道，开发者可以据此评估语音生成方案的选型。
NVIDIA BlogAI 评分4848 NVIDIA Vera Rubin NVL72 首次亮相 MLPerf Inference v6.1，性能领先
NVIDIA Vera Rubin NVL72 首次参加 MLPerf Inference v6.1 预览提交即取得领先性能：在 Qwen3-VL 上吞吐量最高达 GB300 NVL72 的 3.7 倍，在 DeepSeek-R1 上使用 TensorRT-LLM 最高达 2.5 倍。
Hugging Face BlogAI 评分5858 H Company 发布 NeoMME：单一双向 Transformer 的多语言多模态编码器
H Company 发布 NeoMME 系列 260M 和 800M 多语言多模态编码器，用单个双向 Transformer 处理文本和 32×32 图像 patch，从零以掩码离散扩散目标训练，无需独立视觉塔或因果语言模型。
Microsoft ResearchAI 评分5252 Microsoft Research 发布 GigaPath-Flash 和 GigaTIME-Flash 高效病理基础模型并开放权重
Microsoft Research 联合华盛顿大学和 Providence 发布 GigaPath-Flash 与 GigaTIME-Flash，以 Apache 2.0 许可在 HuggingFace 开放权重。
Google ResearchAI 评分3232 Google Research 发布 GlucoFM：连续血糖监测基础模型
Google Research 推出 GlucoFM，一个面向连续血糖监测（CGM）数据的自监督基础模型，采用双流编码器将慢速血糖趋势与短期偏差分离，并以潜在预测目标学习日上下文与时间演化。
Google DeepMind精选AI 评分6868 Google DeepMind 发布手语转文本模型 SL2T，落地 Gboard 与 Live Transcribe
Google DeepMind 发布多语言手语转文本（SL2T）翻译模型，首次将手语 AI 带入消费产品，支持在 Pixel 11 的 Gboard 和 Live Transcribe 中以美式手语（ASL）输入英文。
推荐理由：原文介绍了 SL2T 的训练数据、隐私设计与基准成绩，并说明其落地产品形态，读者可以了解手语翻译模型的可行路径。
Google Research精选AI 评分6161 Google Research 推出 AMIE (Video) 实现实时音视频临床问诊的专家级表现
Google Research 发布 AMIE (Video)，基于 Gemini 和 Project Astra 的实时视频问诊系统，采用 Talker、Planner、Perception 三个智能体并行工作的异步多智能体架构。
推荐理由：原文给出研究架构、随机对照规模和关键结果，读者可以了解视频问诊 AI 与真人医生对比的具体依据和局限。
Microsoft ResearchAI 评分4545 Microsoft Research 推出 CARE-X：面向临床实用放射 VLM 的辅助监督、奖励对齐与工具增强测量研究模型
Microsoft Research 发布研究模型 CARE-X，一个统一的胸部 X 光 VLM，支持报告生成、疾病分类、器械识别、定位等多任务，并结合生成式与判别式双路推理及辅助监督。
Hugging Face BlogAI 评分5454 NVIDIA 发布 Magpie TTS 多语言版，开源权重支持 12 种语言并实现低延迟语音生成
NVIDIA 发布 Magpie TTS Multilingual，364M 参数开源权重模型，新增现代标准阿拉伯语、韩语和巴西葡萄牙语，共支持 12 种语言。
Hugging Face Blog精选AI 评分7979 Meta 开源多模态模型 Muse Glimmer-30B，主打本地智能体场景
Meta 发布 30B 参数开源多模态模型 Muse Glimmer，从 Muse 蒸馏而来，采用 Apache 2.0 许可，定位于本地智能体场景如编码、文档分析和个人助理。
推荐理由：原文给出架构细节、跑分对比和多套部署方案，读者可据此评估其在本地多模态智能体场景的可用性。
Mistral AIAI 评分5858 Mistral 发布开源多模态安全分类模型 Shieldstral，Apache 2.0 权重可自由下载
Mistral 发布 3B 开源多模态安全分类模型 Shieldstral，以 Apache 2.0 权重开放下载。它把内容审核建模为策略自适应的问答任务，推理时用自然语言写入审核政策即可返回校准的安全分数，无需重训练，可统一处理文本、图像及提示-回复对。官方称其在文本安全、拒答检测和多模态审核上匹配或超过最大 7 倍于其体积的开源护栏模型，可在单张 16GB GPU 上运行。
Google DeepMind精选AI 评分6969 Google DeepMind 发布 Gemini Robotics ER 2 具身推理模型，新增视频理解与多机器人协作
Google DeepMind 发布 Gemini Robotics ER 2，定位为机器人的高层具身推理大脑，可编排 VLA 模型、导航 API 等底层工具完成多步任务。
推荐理由：官方发布详细列出了视频理解、进度追踪、多机协作的量化指标与获取入口，读者可据此评估机器人任务编排能力的变化。
Google DeepMindAI 评分5151 Google DeepMind 发布音乐生成模型 Lyria 3.5 并上线 Google Flow Music
Google DeepMind 发布最新音乐生成模型 Lyria 3.5，已在 Google Flow Music 中开放使用。该模型在音乐性上带来更丰富自然的旋律结构，歌词生成质量和提示词遵循度提升，人声更具表现力且发音更准确，并支持更方便地控制输出节奏和时长。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini Robotics 2，实现机器人全身智能控制
Google DeepMind 发布 Gemini Robotics 2，包含 VLA 模型 Gemini Robotics 2、具身推理模型 Gemini Robotics ER 2 和端侧模型 Gemini Robotics On-Device 2，实现全身控制、精细操作和多机器人协作。
推荐理由：官方发布同时给出三个模型的分工、适配速度数字和安全基准，读者可以据此评估具身智能模型进入全身控制和多机协作的实际进展。
Google DeepMind精选AI 评分7676 Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和 3.5 Flash Cyber
Google DeepMind 发布三款 Gemini Flash 系列模型。3.6 Flash 在 Artificial Analysis Index 上输出 token 用量较 3.5 Flash 减少 17%。
推荐理由：原文给出三款 Flash 模型的基准数据、定价和开放入口，读者可以据此评估升级对现有 Agent 工作流成本的影响。
Hugging Face Blog精选AI 评分8181 Thinking Machines 发布万亿参数开源多模态模型 Inkling 及 Inkling-Small
Thinking Machines 在 Hugging Face 发布开源多模态模型 Inkling，总参数 975B、激活 41B 的 MoE 架构，原生接受图像、文本和音频输入，支持 1M 上下文窗口，训练数据为 45 万亿 token。
推荐理由：原文给出架构细节、各档位 VRAM 部署配置和多模态评测数据，对评估落地成本和选择变体有直接参考。
Mistral AIAI 评分5555 Mistral 发布 8B 具身导航模型 Robostral Navigate，单 RGB 相机达 R2R-CE 76.6%
Mistral AI 发布首款具身导航模型 Robostral Navigate，8B 参数，仅用单个 RGB 相机加自然语言指令即可自主导航，R2R-CE validation unseen 成功率 76.6%，validation seen 为 79.4%，比最佳单相机方案高 9.7 分，比最佳深度或多相机系统高 4.5 分。
Mistral AI精选AI 评分6868 Mistral 发布 OCR 4，新增边界框、块分类与置信度分数，支持 170 种语言
Mistral 发布 Mistral OCR 4，除文本外返回边界框、分类型块（标题、表格、公式、签名等）和逐页逐词置信度分数，支持 10 个语系下 170 种语言。
推荐理由：官方公布了能力细节、定价和基准方法论，还主动列出自动评测的打分缺陷，读者可据此判断在自己场景中怎么用。
Hugging Face BlogAI 评分5050 PP-OCRv6 登陆 Hugging Face：1.5M 至 34.5M 参数的 50 语言 OCR 模型家族
PaddlePaddle 发布 PP-OCRv6，提供 tiny、small、medium 三档模型，参数量从 1.5M 到 34.5M，medium 和 small 档支持 50 种语言。
Google DeepMind精选AI 评分7575 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，提供 70+ 语言的近实时语音到语音翻译，自动检测语言并保留说话者的语调、节奏和音高，全程仅落后说话者数秒。
推荐理由：官方发布正文给出了 70+ 语言、延迟表现和多端开放入口，读者可据此评估它在通话、会议和翻译场景的可用性。
Google DeepMind精选AI 评分7777 Google DeepMind 发布 Gemma 4 12B：无编码器的统一多模态模型
Google DeepMind 发布 Gemma 4 12B，采用无编码器的统一多模态架构，视觉和音频输入直接进入 LLM backbone，支持原生音频输入。
推荐理由：原文给出了架构细节、内存门槛和许可证等可验证事实，读者可据此评估本地部署多模态模型的可行性。
Hugging Face BlogAI 评分5656 NVIDIA 发布 Nemotron 3.5 Content Safety 多模态内容安全模型
NVIDIA 发布 Nemotron 3.5 Content Safety，基于 Gemma 3 4B IT 微调，将多模态输入、12 种语言显式训练覆盖、自定义策略执行和可审计推理轨迹统一到一次推理调用中。
Hugging Face BlogAI 评分4848 Hugging Face 发布 OlmoEarth v1.1：更高效的对地观测模型家族
Hugging Face 发布 OlmoEarth v1.1，新一代对地观测模型家族，计算成本最高降低 3x，同时在研究基准和合作任务上保持 v1 的性能。效率提升来自减少 token 序列长度：将 Sentinel-2 三个分辨率的 token 合并为单个 token，并通过修改预训练方法避免性能下降。新家族提供 Base、Tiny、Nano 三种规格，权重和训练代码已开放获取。
Google DeepMind精选AI 评分8484 Google DeepMind 发布 Gemini 3.5，首发 3.5 Flash
Google DeepMind 发布 Gemini 3.5 模型系列，首个型号 3.5 Flash 当天全量开放，3.5 Pro 预计下月推出。
推荐理由：官方正文给出具体基准分数、速度对比和开放渠道，读者可据此评估 3.5 Flash 在智能体与编码场景的实用性。
Hugging Face Blog精选AI 评分6666 NVIDIA 发布 Nemotron 3 Nano Omni 全模态模型，覆盖文档、语音、视频与 GUI 智能体
NVIDIA 发布 Nemotron 3 Nano Omni（30B-A3B）全模态理解模型，支持文档分析、ASR、长音视频理解和 agentic computer use，并在 Hugging Face 开放 BF16、FP8 和 NVFP4 权重。
推荐理由：原文给出完整基准对比和架构细节，读者可以据此评估它是否值得替换现有的多模态工作流。
Google DeepMindAI 评分5757 Google DeepMind 发布 Gemini Robotics-ER 1.6，增强机器人具身推理能力
Google DeepMind 发布 Gemini Robotics-ER 1.6，面向机器人的具身推理模型，在指向、计数、成功检测等空间与物理推理上较 Gemini Robotics-ER 1.5 和 Gemini 3.0 Flash 明显提升，并新增仪表读取能力，可解读压力表和视镜。
Google DeepMind精选AI 评分7979 Google DeepMind 发布 Gemma 4 开源模型，E2B/E4B/26B MoE/31B 四尺寸
Google DeepMind 发布 Gemma 4 开源模型，基于 Gemini 3 技术，主打高级推理和智能体工作流。提供 E2B、E4B、26B MoE（推理时仅激活 3.8B 参数）和 31B Dense 四种尺寸，31B 在 Arena AI 文本排行榜上位列全球开源模型第 3，采用 Apache 2.0 许可，支持 128K-256K 上下文窗口、原生多模态和 140+ 语言。
推荐理由：原文给出了四个尺寸、基准排名和部署细节，读者可以据此判断在本地和端侧硬件上的可用性。
Hugging Face Blog精选AI 评分8282 Google DeepMind 发布 Gemma 4 多模态模型系列并登陆 Hugging Face
Google DeepMind 发布 Gemma 4 多模态模型系列，共五个尺寸（E2B、E4B、12B Unified、31B、26B A4B MoE），采用 Apache 2.0 许可，支持图像、文本和音频输入，上下文窗口最高 256K。
推荐理由：Hugging Face 官方详解 Gemma 4 架构、多模态能力与全生态部署方式，还覆盖 DiffusionGemma 和推理加速等上手细节。
Hugging Face Blog精选AI 评分6262 TII 发布 Falcon Perception 0.6B 早融合感知模型及 0.3B Falcon OCR
TII Falcon Vision 团队发布 Falcon Perception，一个 0.6B 参数的早融合 Transformer，用混合注意力掩码处理图像块与文本，做自然语言提示的开放词汇定位与分割，在 SA-Co 上达到 68.0 Macro-F1（SAM 3 为 62.3），但在 presence calibration 上落后（MCC 0.64 vs 0.82）。
推荐理由：TII 自述用单一早融合 Transformer 做开放词汇感知，读者可以看到架构、数据配方和 SA-Co 与 PBench 上的具体对比依据。
Hugging Face BlogAI 评分5353 IBM 发布 Granite 4.0 3B Vision 面向企业文档理解的小型多模态模型
IBM 发布 Granite 4.0 3B Vision，一个面向企业文档理解的小型视觉语言模型，以 LoRA 适配器形式叠加在 Granite 4.0 Micro 上，主打表格提取、图表理解和语义键值对提取。
Google DeepMind精选AI 评分6666 Google DeepMind 发布 Gemini 3.1 Flash Live 语音模型
Google DeepMind 发布实时语音模型 Gemini 3.1 Flash Live，称其为迄今最高质量的音频模型，延迟更低、对话更自然。在 ComplexFuncBench Audio 上得分 90.8%，在开启 thinking 的 Scale AI Audio MultiChallenge 上得分 36.1%，均领先前代模型。
推荐理由：官方给出两项音频基准分数和多产品开放入口，读者可以据此评估它对语音智能体开发的实际改进。
OpenAI NewsAI 评分4444 OpenAI 发布 GPT-5.4 mini 与 GPT-5.4 nano
OpenAI 推出 GPT-5.4 mini 和 nano，是 GPT-5.4 更小、更快的版本。两款模型针对编程、工具调用、多模态推理进行了优化，适用于高并发的 API 与子智能体工作负载。
Mistral AI精选AI 评分7171 Mistral 发布 Small 4，统一指令、推理与多模态能力并开源
Mistral 发布 Mistral Small 4，首次将 Magistral 的推理、Pixtral 的多模态和 Devstral 的编码能力统一到单一模型，采用 Apache 2.0 许可开源。
推荐理由：官方宣布 Small 家系统一推理、多模态与编码能力，并给出架构参数和推理效率对比，便于评估开源部署性价比。
Google ResearchAI 评分5050 谷歌开源模型 SpeciesNet 如何识别野生动物相机陷阱影像
Google 开发的开源 AI 模型 SpeciesNet 可对相机陷阱图像中约 2,500 类（2,498 类）动物进行分类，训练数据超过 6500 万张标注图像。模型在留出测试集上能找出 99.4% 含动物的图像，可识别到物种级的预测中 94.5% 正确，标准笔记本每天约可处理 3 万张图像。过去一年，全球研究团队已用它在坦桑尼亚塞伦盖蒂、哥伦比亚、澳大利亚等地分析数百万张野生动物影像。
Google DeepMind精选AI 评分6969 Google DeepMind 发布 Gemini 3.1 Flash-Lite，主打高并发场景的性价比与速度
Google DeepMind 发布 Gemini 3.1 Flash-Lite，定位 Gemini 3 系列中最快、最具成本效益的模型，已在 Google AI Studio 和 Vertex AI 以 preview 形式推出。
推荐理由：官方公布定价与实测对比数据，开发者可据此评估高并发场景下换用该模型的速度与成本收益。
Hugging Face Blog精选AI 评分6969 Overworld 发布实时交互式视频扩散模型 Waypoint-1
Overworld 发布实时交互式视频扩散模型 Waypoint-1，可通过文本、鼠标和键盘交互生成可进入的虚拟世界。
推荐理由：原文给出训练方法、推理库与帧率数据，并解释它与微调路线世界模型在控制延迟上的差异。