Google Earth AI 开放 PDFM 地理空间基础模型用于全球公共卫生
Google Research 将 Earth AI 的 Population Dynamics Foundation Model（PDFM）位置嵌入作为即插即用输入，与五家机构在五类公共卫生挑战上完成独立验证，覆盖 MMR 疫苗接种、心血管疾病、登革热、产后抑郁和霍乱。
#多模态
#多模态
今日 4 条Google ResearchAI 评分5252 Hugging Face BlogAI 评分4343 Falcon-Emirati-7B：让 LLM 学会阿联酋方言、文化与细微语义
Hugging Face 联合发布方推出 Falcon-Emirati-7B，基于 Falcon-H1-Arabic 7B 变体微调，专门理解与生成阿联酋阿拉伯语方言。模型采用 Mamba 与 Transformer 注意力并行的混合架构，结合阿联酋方言网页数据、阿联酋文化的 MSA 数据和受词典与风格规则约束的合成数据进行训练，上下文窗口最高支持 128K/256K tokens。
Mistral AI精选AI 评分7575 Mistral 发布 Mistral Large 4 公开预览版，月底开放权重
Mistral 发布 Mistral Large 4（ML4）公开预览版，这是一个 1 万亿参数、490 亿激活参数的原生多模态模型，权重将于本月底开放下载。
推荐理由：官方发布了参数规模、基准分数、训练基础设施和权重开放时间表，读者可据此评估它在开源阵营中的实际位置。
Google DeepMind精选AI 评分6868 Google DeepMind 发布开源轻量多模态嵌入模型 EmbeddingGemma 2
Google DeepMind 发布 EmbeddingGemma 2，基于 Gemma 4 架构、740M 参数，采用 Apache 2.0 许可，将文本、代码、图像、视频和音频统一映射到共享嵌入空间。
推荐理由：官方给出了参数量、内存占用和基准得分等具体指标，可帮助读者评估它是否适合端侧检索场景。
AWS Machine Learning BlogAI 评分3333 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 构建了多模态视频发现方案，采用 TwelveLabs Marengo 嵌入模型联合编码视觉、音频和转录信号。
Hugging Face Blog精选AI 评分6363 Hugging Face 发布 Open TTS Leaderboard：用客观指标评测多语言 TTS 与声音克隆
Hugging Face 推出 Open TTS Leaderboard，用 Qwen3 ASR 的 WER/CER、H200 上的 RTFx 和 TTFA 以及 WavLM 说话人相似度等客观指标评估开源 TTS 模型，把单模型评测时间从约两周缩短到数小时。
推荐理由：原文说明了用客观指标将 TTS 评测从数周缩到数小时的做法，以及主流竞技场对开源模型覆盖不足的结构性原因。
Microsoft Research精选AI 评分6262 Microsoft Research 发布面向生物学的 AI 研究系统 Quine
Microsoft Research 推出 Quine，一个包含生物学多模态世界模型和连接科学工具、文献与科研人员的交互框架的研究系统。它与 Broad Institute 合作将其用于胰腺导管腺癌（PDAC）研究，预测并排序可驱动肿瘤细胞状态转变的化合物，湿实验验证了排名靠前的候选化合物，从缩小化合物范围到确定待验证候选只需一个周末。
推荐理由：微软官方介绍 Quine 的架构与 PDAC 癌症研究实测结果，读者可以了解 AI 世界模型如何压缩湿实验迭代周期。
Microsoft ResearchAI 评分2929 Microsoft Research Asia – Singapore 成立一年：如何以研究、合作与人才培养实现现实影响
Microsoft Research Asia – Singapore（MSRA – Singapore）于 2025 年 7 月 24 日启用，是 Microsoft 在东南亚的首个研究实验室。
AWS Machine Learning BlogAI 评分4949 使用 Amazon Nova Act 实现合成监控
AWS 展示了基于 Amazon Nova Act 与 Amazon Bedrock AgentCore 的智能体驱动合成监控方案，用自然语言动作替代基于 DOM 选择器的传统脚本，降低 UI 变动导致的维护成本。
AWS Machine Learning BlogAI 评分4343 用 SkyRL 在 Amazon SageMaker HyperPod 上加速多模态 RL 训练
AWS 展示了如何在 SageMaker HyperPod 上用开源 RL 框架 SkyRL 训练 Qwen3-VL-8B 视觉语言模型完成视觉迷宫导航任务。基于 VisGym SFT checkpoint，使用 GRPO 后训练将 64 个固定迷宫评测集的解题率从 43.75% 提升到 95% 以上。
Google ResearchAI 评分5454 Google Research 推出 AI 视频联合导演框架，用多智能体实现连贯长视频生成
Google Research 发布 AI 视频联合导演研究，构建了基于 Gemini 和 Veo 的多智能体编排层，包含 Co-Director、CANVAS、A²RD 和 VQQA 四个框架，将长视频生成转化为全局优化与世界状态跟踪问题。
Google DeepMindAI 评分4747 Google DeepMind 推出 Gemini 3.8 Live with Live Avatar，为对话式 AI 带来实时视觉形象
Google DeepMind 推出 Gemini 3.8 Live with Live Avatar，将近乎实时的视频生成与语音结合，为 Gemini 的对话式 AI 提供动态视觉形象，具备精确唇形同步、自然表情和流畅轮次切换。
Hugging Face Blog精选AI 评分6060 Liquid AI 发布 LFM2.5-VL-3B 的 DSpark 草稿模型，加速视觉语言推理
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更快推理，解码在设备端最高加速 3.13x、H100 上最高 2.66x，端到端分别为最高 2.62x 和 2.27x。
推荐理由：原文给出视觉语言模型的投机解码加速方案、具体倍数与内存开销，并覆盖 llama.cpp、MLX-VLM、SGLang 的接入方法。
OpenAI NewsAI 评分2222 invideo 如何借助 GPT-6 Astra 将调色效率提升 3 倍
invideo 使用 GPT-6 Astra 提升视频编辑能力：剪辑规划更精准，色彩校正与调色效率提升 3 倍，并可在一天内制作 50 个自定义特效。
NVIDIA BlogAI 评分3535 NVIDIA 在新加坡 AI Day 携手伙伴展示东南亚 AI 进展
NVIDIA 于 9 月 22-23 日在新加坡 Raffles City Convention Centre 举办 AI Day Singapore，与伙伴展示东南亚地区的 AI 进展。
Google ResearchAI 评分4747 Google Research 用生成式 UI（GenUI）让教师创建交互式学习模拟
Google Research 推出新的研究实验，教师可借助生成式 UI（GenUI）按自己的教学目标与课程动态生成定制化、引导式的交互学习模拟。研究基于 LearnLM 系列教育模型的主动学习原则，并发布了 30 多个由 AI 生成、经教师审核的英文 STEM 学习交互示例，覆盖物理、化学、生物和数学，面向初高中。
NVIDIA BlogAI 评分4444 NVIDIA Vera Rubin NVL72 首次亮相 MLPerf Inference v6.1 并取得领先性能
NVIDIA Vera Rubin NVL72 在 MLPerf Inference v6.1 预览提交中首次亮相，Qwen3-VL 上吞吐量最高达 GB300 NVL72 的 3.7x，DeepSeek-R1 上达 2.5x。
NVIDIA BlogAI 评分4848 曼彻斯特大学用 NVIDIA Earth-2 预测全英国空气污染
曼彻斯特大学与 NVIDIA Earth-2 团队合作，将 Earth-2 CorrDiff 生成式降尺度模型改用于空气污染预测，并加装了可直接利用空气质量观测数据的 Earth-2 StormCast。
Hugging Face BlogAI 评分5252 H Company 发布 NeoMME 多语言多模态编码器，含 260M 和 800M 两个版本并以 Apache 2.0 开源
H Company 发布 NeoMME，一个 260M 与 800M 两种规格的多语言多模态编码器，用单个双向 Transformer 同时处理文本 token 和 32×32 图像 patch，以掩码离散扩散目标从零训练，不依赖预训练视觉塔或因果语言模型。
Google DeepMind精选AI 评分7070 Google DeepMind 为 Gemini 3.7 Flash 等 Flash 模型推出 agentic 视频理解功能
Google DeepMind 发布 agentic video understanding，覆盖 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite，通过动态搜索和检查视频片段替代固定 1 FPS 的静态处理，官方基准显示成本最多降 66%、token 消耗最多降 88%、准确率最多提升 7%。
推荐理由：官方给出成本、token 和准确率的具体变化数字与开启方式，开发者可直接评估是否切换现有视频处理流程。
Microsoft ResearchAI 评分4646 Microsoft 推出 GigaPath-Flash 与 GigaTIME-Flash 高效病理基础模型
Microsoft Research 发布 GigaPath-Flash 和 GigaTIME-Flash，通过知识蒸馏将十亿参数 GigaPath 编码器压缩为 22M 参数 ViT-S 编码器，在约 50 倍算力降低的情况下性能与原模型差距在 3% 以内。
Google ResearchAI 评分5050 Google Earth AI 推出行星预测引擎 PPE，自动完成地理空间建模全流程
Google Earth AI 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执行数据发现、清洗、特征工程、模型训练与评估的完整地理空间预测流程，将此前需数周人工数据工程的工作缩短到几分钟。
Google DeepMind精选AI 评分6060 Google DeepMind 发布 Gemini Omni 1.1 Flash，强化生成视频创作控制
Google DeepMind 于 8 月 27 日发布 Gemini Omni 1.1 Flash，带来面向开发者的生成视频创意控制套件，可通过 Gemini API 在 Google AI Studio 中使用。
推荐理由：官方发布给出了场景延展、关键帧插值、4K 放大等新能力的具体参数和开放渠道，开发者可据此评估是否接入生成视频工作流。
Google ResearchAI 评分3737 Google 发布 AgentHands：为 XR 空间对话中的 AI 智能体生成交互式手势
Google 在 CHI 2026 发表研究原型 AgentHands，让 AI 智能体在 Android XR 等沉浸式环境中生成与语音同步的手势，延续 Project Astra 与 Gemini 3.1 Flash Live 的方向。
Google ResearchAI 评分4343 Google Research 提出 ME-POIs：用流动性数据让语言模型更懂地点
Google Research 推出 Mobility-Embedded POIs（ME-POIs）框架，将聚合匿名化的到访流动模式融入语言模型的地点表示，捕捉 POI 的时间活动节奏。
Microsoft ResearchAI 评分5050 Microsoft Research 扩大 Skala 开放范围，加速迈向预测性 DFT
Microsoft Research 发布 Skala 1.1，其训练数据是上一版本的 2.5 倍，在 GMTKN55 基准的 55 个类别中 32 个排名第一，加权平均误差为 2.8 kcal/mol，且计算成本相当于 meta-GGA 泛函。Skala 现已登陆 CP2K，并正在集成至 Psi4、FHI-aims、ORCA 和 VASP，同时推出跟踪各版本计算性能的动态基准。
Google ResearchAI 评分5252 Google Research 发布 PhotoScan：用智能手机照片估算身体成分并预测胰岛素抵抗
Google Research 提出 PhotoScan，一种从标准 2D 手机照片估计体脂率、Android-to-Gynoid 脂肪比和内脏-皮下脂肪比的深度学习框架，用于预测胰岛素抵抗。
Hugging Face BlogAI 评分4646 OlmoEarth embeddings 发布：OlmoEarth Studio 支持自定义嵌入向量导出
Hugging Face 的 OlmoEarth Studio 现在支持计算并导出开源 OlmoEarth 基础模型的嵌入向量，以 Cloud-Optimized GeoTIFF（COG）格式输出。
Microsoft ResearchAI 评分4444 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，评估多模态大模型对连通性、封闭、顺序、分离和绳结等拓扑概念的推理与规划能力。测试显示，模型在静态图像识别上表现明显好于交互式规划任务，且两者均远低于人类水平，错误多出在规划阶段丢失结构关系或提出违反物理约束的动作。该基准旨在为机器人和交互环境中的智能体研究提供受控诊断工具。
Google DeepMind精选AI 评分7474 Google DeepMind 发布手语转文本模型 SL2T，登陆 Gboard 和 Live Transcribe
Google DeepMind 发布大规模多语言手语转文本（SL2T）翻译模型，为聋人和听障用户带来新的手语输入功能，率先在 Pixel 11 的 Gboard 和 Live Transcribe 中支持美国手语（ASL）转英文，后续将扩展更多设备和语言。
推荐理由：原文给出模型训练规模、基准分数和隐私设计等具体细节，读者可以了解手语翻译落地的真实技术路线。
Google Research精选AI 评分6565 Google 发布 AMIE (Video)，实现实时音视频临床问诊
Google Research 推出基于 Gemini 和 Project Astra 的 AMIE (Video)，可进行实时同步临床视频问诊，感知非语言线索并引导虚拟体格检查。
推荐理由：原文给出架构设计、评测规模和与 PCP 对比的量化结果，还坦承模拟场景等局限，可帮助读者理解音视频临床 AI 的实际边界。
Microsoft ResearchAI 评分5858 Microsoft Research 发布 CARE-X 胸部 X 光研究模型，结合辅助监督、DAPO 强化学习与工具增强测量
Microsoft Research 推出研究模型 CARE-X，一个统一胸部 X 光 VLM，基于 SigLIP2-so400M 与 Phi-4-mini-instruct（3.8B），通过辅助头联合训练提供报告生成与带置信度的结构化预测，并用 DAPO 强化学习对齐临床奖励。
Hugging Face Blog精选AI 评分7878 Meta 发布开源多模态模型 Muse Glimmer-30B，主打本地智能体场景
Meta 今日发布 30B 参数多模态开源模型 Muse Glimmer，从 Muse 蒸馏而来，采用 Apache 2.0 许可，面向本地部署的隐私场景与编码、文档分析、个人助理等智能体用途。
推荐理由：原文给出架构细节、Agent 基准对比和各推理栈的 day-0 用法，读者可据此评估本地多模态部署的选择。
Google DeepMind精选AI 评分6767 Google DeepMind 发布 Gemini Robotics ER 2，强化视频理解、任务编排与多机器人协作
Google DeepMind 发布 Gemini Robotics ER 2，定位为机器人的高层具身推理模型，可编排 VLA 模型等底层控制接口并调用 Google Search 等工具。
推荐理由：官方给出了进度分类、时刻定位等具体基准数字和多机器人协作演示，读者可据此评估这款具身推理模型在真实机器人编排中的可用性。
Google DeepMindAI 评分4646 Google DeepMind 发布 Lyria 3.5，上线 Google Flow Music
Google DeepMind 推出最新音乐生成模型 Lyria 3.5，即日起在 Google Flow Music 中可用。模型在音乐性、歌词和人声质量上均有提升：可生成更自然复杂的旋律结构，歌词更贴合提示词并具结构感知，人声更具表现力且发音更准确。此外用户可更方便地控制输出音乐的节奏与时长。
Hugging Face BlogAI 评分3232 DharmaOCR 实测：新模型迭出，专业化优势依旧
DharmaOCR 在巴西葡萄牙语 OCR 基准上以 0.925 分超越更新的 Mistral OCR4（0.798）和 Unlimited-OCR（0.7587），验证了领域专业化的优势。该模型通过监督微调对齐巴西葡萄牙语的词汇与文档结构，再用 DPO 抑制重复或不连贯输出，实现最低退化率。文章指出，生成式 OCR 的可靠性取决于参数如何集中分配于单一领域，而非更大架构。
Hugging Face Blog精选AI 评分8080 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，总参数约 1T（975B，激活 41B 的 MoE），原生接收图像、文本和音频输入，支持 1M 上下文，训练数据为 45 万亿 token，包含 BF16 和 NVFP4 权重。
推荐理由：官方博客给出架构细节、各档位 VRAM 需求和部署配置，读者可以据此评估多模态部署成本与选型。
Google DeepMindAI 评分2626 Google DeepMind 推出 Gemini 驱动的教育助手 ATL Saathi
Google DeepMind 与 Atal Innovation Mission 合作推出 Gemini 驱动的网页应用 ATL Saathi 的试点，为 Tinkering Lab 教师提供 24/7 规划与培训助手，首期覆盖 100 所试点学校。
Google DeepMindAI 评分4949 Google DeepMind 与 A24 宣布首个此类研究合作
Google DeepMind 与 A24 宣布建立首个此类的研究型合作，将前沿 AI 研究实验室与电影公司配对，帮助艺术家开发新的工作流程与技术。双方将围绕多个项目开展长期研发协作，A24 的电影创作者可参与塑造新技术，Google DeepMind 则获得一线艺术家的反馈指导。此外，Google 已对 A24 进行投资，合作的具体目标和技术产出将随时间演进。
Google ResearchAI 评分4141 Google Research 将屋顶反照率 Heat Resilience 数据扩展至 50+ 全球城市
Google Research 发布覆盖 50+ 城市、9 个国家的建筑级屋顶反照率数据集，通过新的 Heat Resilience Earth Engine App 开放访问，帮助城市规划者实施冷屋顶方案。