PhAI Labs 联合斯坦福等团队推出 JEPA-Anything，将 JEPA 扩展为跨物理到生物的通用世界模型
PhAI Labs 牵头、联合斯坦福、牛津和普林斯顿的研究团队发布 JEPA-Anything，将 Yann LeCun 提出的 JEPA 架构扩展为可跨七个领域工作的通用世界模型。
#多模态
#多模态
今日 10 条The DecoderAI 评分6060 The DecoderAI 评分7373 Mistral 发布万亿参数 Mistral Large 4 公开预览，主打安全与欧洲主权
Mistral 发布迄今最大模型 Mistral Large 4（ML4，绰号 le Chonk）公开预览，总参数 1.05 万亿、激活 490 亿，API 已上线，权重预计月底发布。
The DecoderAI 评分6161 Google 发布 EmbeddingGemma 2：740M 参数多模态嵌入模型，号称超越两倍体量竞品
Google 发布开源嵌入模型 EmbeddingGemma 2，可将文本、图像、视频、音频和代码转为向量，参数量 740M，Google 称其在多模态嵌入基准上超越体量两倍的竞品。
Google ResearchAI 评分5252 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。
TechCrunch · AIAI 评分3939 Pinterest 推出 AI 功能 Beauty Guides，将美妆 Pin 转化为行动指南
Pinterest 推出由 Pinterest Intelligence 驱动的新功能 Beauty Guides，可将美发和美甲类 Pin 转化为可带去沙龙的行动计划。
TechCrunch · AIAI 评分6464 Mistral 发布 1T 参数多模态模型 Mistral Large 4，三周后开放权重
Mistral AI 发布 1 万亿参数的多模态大模型 Mistral Large 4，暂只能通过公开 guardrail endpoint 访问，计划在安全测试完成后三周内开放权重。该模型仅用 4000 块 Nvidia GPU 训练，优化用例包括网络安全、金融和芯片设计，公司上月以 210 亿欧元估值完成由 Samsung 领投的 D 轮融资。
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。
TechCrunch · AIAI 评分4242 前 Ramp 工程师创办的 Melius 在推翻首款产品后融资 2000 万美元
AI 广告创意平台 Melius 于周二宣布共融资 2500 万美元，包括 CRV 领投的 2000 万美元 A 轮和 General Catalyst 领投的 500 万美元种子轮。该公司由三位前 Ramp 工程师创办，在放弃原有的 AI 营销工具、重写整个代码库后，转向生成广告素材与活动的"创意工作智能体实验室"，并称 7 月出隐身两个月内年化收入超 100 万美元。
The DecoderAI 评分6363 Microsoft AI 发布实时转写模型 MAI-Transcribe-2-Streaming 与语音模型 MAI-Voice-2.1
Microsoft AI 发布实时语音转写模型 MAI-Transcribe-2-Streaming，称其在 Artificial Analysis 准确率排名第一，支持 60 种语言，首批部分结果延迟仅 100 多毫秒，年底前每小时音频定价 $0.54。
The Verge · AIAI 评分4747 Google 在 Gemini Live 推出 Guided Vision 功能，可帮用户读取小字
Google 今天在兼容 Android 设备的 Gemini Live 中推出 Guided Vision 功能，可对手机摄像头拍摄的画面进行实时语音描述，帮助用户读取小字、识别物体和描述周围环境。
TechCrunch · AIAI 评分6262 ChatGPT 全球上线虚拟试穿和商品收藏功能
OpenAI 宣布在全球推出两项 ChatGPT 新购物功能：虚拟试穿和收藏（Favorites）。用户可上传自拍或全身照试穿衣物配饰，也可上传商品截图请求试穿，试穿功能基于新发布的 ChatGPT Images 2.5 模型；收藏功能可把商品保存到应用内的 Library。
The DecoderAI 评分5555 Tavus 发布 Griffin 人机交互模型，近半测试者在 1 分钟视频通话中误以为是真人
Tavus 推出其称为首个 Human Interaction Model 的 Griffin，可实时处理语音、表情、语调、手势和停顿并双向生成视频。公司研究中 48% 的参与者在一分钟视频通话后认为 Griffin 是真人，此前系统最高为 2%；Tavus 所述的 Nvidia 独立测试中 Griffin 得 3.83 分，接近真人的 3.92 分。
TechCrunch · AIAI 评分6666 Brian Chesky 访谈：AI 智能体需要自己的操作系统
TechCrunch 采访 Airbnb CEO Brian Chesky，他在公司本周上线 AI 搜索后提出 AI 智能体需要操作系统级支持，认为 iOS、macOS、Windows 都不是 AI 操作系统，AI 理想在内核层运行。
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。
TechCrunch · AIAI 评分5555 Airbnb 推出 AI 搜索并强化社交功能
Airbnb 在秋季产品更新中推出 AI 搜索，用户可通过开关用文字或语音提示搜索房源，界面会根据偏好显示动态筛选条件，例如输入 baby 会自动出现婴儿床、游乐场等筛选。
TechCrunch · AIAI 评分5959 Google 发布 Gemini 4 Argon，称其为迄今最强大的模型
Google 发布新模型 Gemini 4 Argon，称其擅长网络安全、编码与研究，可自主发现、验证并修复关键软件漏洞。该模型经防御性网络安全任务专项训练，目前仅通过 Fairwind 安全计划向部分网络安全合作伙伴开放；Google 引用 Vals 的模型指数称其在多项基准上领先 OpenAI GPT-6 Astra 与 Anthropic 的 Fable 和 Opus。
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。
Latent SpaceAI 评分5252 AMD 以 82 亿美元收购 World Labs，其 Atlas 模型解决稀疏重建问题
AMD 收购 World Labs，因 AMD 是上市公司，作者指出收购价为 82 亿美元。World Labs 自 2024 年成立以来构建图像、视频和空间重建的训练团队，收购 SceniX 后面向机器人仿真；其 Atlas 模型从零训练，可从 2D 图像预测下一视角，将生成模型与多视角几何结合，基本解决了计算机视觉中稀疏重建这一长期问题，应用于机器人 RL 环境、场景生成和房地产重建等领域。
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。
Latent SpaceAI 评分5858 Runway 深谈 WorldPrompt 与 GWM Worlds 2 的实时世界生成工程
Runway 推出研究预览版 GWM Worlds 2，通过 WorldPrompt 格式用提示词控制模拟世界中的角色、镜头和环境，可实时生成 720p、24 fps 视频和 48,000 Hz 音频。
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。