NASA 与 IBM 发布开源月球基础模型，基于 17 年轨道器数据
NASA 与 IBM Research 联合多家学术机构发布 NASA-IBM Lunar Foundation Model，称其为最早的开源月球科学基础模型之一。
#多模态
#多模态
今日 0 条The DecoderAI 评分3333
Google DeepMind精选AI 评分8787 Google DeepMind 发布 Gemini 4 Argon 前沿模型
Google DeepMind 发布前沿模型 Gemini 4 Argon，先通过 Fairwind Program 向受信任的网络安全防御方开放，随后逐步扩展至开发者、企业和消费者。
推荐理由：官方给出 Argon 在编码、企业知识与网络安全防御上的基准表现和分阶段开放路径，可据此判断前沿模型的能力边界与落地节奏。
Latent SpaceAI 评分6262 Runway 发布 GWM Worlds 2 与 WorldPrompt，详解实时世界模型工程
Runway 推出 GWM Worlds 2 研究预览，把高保真视频与音频生成变成实时交互式模拟，并提出新的输入格式 WorldPrompt，可固定环境部分要素（含首帧）后生成带时间戳的事件与动作。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini 3.8 Live with Live Avatar
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，在 Gemini 3.8 Live 的实时对话能力上加入低延迟流式视频，让模型能边听边看边说，并具备精准唇形同步、自然表情和流畅的轮流对话。
推荐理由：官方给出 Live Avatar 的实时视频对话能力、异步工具调用与 97 种语言切换细节，可据此判断企业级多模态交互的落地形态。
Hugging Face BlogAI 评分4040 Liquid AI 发布 LFM2.5-VL-DSpark 草稿模型，为 LFM2.5-VL-3B 加速推理
Liquid AI 发布实验性 DSpark 草稿模型 LFM2.5-VL-DSpark，为视觉语言模型 LFM2.5-VL-3B 加入推测解码路径，解码最高提速 3.13x（端侧）和 2.66x（H100），端到端最高提升 2.62x 和 2.27x。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 WeatherNext 3 全球天气 AI 模型
Google DeepMind 与 Google Research 发布 WeatherNext 3，称其为目前最先进、最准确的全球天气模型，直接学习实时卫星观测数据，可每小时生成一次预报。
推荐理由：原文给出分辨率、更新频率与降水精度等具体指标，读者可据此判断 AI 天气预报在 Google 产品中的落地程度。
Hugging Face BlogAI 评分4444 Hugging Face 发布 NeoMME：260M/800M 多模态多语言编码器
Hugging Face 推出 NeoMME 系列多模态多语言编码器，含 260M 和 800M 两个版本，用单个双向 Transformer 同时处理文本 token 与原始图像 patch，无需独立视觉塔或因果语言模型。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini Omni 1.1 Flash，支持场景延长与 4K 放大
Google DeepMind 发布 Gemini Omni 1.1 Flash，通过 Gemini API 在 Google AI Studio 提供面向开发者的生成视频控制能力。
推荐理由：原文列出场景延长、首尾帧插值与 4K 放大等具体能力，读者可据此判断生成视频工作流的可控性变化。
Google DeepMind精选AI 评分7474 Google DeepMind 发布 SL2T 手语转文字模型，率先落地 Pixel 11 的 Gboard 与 Live Transcribe
Google DeepMind 发布大规模多语言手语转文字模型 SL2T，并在 Pixel 11 的 Gboard 和 Live Transcribe 中上线手语听写功能，首批支持美国手语（ASL）转英文。
推荐理由：官方给出 SL2T 的训练规模、基准分数与隐私设计，可据此判断手语转文字在消费级产品中的落地程度。
Hugging Face Blog精选AI 评分8282 Meta 发布开源多模态模型 Muse Glimmer 30B，面向本地智能体场景
Meta 发布多模态模型 Muse Glimmer，从 Muse 蒸馏至 30B 参数，采用 Apache 2.0 许可，面向本地智能体场景，适用于编码、文档分析和个人助理等隐私敏感应用。
推荐理由：Meta 开源 30B 多模态模型并给出完整基准对比，可据此判断本地智能体场景的选型空间。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini Robotics ER 2 具身推理模型
Google DeepMind 发布 Gemini Robotics ER 2，这是其面向机器人的具身推理模型，可作为高层大脑与人类对话、理解物理世界并规划多步任务，再把动作执行交给底层 VLA 模型，同时支持原生调用 Google Search 等工具。
推荐理由：官方给出视频理解、任务编排与多机协作的能力变化和开放入口，可据此判断机器人在真实环境中的任务完成方式。
Google DeepMind精选AI 评分7676 Google DeepMind 发布 Gemini Robotics 2，为机器人带来全身智能
Google DeepMind 发布 Gemini Robotics 2，包含三款模型：负责视觉-语言-动作的 Gemini Robotics 2、负责具身推理的 Gemini Robotics ER 2，以及可在设备本地运行的 Gemini Robotics On-Device 2。
推荐理由：官方给出三款模型的职责分工与开放入口，读者可据此判断机器人全身控制与端侧适配的进展。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 与 3.5 Flash Cyber
Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和面向安全的 3.5 Flash Cyber 三款新模型。
推荐理由：原文给出三款新模型的价格、token 效率与多项基准对比，读者可据此判断智能体任务的成本与选型变化。
Hugging Face Blog精选AI 评分8888 Thinking Machines 在 Hugging Face 发布 Inkling 多模态模型及 Inkling-Small
Thinking Machines 在 Hugging Face 发布 Inkling，一个约 1T 参数、支持 1M 上下文、原生接收图像文本音频输入的开源多模态 MoE 模型，同时发布 276B 总参数 12B 激活的 Inkling-Small。
推荐理由：原文给出 Inkling 的架构细节、部署配置与基准对比，读者可据此判断这个开源多模态模型的实际可用性。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 Nano Banana 2 Lite 与 Gemini Omni Flash
Google DeepMind 发布 Nano Banana 2 Lite（gemini-3.1-flash-lite-image）与 Gemini Omni Flash（gemini-omni-flash-preview）两款模型。
推荐理由：两款新模型给出了延迟、单价和可用入口，读者可据此判断图像与视频生成链路的成本与选型。
Hugging Face BlogAI 评分5858 PP-OCRv6 上线 Hugging Face：1.5M 到 34.5M 参数、支持 50 种语言
PaddleOCR 发布新一代通用 OCR 模型家族 PP-OCRv6，已在 Hugging Face 上线，提供 tiny、small、medium 三档，参数量从 1.5M 到 34.5M，其中 small 和 medium 支持 50 种语言。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Gemma 4 12B：统一无编码器多模态模型
Google DeepMind 发布 Gemma 4 12B，一款面向笔记本的智能体多模态模型，介于 E4B 与 26B MoE 之间，可在 16GB 显存或统一内存上本地运行。
推荐理由：Gemma 4 12B 用无编码器架构把视觉和音频直接接入 LLM，读者可据此判断本地多模态智能体的硬件门槛。
Hugging Face Blog精选AI 评分6060 NVIDIA 发布 Nemotron 3.5 Content Safety 多模态安全模型
NVIDIA 发布 Nemotron 3.5 Content Safety，基于 Gemma 3 4B IT 微调，把多模态输入、多语言覆盖、自定义企业策略执行和可审计推理统一到一次推理调用中。
推荐理由：NVIDIA 把多模态、多语言、自定义策略与可审计推理合并进一次推理调用，并公开训练数据集。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Gemini Omni Flash，支持对话式视频编辑
Google DeepMind 发布 Omni 家族首个模型 Gemini Omni Flash，可组合图像、音频、视频和文本作为输入生成高质量视频，并通过自然语言多轮对话编辑视频。
推荐理由：Gemini Omni Flash 把对话式视频编辑和多模态输入整合进 Gemini 应用与 YouTube Shorts，可据此判断生成视频工作流的变化。
Google DeepMind精选AI 评分8787 Google DeepMind 发布 Gemini 3.5 Flash，主打智能体与编码
Google DeepMind 发布 Gemini 3.5 系列首个模型 3.5 Flash，定位为面向智能体与编码的前沿模型，即日起在 Gemini app、Google Search 的 AI Mode、Google Antigravity、Gemini API 以及 Gemini Enterprise 等渠道上线。
推荐理由：官方给出 3.5 Flash 在编码与智能体基准上的具体分数和 4 倍输出速度，可据此判断速度与质量是否还互相牵制。
Hugging Face Blog精选AI 评分7171 NVIDIA 发布 Nemotron 3 Nano Omni 全模态模型
NVIDIA 发布 Nemotron 3 Nano Omni，一款面向文档分析、多图推理、语音识别、长音视频理解和智能体电脑操作的全模态理解模型，在 MMlongbench-Doc、OCRBenchV2、WorldSense、DailyOmni、VoiceBench 等榜单上取得领先成绩。
推荐理由：NVIDIA 开源的全模态模型，给出架构、训练配方与多榜单对比，可据此判断长文档与音视频智能体的选型空间。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini 3.1 Flash TTS 语音模型
Google DeepMind 发布 Gemini 3.1 Flash TTS，称其在可控性、表达力和语音质量上均有提升，在 Artificial Analysis TTS 榜单上取得 1,211 Elo 分数。
推荐理由：官方给出 Elo 1211 与音频标签的细粒度控制方式，可据此判断语音生成在表达力上的进展。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini Robotics-ER 1.6，新增仪表读数能力
Google DeepMind 发布 Gemini Robotics-ER 1.6，这是其推理优先机器人模型的升级版，增强了空间推理与多视角理解，并新增仪表读数能力，可读取压力表、液位计和数字读数。
推荐理由：官方给出与上一代及 Gemini 3.0 Flash 的对比，并首次加入仪表读数能力，可据此判断机器人高层推理的进展。
Google DeepMind精选AI 评分8585 Google DeepMind 发布 Gemma 4 开源模型家族
Google DeepMind 发布 Gemma 4 开源模型家族，包含 E2B、E4B、26B MoE 和 31B Dense 四个尺寸，采用 Apache 2.0 许可。
推荐理由：Gemma 4 以四个尺寸覆盖从手机到工作站的部署场景，并给出 Apache 2.0 许可与首日工具链支持，便于开发者判断本地部署与微调的可行路径。
Hugging Face Blog精选AI 评分8787 Google DeepMind 发布 Gemma 4 多模态模型家族
Google DeepMind 在 Hugging Face 发布 Gemma 4 多模态模型家族，采用 Apache 2 许可，支持图像、文本和音频输入并输出文本。
推荐理由：Gemma 4 五档规格与架构细节公开，可据此判断端侧多模态与长上下文部署的可行边界。
Hugging Face Blog精选AI 评分6262 TII 发布 Falcon Perception 与 Falcon OCR 模型
TII 的 Falcon Vision 团队发布 Falcon Perception，一个 0.6B 参数的早期融合 Transformer，用自然语言提示做开放词汇定位与分割，在 SA-Co 上达到 68.0 Macro-F1，高于 SAM 3 的 62.3，但在存在性校准上落后（MCC 0.64 对 0.82）。
推荐理由：原文给出 0.6B 早期融合模型在 SA-Co 与 PBench 上的分项对比，可据此判断单骨干架构在开放词汇感知上的取舍。
Hugging Face Blog精选AI 评分6262 IBM 发布 Granite 4.0 3B Vision 企业文档多模态模型
IBM 发布 Granite 4.0 3B Vision，一个面向企业文档理解的紧凑视觉语言模型，以 LoRA 适配器形式叠加在 Granite 4.0 Micro 之上，支持表格抽取、图表理解和语义键值对抽取。
推荐理由：原文给出模型在图表与表格抽取上的具体基准对比，读者可据此判断小参数 VLM 在企业文档场景的可用边界。
Google DeepMind精选AI 评分6666 Google DeepMind 发布 Lyria 3 Pro，支持生成 3 分钟长曲目
Google DeepMind 发布音乐生成模型 Lyria 3 Pro，可生成最长 3 分钟的曲目，并能理解音乐结构，支持用提示词指定前奏、主歌、副歌和桥段等元素。
推荐理由：Lyria 3 Pro 把单曲生成时长提升到 3 分钟并支持段落级提示，读者可据此判断音乐生成在创作流程中的可用边界。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini 3.1 Flash-Lite
Google DeepMind 推出 Gemini 3.1 Flash-Lite，定位为 Gemini 3 系列中速度最快、成本最低的模型，即日起通过 Gemini API 在 Google AI Studio 和 Vertex AI 向开发者开放预览。
推荐理由：官方给出定价、速度与基准数据，读者可据此判断高并发场景下是否值得替换 2.5 Flash。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Nano Banana 2（Gemini 3.1 Flash Image）图像模型
Google DeepMind 发布 Nano Banana 2（Gemini 3.1 Flash Image），将 Nano Banana Pro 的世界知识、画质与推理能力带到 Flash 级速度。
推荐理由：官方给出 Nano Banana 2 在速度、主体一致性和分辨率上的具体规格，以及在各 Google 产品中的落地范围。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 D4RT：统一 4D 场景重建与追踪模型
Google DeepMind 发布 D4RT（Dynamic 4D Reconstruction and Tracking），用单一编码器-解码器 Transformer 统一动态场景重建与追踪，通过查询机制回答某个像素在任意时间、任意相机视角下位于 3D 空间的何处。
推荐理由：官方给出 D4RT 的统一查询式架构与 18x 至 300x 提速数据，可据此判断 4D 重建在机器人与 AR 端侧落地的可行性。
Google DeepMind精选AI 评分8484 Google DeepMind 发布 Gemini 3 Flash
Google DeepMind 发布 Gemini 3 Flash，主打前沿智能与速度兼顾，在 GPQA Diamond 得分 90.4%、Humanity's Last Exam 无工具 33.7%、MMMU Pro 81.2%、SWE-bench Verified 78%，定价为输入 $0.50/1M tokens、输出 $3/1M tokens。
推荐理由：官方给出 Gemini 3 Flash 的基准分数、定价与上线渠道，可据此判断速度与成本之间的取舍。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 Nano Banana Pro（Gemini 3 Pro Image）图像模型
Google DeepMind 发布 Nano Banana Pro（Gemini 3 Pro Image），这是基于 Gemini 3 Pro 构建的图像生成与编辑模型，已在 Google AI Studio 和 Vertex AI 以付费预览形式面向开发者推出。
推荐理由：官方给出新图像模型的分辨率、文本渲染与搜索接地等能力细节，便于开发者判断是否替换现有图像生成方案。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Nano Banana Pro（Gemini 3 Pro Image）图像生成与编辑模型
Google DeepMind 发布 Nano Banana Pro（Gemini 3 Pro Image），基于 Gemini 3 Pro 构建，主打图像生成与编辑。
推荐理由：官方给出 Nano Banana Pro 的文本渲染、多图合成与分辨率等能力细节，可据此判断图像编辑工作流的变化。
Google DeepMind精选AI 评分8787 Google DeepMind 发布 Gemini 3 Pro，并推出智能体开发平台 Google Antigravity
Google DeepMind 发布 Gemini 3，其中 Gemini 3 Pro 在各项主流 AI 基准上超过此前版本，编码能力也强于 2.5 Pro，兼顾智能体工作流与复杂零样本任务。
推荐理由：官方给出 Gemini 3 Pro 的基准成绩、API 定价与配套开发平台，读者可据此判断它在智能体编码与多模态场景的落地位置。
Google DeepMind精选AI 评分9292 Google DeepMind 发布 Gemini 3，Pro 版预览上线并推出 Deep Think 模式
Google DeepMind 发布 Gemini 3，称其为自家最智能的模型，率先以 Gemini 3 Pro 预览版上线，并同步接入 Gemini 应用、搜索 AI Mode、AI Studio、Vertex AI、Gemini CLI 及新智能体开发平台 Google Antigravity。
推荐理由：官方给出 Gemini 3 Pro 在推理、多模态与编码基准上的具体分数，并同步公布接入搜索、开发平台与 API 的节奏。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 SIMA 2：可推理、对话并在 3D 虚拟世界中自我改进的智能体
Google DeepMind 发布 SIMA 2，将 Gemini 模型嵌入智能体核心，使其从指令执行者升级为能推理目标、与用户对话并自我改进的交互式游戏伙伴。
推荐理由：SIMA 2 把 Gemini 的推理能力接入 3D 游戏智能体，并展示跨游戏泛化与自我改进的训练路径。