Hugging Face 推出 Open TTS Leaderboard，用客观指标评估开源多语言 TTS 与声音克隆
Hugging Face 推出 Open TTS Leaderboard，用客观指标评估开源、多语言的 TTS 模型和声音克隆能力。评估采用 Qwen3 ASR 计算的 WER/CER 衡量可懂度、H200 GPU 上的 RTFx 与 TTFA 衡量速度、WavLM 嵌入余弦相似度衡量说话人相似度，使单个模型评估从数周缩短到数小时。
#多模态
#多模态
今日 0 条Hugging Face BlogAI 评分5050
AWS Machine Learning BlogAI 评分3232 Condé Nast 如何基于 Amazon Bedrock 构建多模态视频发现系统
Condé Nast 与 AWS Generative AI Innovation Center 合作，基于 Amazon Bedrock 和 Amazon OpenSearch Service 构建多模态视频发现方案，将 14 万多条视频库的检索时间从平均每次任务 250 分钟降至 2 分钟以内。
Microsoft Research精选AI 评分6464 Microsoft Research 发布面向生物学的 AI 研究系统 Quine
Microsoft Research 推出 Quine，一个结合生物学多模态世界模型与连接科学工具、文献和 wet lab 的交互 harness 的 AI 研究系统。
推荐理由：官方介绍 Quine 的世界模型与工具环路设计，并给出胰腺癌化合物筛选的湿实验验证结果，读者可据此评估 AI 驱动生物研究的路径。
Microsoft ResearchAI 评分2525 一周年回顾：Microsoft Research Asia – Singapore 如何推进研究、合作与人才培养
Microsoft Research Asia – Singapore 于 2025 年 7 月 24 日成立，是 Microsoft 在东南亚的首个研究实验室，成立一年间围绕下一代 AI 模型与智能体系统、面向实际应用的领域 AI、AI 原生研究实践、生态与人才培养四大方向开展工作。
Google ResearchAI 评分5858 Google Research 推出 AI 视频 Co-Director 多智能体框架，生成连贯的分钟级长视频
Google Research 发布 AI 视频 Co-Director 研究，在 Gemini 与 Veo 之上构建统一多智能体框架，通过全局优化与世界状态追踪生成连贯的分钟级多镜头视频。
Google DeepMindAI 评分4949 Google DeepMind 推出 Gemini 3.8 Live with Live Avatar，为对话 AI 带来实时视觉形象
Google DeepMind 推出 Gemini 3.8 Live with Live Avatar，将低延迟流式视频与原生实时对话结合，让模型具备唇形同步、自然表情和流畅轮次切换的动态视觉形象。
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3333 NVIDIA 在新加坡 AI Day 展示与合作伙伴推进东南亚 AI 进展
NVIDIA 于 9 月 22-23 日在新加坡举办 AI Day，与合作伙伴展示东南亚地区的 AI 进展。
Google ResearchAI 评分4949 Google Research 用生成式 UI 帮教师创建互动式学习内容
Google Research 推出一项研究实验，让教师利用生成式 UI（GenUI）动态创建定制化、有引导的教育模拟互动内容。团队已发布 30 多个面向初高中 STEM 学科的英文学习互动示例，全部由 AI 生成并经教师审核。使用 Google Workspace for Education 的学校可通过 Google for Education Pilot Program 报名提供反馈。
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。
Mistral AIAI 评分5353 Mozilla 与 Mistral 合作，Firefox Smart Window 浏览器助手改用 Mistral 模型
Mistral 与 Mozilla 宣布合作，Firefox Smart Window（beta）AI 浏览助手现由 Mistral 模型驱动，首先面向法国和北美用户，英国和德国预计年内跟进。对话默认不保存在 Mozilla 服务器，Mistral 承诺零数据保留，模型针对地区语言、方言和文化语境做了微调。
NVIDIA BlogAI 评分4343 曼彻斯特大学用 NVIDIA Earth-2 预报全英国空气污染
曼彻斯特大学团队利用 NVIDIA Earth-2 的 CorrDiff 生成式模型训练出覆盖全英国、分辨率 2-3 平方公里的空气污染预报模型，训练仅在 Isambard-AI 超算的单个 8-GPU 节点上耗时两天完成。
Hugging Face Blog精选AI 评分6262 Hugging Face 用 Gradio Workflow 重建 AUTOMATIC1111 推出 Workflow1111
Hugging Face 发布 Workflow1111，用 gr.Workflow 在单个画布上重建了 AUTOMATIC1111 的大部分功能，包含 11 条媒体管线和 73 个节点。
推荐理由：用 73 个节点在单一画布上复刻 AUTOMATIC1111 主要功能，并展示每个输出可直接变成 REST 端点和 MCP 工具的做法。
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。
Google DeepMind精选AI 评分7272 Google DeepMind 为 Gemini 推出 agentic video understanding，token 最多省 88%
Google DeepMind 发布 agentic video understanding，覆盖 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite。
推荐理由：官方说明动态检索视频相比固定帧率处理的效率与精度变化，并给出 API 开启方式，适合评估长视频分析成本的开发者。
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5252 Google Earth AI 推出行星预测引擎 PPE，自主执行全流程地理空间建模
Google 在 Earth AI 计划下推出实验性研究能力行星预测引擎（PPE），可从自然语言查询出发自主完成数据发现、清洗、特征工程、模型训练与评估。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 Gemini Omni 1.1 Flash，强化生成视频创作控制
Google DeepMind 发布 Gemini Omni 1.1 Flash，通过 Gemini API 和 Google AI Studio 面向开发者提供更可控的生成视频能力。
推荐理由：官方发布了能力细节和 API 用法，开发者可以据此评估它在视频生成工作流中的可控性和成本。
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 ResearchAI 评分4343 Google 发布 AgentHands：为 XR 智能体对话生成空间感知的伴随语音手势
Google 在 CHI 2026 发表研究原型 AgentHands，为 XR 中的 AI 智能体生成与语音同步的手势，使对话具备空间 grounding。系统通过眼动注视与场景重建注册物体 3D 边界框，由后端 LLM 在回复中内嵌 GestureEvents，并在头显端用词级时间戳与 TTS 同步播放动画。
Google ResearchAI 评分5454 Google Research 发布 Biomarker Discovery Framework，用多智能体系统从可穿戴数据筛选候选生物标志物
Google Research 推出 Biomarker Discovery Framework，一个在人类监督下以迭代研究循环优先排序候选生物标志物的多智能体系统。
Google ResearchAI 评分3636 Google Research 提出 ME-POIs：用移动数据让语言模型更懂真实地点
Google Research 推出 Mobility-Embedded POIs（ME-POIs）框架，将匿名聚合的移动模式与文本嵌入融合，帮助语言模型捕捉地点的时间活动节奏。
Microsoft ResearchAI 评分4141 Microsoft Research 推出 MindTopo 基准，测试多模态模型的拓扑空间推理能力
Microsoft Research 推出 MindTopo 基准，评估多模态大模型在连通性、包围、顺序、分离与绳结五类拓扑概念上的推理与规划能力。测试显示，各类专有和开源模型在静态推理上明显优于交互式规划任务，且均远低于人类水平，错误多出现在多步规划中丢失结构关系或提出违反物理约束的动作。该基准可为机器人和交互环境中需要保持拓扑结构的智能体研究提供诊断工具。
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 BlogAI 评分3030 更新的模型同样的优势：DharmaOCR 仍领先 Mistral OCR4 与 Unlimited-OCR
DharmaOCR 在巴西葡萄牙语 OCR 基准上以 0.925 的得分领先新发布的 Mistral OCR4（0.798）和 Unlimited-OCR（0.7587），分别高出约 13 分和 16 分以上。
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。
Google DeepMindAI 评分2525 Google DeepMind 推出 Gemini 驱动的教育助手 ATL Saathi 试点
Google DeepMind 在印度推出 ATL Saathi 试点，这是一款基于 Gemini 的教育 Web 应用，为 Atal Tinkering Labs 教师提供 24/7 的备课与培训助手。
Google ResearchAI 评分5252 Google Research 发布 SensorFM 可穿戴健康数据基础模型，预训练超一万亿分钟传感器数据
Google Research 提出 SensorFM，一种大型传感器基础模型，基于 500 万名参与者、超过一万亿分钟的多模态可穿戴数据自监督预训练。
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。
Google ResearchAI 评分5151 Google Research 发布 50 多城建筑级屋顶反照率数据并上线 Heat Resilience Earth Engine App
Google Research 将建筑级屋顶反照率数据扩展至 9 个国家的 50 多座城市，包括伦敦、里约热内卢和纽约，并通过新的高分辨率 Heat Resilience Earth Engine App 开放访问。