Google 与 Xreal 合作的 Aura 眼镜今日开售，售价从预售时的 1279 美元降至 1099 美元（12GB+256GB），16GB+512GB 版本为 1299 美元，预计 11 月中旬发货。该眼镜重 95 克，需连接 Android XR 计算模块使用，支持多块虚拟屏幕，对角线视场角 70 度。首发覆盖美国、加拿大、韩国，11 月 2 日登陆日本。已按原价预购的用户将自动获得差价退款。首发提供 150 多个 XR 体验，可通过 USB-C 连接电脑或掌机投屏，并支持向 Gemini 提问。
推荐理由想买 XR 眼镜的人可以直接看价格和配置：1099 美元起，11 月中旬发货，预购差价自动退。
苹果在「Pro and Tell」活动上发布首款触屏 MacBook Pro，支持滚动、滑动、捏合等手势，触控传感器直接集成在显示面板内以降低延迟。配备 tandem OLED 屏、120Hz 刷新率、2000 尼特亮度，14 英寸重 3 磅，并首次加入灵动岛用于查看实时更新、搜索文件和使用 Siri AI。14 英寸 M5 Pro 版起售价 2899 美元，16 英寸 3399 美元，另有 M5 Max 配置，今日开启预售，11 月 6 日发货。同期还更新了 8.5 英寸 OLED 屏 iPad Mini（起售价…
推荐理由想换 Mac 的人可以直接看价格和配置：触屏版 2899 美元起，M6 普通版 1999 美元起，11 月 6 日发货
Google DeepMind 推出 Genie 4，是 2025 年 8 月展示的 Genie 3 的后续版本。该世界模型逐帧计算场景，用户用键盘移动、用文本提示引导事件，是公司首个直接生成声音的实时世界模型，每个世界有独立背景音，角色之间可对话并实时响应用户输入。Gemini 模型在后台规划以保持世界一致：Gemini 3.8 Flash 持续观察场景、把目标拆成步骤并逐帧校验；Gemini 4 Argon 被用于把 Genie 与机器人研究 Gemini Robotics 连接，演示中模拟 Apptronik…
推荐理由世界模型开始生成声音和角色对话，可了解机器人仿真训练环境的下一步形态
Google DeepMind 以研究预览形式发布世界模型 Genie 4，可生成照片级真实、可交互的场景，支持在模拟过程中输入文字提示实时改变天气、镜头角度或增删人物物体。模型同步生成与场景匹配的实时音频，包括音乐、环境音和交互对话。场景一致性最长维持 2 分钟，是 Genie 3 的两倍，物理效果和人物动作更接近真人。Gemini 与 Genie 4 深度集成，由 Gemini 规划步骤并检查画面，Genie 负责生成视觉内容；在 Gemini Robotics 相关实验中，Gemini 4 Argon 将任务…
推荐理由世界模型赛道正在整合（AMD 收购 World Labs、亚马逊洽谈 Decart）
Google DeepMind 发布新一代世界模型 Genie 4，官方称其在实时模拟的真实感上达到前所未有的水平。原文正文信息有限，未披露模型参数、开放范围、可用时间与评测数据。
推荐理由世界模型是今年最热的方向，先记住 Genie 4 这个名字和它的定位
Google DeepMind 发布 Genie 4 世界模型，相比 Genie 3 在几乎所有方面都有改进，新增音频，人物与物理模拟更真实。模型可实时逐帧生成可交互虚拟世界，无需预渲染或编程交互元素。DeepMind 称世界模型是通往 AGI 的关键要素，可用于为实体机器人构建无限训练环境、加速创意领域原型设计。改进部分得益于 Google 更新的 Gemini 模型。原文未披露具体发布时间与定价，仅称付费用户有望较快用上。
推荐理由Genie 3 曾引发游戏股震荡，Genie 4 新增音频并强化物理模拟，做机器人与交互内容的人可留意其能力边界。
Google 发布 Genie 4 世界模型，用于生成可交互的虚拟体验。相比 Genie 3，主要更新有四点：世界更真实；支持用自然语言提示实时修改体验；可生成音频；底层使用 Gemini 3.8 Flash 辅助模拟。生成时长从 1 分钟提升到约 2 分钟。Google 称其可用于影视预可视化、游戏创意原型和机器人训练场景，同时提醒模拟时间变长后细节和物体恒存性可能漂移。Genie 4 先以“研究预览”形式向受信任测试者开放，之后将向 Google AI Ultra 订阅用户推出，并已开放 Project Gen…
推荐理由生成时长翻倍到 2 分钟并加入音频，做游戏原型或机器人仿真的人可先排等待名单。
vLLM Semantic Router 团队发布 d3-ultra，一个 27B 多模态决策模型，采用 Apache-2.0 许可。它不生成文本，而是读一次输入后，为每个问题的每个答案返回概率，可一次调用完成路由、分类、视觉定位和视频检查。参数 26.09B（dense，含 0.46B 视觉编码器），上下文 131,072 tokens，在 1 块 AMD MI325X 上以 BF16 测试，暂无官方量化版本。团队自建 SR-Text 测试得分 87.2，居 6 个决策模型之首；SR-Box 定位 10 个领域 …
推荐理由做模型路由或多模态分类的开发者可看：一次调用替代多模型，SR-Text 87.2 分居首
百度开源 Unlimited OCR 2，一个 3.34B 参数的视觉语言模型，可在单次请求中解析数百页书籍、财报和报告，权重以 MIT 协议发布，代码在 GitHub。核心改动是 SR-SWA 稀疏注意力，把文本-视觉注意力压缩到固定 512 token 的工作参考集，使解码每步延迟和显存几乎不随文档变长而增长。最大位置长度 131,072 token，每页 273 个图像 token，BF16 权重约 6.7 GB，单张 A800-80GB 可跑。百度自测 MPDocBench 得 84.6 排第一（Qwen3…
推荐理由百页文档场景下领先 Kimi-K3 达 43 分，MIT 协议单卡可部署，做长文档解析可直接试
苹果在周三发布会前数天公布新款 iPad Mini：8.5 英寸 OLED 屏，峰值亮度 1200 尼特，机身厚 5.4mm，边框收窄 24%。Wi-Fi 版起售价 699 美元，蜂窝版 849 美元。搭载 A20 Pro 芯片，可本地运行 AI 模型，支持部分新 Siri AI 功能，包括调节语音表现力和语速；128GB 和 256GB 版为 5 核 CPU，512GB 版为 6 核 CPU，均配 16 核神经引擎。屏幕刷新率仍为 60Hz，不支持 ProMotion。新增“声学显示屏”扬声器结构、长边 1200…
推荐理由起售价从上一代 499 美元涨到 699 美元，想买小尺寸平板的人需要重新算预算
Hugging Face Bio 发布 Carbon-X，一个 14.8B 参数的 DNA 语言模型，采用 Apache 2.0 许可，权重可下载。它基于 Qwen3-14B，把 DNA 和自然语言放进同一个 token 流，可直接在对话中读原始 DNA 并用英文回答，支持突变致病性预测、调控区标注、物种分类和碱基预测。上下文 40,960 token，单张 80 GB GPU 可跑，官方 GGUF 量化版 Q4_K_M 仅 9.6 GB。5 项 DNA 基准平均 66.7%，自称优于所有被测开源模型，比 GPT-…
推荐理由Apache 2.0 权重可本地部署，单张 80 GB 卡或 9.6 GB 量化版就能跑，敏感序列不用出实验室。
英伟达开源数据引擎 Flora，据其估算，标注 1 小时机器人视频成本约 0.72 美元，而用 GPT-6 Astra 约需 88.5 美元。Flora 由三个微调的 Qwen3.5 模型组成：9B 模型切分动作片段，27B 模型结合上下文描述动作，另一个 27B 模型 Flora-Rewarder 负责打分。在 50 个视频的测试中，Flora 的标注质量略高于 GPT-6 Astra（57.1% 对 53.7%）。该系统已在 GR00T 模型训练中使用，每天在 512 块 GB300 GPU 上标注最多 20 …
推荐理由做机器人数据标注的团队可以直接在 Hugging Face 下载三个 Qwen3.5 微调模型
BBC 自然纪录片《蓝色星球 III》执行制片人 Elizabeth White 向《卫报》表示，团队刻意保留过去会被剪掉的画面，如水中的浮游生物、船只或浮标入镜、水质不佳的镜头，以此证明画面真实、非 AI 生成。她称，AI 生成内容的一大破绽就是过于精致无缝。本季内容包括海豚用海绵堵住洞口围捕鱼群、鱼类跨物种交流、20 万只螃蟹列队觅食。White 称真实海洋生物"可能比 AI 能想象的更非凡"。
推荐理由想了解内容行业如何应对 AI 真实性争议，这是一个具体做法：用保留瑕疵来反证真实。
TechCrunch 作者称 iPhone Duo 起售价 2000 美元，是苹果首款折叠屏手机，但发布时大量主流 iOS 应用未适配，出现黑边、控件错位。苹果挑选了 Netflix、MLB、NYT Cooking、Slack、Fantastical 等合作伙伴做首发适配。作者认为真正体现价值的是专门为双屏尺寸差异设计界面的应用，例如 Netflix 在外屏可滑动浏览、展开后利用大屏播放。原文信息有限，未给出具体应用数量或性能数据。
推荐理由想了解 2000 美元折叠 iPhone 首发应用适配情况的人可以看，知道哪些 App 已就绪、哪些还有黑边。
Square 和 Cash App 母公司 Block 发布语音模型 Dessa，称这是首个完全用人类语音、不含任何文本数据、从零训练的 AI 模型。它不先把音频转成文本，而是直接处理语音，能实时捕捉情绪、反讽、笑声和停顿，并支持全双工对话，可边听边说。Dessa 可在 MacBook Pro M4 Max 上本地运行，训练使用单台 NVIDIA GB200 NVL72。目前尚未公开，Block 先招募 AI 安全研究者测试潜在风险，有意者可通过表单报名。
推荐理由语音 AI 首次完全绕开文本，情绪识别和全双工是可直接验证的新路线，安全研究者可申请试用。
Kyutai 发布开源因果扩散表征自编码器 CADRE，专为交互式世界模型设计，解决动作延迟问题。论文称其世界模型在单张 H100 上以 20 fps 运行，反应时间在 230 ms 以内。CADRE 包含 7 个自编码器，每个约 4.76 亿训练参数，外加一个冻结的 8600 万参数 DINOv3 ViT-B/16；世界模型为 12 亿参数，视频分辨率 288×512。在 48 项对比中，有 42 项比 MIRA、Wan 2.2、Cosmos、LTX-2 更快且更好；驾驶场景 FVD 为 162.6，Wan 2.…
推荐理由做世界模型和机器人策略的可以直接看：单卡 H100 跑 20 fps、延迟 185 ms，但动作跟随是短板
宝马发布 2027 款 X5 与 iX5，同一车系同时提供燃油、插混和纯电三种动力。燃油版 X5 40 xDrive 搭载 3.0 L 涡轮增压直列六缸发动机，输出 394 hp（294 kW）、428 lb-ft（580 Nm），48 V 轻混系统可额外提供 148 lb-ft（200 Nm）扭矩，综合油耗约 26 mpg（9 L/100 km），满油续航 569 英里（915 km）。纯电 iX5 沿用 iX3 的第六代电驱与新一代座舱和计算平台，后续还将推出氢动力版本。
推荐理由想了解宝马新世代电驱技术如何下放到 X5 这一级别，可以看这篇实测
Allen AI 发布 OlmoEarth v1.3 卫星嵌入模型，并公开全球预计算嵌入：10 米分辨率，提供 64 维和 128 维两种版本。模型读取 Sentinel-1 雷达与 Sentinel-2、Landsat 多光谱数据，为每个 10 米像素生成一个 128 维向量。在 27 项评测中，128 维版本在 20 项得分最高，64 维版本在 18 项领先，对比对象为 AlphaEarth Foundations 和 Tessera v2。模型权重、预训练数据和代码全部开源，并配套无需登录的浏览器工具 Emb…
推荐理由无需 GPU 和下载影像，用现成全球嵌入训练小分类器即可做作物、火灾等制图
LlamaIndex 推出 OCRia-1，一个 40 亿参数的视觉语言模型，主打文档解析。在 ParseBench 上综合得分 87.4，比第二名高 12.1 分，是 350 亿参数以下解析模型的最高分。在表格评测中，olmOCR-bench 得 92.9、PulseBench-Tab 得 84.1、fr-bench-pdf2md 得 72.1，均排名第一。官方称其在准确率、成本和延迟三方面同时领先，重点优化了嵌套表头、合并单元格和不规则网格的重建，面向金融报表、保险单据等场景。
推荐理由4B 参数就在文档解析上超过 7B 的 olmOCR-2，做票据、报表 OCR 的可以直接对比选型
MarkTechPost 实测了 Cactus Compute 的语音转文字模型 Whistle：该模型体积 16.9 MB，可在 CPU 上运行，支持 7 种语言，并能返回词级时间戳和概率。在 LibriSpeech 的 test-other 样本上，Whistle 领先使用贪心解码的 Whisper base，但与使用 beam search 的 Whisper base 相比没有显著差距；它的速度优势会随音频变长而缩小。测试还发现，固定版本的引擎在处理超过 30 秒的音频时，会静默丢弃中间部分。数据来自 Ap…
推荐理由想用 CPU 跑本地语音转写的人可以看：16.9 MB 模型对 Whisper base 的真实差距
通用汽车在 Forward 活动上宣布，将借助「数字线程虚拟化」把新车开发周期从 4-5 年压缩到 2 年。电池团队在造出第一个物理原型前，先虚拟测试了超过 30 万种电池设计，一个月内完成从概念到正式批准，最终选定锰铁锂（LMR）化学体系。新电芯能量密度比磷酸铁锂高 33%，每千瓦时效率提升 20%，将由 Ultium Cells 在田纳西州 Spring Hill 工厂生产，用于第四代电动车平台。通用还称将推出算力最高达现有硬件 40 倍的计算单元，并在畅销皮卡和 SUV 上实现可脱眼的自动驾驶。
推荐理由看车企怎么把 AI 塞进研发流程：30 万次虚拟电池设计、开发周期砍半，都是可对照的具体数字。
IBM 更新 Granite Speech 系列，新增 granite-speech-5.0-2b，并修订 granite-speech-5.0-470m-turboctc 和 granite-speech-4.1-2b-plus。新 2B 模型与 4.1-2b 参数量相同，支持英语、法语、德语、西班牙语、葡萄牙语、日语转录，并支持这些语言与英语互译，另支持英语译成意大利语和普通话；训练数据含 39 万小时公开音频及合成数据。新增语言 ID 提示、最多 2000 词关键词偏置、按需输出标点与大小写。官方称其在公开英…
推荐理由Apache 2.0 可商用，2B 参数支持 6 语种转录和关键词偏置，适合做企业语音转写
MIT 科技评论梳理了跨物种交流的现状：过去 50 年，水听器、可穿戴生物记录仪等设备积累了大量动物声音数据；近十年 AI 能识别不同叫声、区分发声个体并发现规律，非营利机构 Earth Species Project 用机器学习识别了渡鸦的叫声归属，并希望用基于人类语音、音乐和动物声音训练的 NatureLM 解读多种物种的发声。但特拉维夫大学神经生态学家 Yossi Yovel 担心模型过度依赖声学相似性而误判，双向对话何时实现尚不明确。
推荐理由想了解 AI 在动物语言解码上真实进展与瓶颈的读者，可快速看清哪些是已验证成果、哪些仍是设想。
NVIDIA 推出 Cosmos3-H-Dreams，据其称为首个基于临床胆囊切除术录像训练、支持实时运动学控制的生成式手术模拟器。模型基于 160 亿参数的 Cosmos3-H-Embodied-Nano，在 CMR Surgical Versius 平台的临床手术视频与机器人运动学数据上训练，经 FlashDreams 加速后可在单张 RTX PRO 6000 GPU 上交互运行。相比此前基于 Cosmos-Predict2.5 的桌面缝合模拟，新模型需处理组织牵拉、遮挡、烟雾等体内复杂场景，并保持长时间生成的…
推荐理由做手术机器人或世界模型的人可看：160 亿参数、单卡 RTX PRO 6000 实时跑，替代数值仿真的一条路线
开发者发布开源项目，通过读取 OBS 虚拟摄像头画面，用 OCR 识别 BGMI 直播击杀信息中的玩家名，再用训练好的检测器分类击杀图标，在毫秒级更新直播叠加层上的实时积分榜。项目针对 BGMI 不开放 API 的问题，先过滤无事件帧，只把可能含信息的帧送入较重的 ML 模型，可处理 60 FPS 高清直播流。作者在学院内实测一场比赛，赛后数秒内生成积分表。代码已开源，README 提供本地部署步骤。
推荐理由做直播工具或 OCR 落地的开发者可参考其帧过滤省算力思路，代码可直接跑
帕洛阿尔托初创公司 Elorian 发布首个模型 Glimpse，以研究预览形式开放 API，聊天界面需排队。Glimpse 在推理过程中可裁剪图像局部、抽取视频帧或运行代码测量比较，Elorian 称这一机制为「视觉草稿区」，区别于多数多模态模型一次性把图像转成 token 再在文本中推理的做法。定价为输入每百万 token 0.60 美元、输出 3 美元。Elorian 称其在科学图表推理和短视频描述上超过 GPT-6 Astra。公司此前以 3 亿美元估值完成 5500 万美元种子轮，由 Striker Ve…
推荐理由输入每百万 token 0.60 美元，比 Sonnet 便宜，做图表、视频理解可先测 API
NVIDIA 联合 IIT Madras 的 AI4Bharat 实验室发布 Nemotron-pretraining-Indic-v1，约 2.8 万亿 token，覆盖印度宪法列出的 22 种语言，含 12 种语言的罗马化文本，共 34 种语言-文字组合。同时开源配套的 GPU 加速数据生成流水线，包含提示词、LLM 工作流和质量校验，可迁移到自有语料。数据由精选英文材料（数学、代码、问答）翻译而来，每条记录可追溯到源文档，并保留公式、表格和代码。AI4Bharat 负责人 Mitesh Khapra 称印度语…
推荐理由做印度语或多语言模型的团队可直接用这 2.8 万亿 token，或复用其开源流水线生成自有语料
NVIDIA 发布 Nemotron 3.5 Super VL，一个 120B 参数 MoE 开源视觉语言模型，每 token 激活 12B 参数，支持文本、图像、文档和视频输入，可推理、调用工具并写代码。上下文最高 100 万 token，权重以 OpenMDW-1.1 许可发布，同时开源数据集、训练配方和 RL 环境。NVFP4 检查点可在 1 张 DGX Spark、1 张 H200、2 张 H100 或 1 张 GB200 上运行。NVIDIA 称单 GPU 吞吐量最高为同类开源模型的 5 倍。基准成绩：G…
推荐理由120B MoE 只激活 12B，单张 H200 可跑，一个检查点替代文本+视觉两个模型
Black Forest Labs 发布 FLUX 3 Image Klein，一个 56 亿参数的开源文生图与图像编辑模型，支持最多 10 张参考图、原生 4K 输出和像素级编辑。官方称其内部测试 Elo 分数在所有开源模型中最高，超过闭源模型 Ideogram V4.5 和自家 FLUX.2 [pro]，比 90 亿参数的 FLUX.2 [klein] 高 91 Elo 分且参数少 38%。INT8 版本可在 8 GB 显存的 NVIDIA GPU 上运行，RTX 4070 生成一张图不到 9 秒。权重采用 F…
推荐理由8 GB 显存、RTX 4070 上 9 秒出图，年收入 500 万美元以下可免费商用，本地部署门槛很低。
瑞士 AI 项目发布 Apertus 1.5，在 8B 和 70B 两个尺寸上新增图像与音频理解、可选的思考模式，上下文窗口从 64K 扩至 262,144 tokens（4 倍），并改进指令遵循与工具调用。模型权重于 2026 年 7 月 24 日以 Apache 2.0 许可发布在 Hugging Face。训练为继续预训练：8B 增加 4 万亿 tokens、70B 增加 2 万亿，总量分别达 19T 和 17T。多模态采用早期融合，图像经 Emu3.5 tokenizer 编码（512×512 图像为 10…
推荐理由Apache 2.0 可商用，256K 上下文加图像音频输入，适合做文档与语音类本地部署
Black Forest Labs 发布 FLUX.3 Image Klein，发布当天即集成进 Diffusers。单一模型同时支持文生图、多参考图生图和布局控制：在提示词中写边界框，指定画面各部分的摆放位置，或参考图中哪些部分需要移动。开放两个 checkpoint：蒸馏版 flux-3-image-klein 默认 16 步、无需 CFG，在 H100 上生成 1024×1024 图像约需 2 秒；基础版 flux-3-image-klein-base 默认 50 步、使用 CFG。NVFP4 和 FP8 权…
推荐理由蒸馏版在 H100 上 2 秒出 1024×1024 图，支持用边界框控制构图，可直接 pip 安装试用
NVIDIA 发布开源多模态模型 Nemotron 3.5 Super VL，采用 120B 总参数、12B 激活参数的 MoE 架构，支持文本、图像、文档、视频输入，输出为文本。模型面向长时间运行的 Agent，将推理、指令遵循、工具调用与视觉理解合为一体，减少同时部署文本模型和视觉模型的需要。技术上有 C-RADIOv4 视觉编码器、混合 Mamba-Transformer、多 token 预测和 NVFP4 量化。权重已在 Hugging Face 发布 BF16 和 NVFP4 版本，vLLM 提供首日推理…
推荐理由120B MoE 只激活 12B，单卡 GB10 就能跑，做多模态 Agent 可省掉独立视觉模型
Datalab 发布开源 OCR 评测基准 OmniParseBench，用 16288 项是/否测试覆盖 2343 份文档的 2937 页、92 种语言，数据集与代码公开。它不评模型，而是评测框架，可用 uv pip install omni-parse-bench 安装，需 Python 3.11+，离线打分无需 API key。首发榜单上 Gemini 3.8 Flash 以 92.9 分居首，Datalab 自家的 accurate 模式以 92.7 分第二，前三名差距在 1.3 分以内。每个分数都是通过测…
推荐理由选 OCR 解析器前先跑一遍，16288 项测试能按语言和版式筛出适合自己文档的那款
一篇 Hacker News 热帖讨论大语言模型在生成「鹈鹕」等图像时风格高度雷同的现象。帖中引用的 Design Creativity Bench 用 80 个开放式 UI 任务评测 16 个前沿模型，从原创性、创意跨度、适用性三个维度打分，最佳模型 OpenAI GPT-6 Astra 得 65.5 分，人类设计师参考分为 92.3 分。原文正文信息有限，主要围绕该基准与鹈鹕图像同质化现象展开。
推荐理由想知道前沿模型在创意设计上落后人类多少，65.5 对 92.3 这个差距可以直接引用。
Allen AI2 发布气候模拟系统 HiRO-ACEv2，可生成全球 3 公里分辨率气候数据，成本约为高分辨率大气模型 X-SHiELD 的 1/300。核心更新是降尺度模型 HiROv2：可同时预测多个高分辨率场（不再只做降雨），对最极端雨、风、气压值的还原能力提升，在给定粗化的 X-SHiELD 数据时，与目标模拟的高分辨率统计量误差在 3% 以内，即使百万分之一的罕见事件也适用。它还能估算热带气旋总能量，生成有眼和雨带结构的飓风，但眼周风压分布仍比 X-SHiELD 略不对称。团队同时更新了 ACE，10 …
推荐理由做气候/气象 AI 或降尺度模型的人可看：3 公里全球数据成本降到 1/300，单区域还能再省百倍。
The Verge 评测亚马逊新款 Alexa Tablet 12 Pro，售价 549.99 美元，配备 12 英寸 2800 x 1840 屏幕，采用与康宁合作开发的 Nanomatte 防眩光技术，可减少反光且不产生彩虹纹。该平板可运行 Play Store 全部 Android 应用，但预装大量亚马逊臃肿软件，Alexa Plus 助手表现不佳，部分规格平庸。评测者认为屏幕观感出色，但并非显示技术革命。
推荐理由想买 Android 平板的人可参考：550 美元、12 英寸防眩光屏，但 Alexa Plus 和预装软件是短板
阿里巴巴发布新一代智能眼镜 Qwen Glasses N1，起售价约 450 美元，Pro 版约 520 美元，配备 5000 万像素摄像头、传感器和眼球追踪功能。同时发布 Qwen Clip AI 耳机。原文信息有限，具体参数与上市时间未披露。
推荐理由想知道阿里智能眼镜定价和硬件配置的人可以看，Pro 版眼球追踪是主要差异点
加州 AI 公司 Odyssey 开放世界模型 Odyssey-3 的公开研究预览，用户可用文本提示生成可实时探索的交互环境，开发者可申请 API。免费在线 Demo 基于 Odyssey-3 Flash，支持第一人称和第三人称视角。模型基于自回归扩散 Transformer，基础版 140 亿参数，生成 832×480 视频，Pro 版支持 1280×720。公司称 Odyssey-3 Pro 在 Physics-IQ Verified 视频基准得 66.1 分，但该成绩来自单次测试并使用了从 8 个生成视频中挑…
推荐理由可免费在线试玩，14B 参数实时生成交互世界，做机器人和游戏 Agent 的可以直接申请 API
开发者发布 Sidequest，一个 100% 客户端运行的离线 PWA 寻宝游戏，用浏览器内运行的开源视觉语言模型判断孩子拍到的照片是否匹配自然线索，单次推理约 43 毫秒。游戏设计原则是「屏幕是散步中最短的部分」：手机只显示一条线索，随后屏幕熄灭，孩子用肉眼观察，拍照后由量化视觉模型验证，完成 5 个站点后生成可打印的自然观察日志，数据全部保存在本地浏览器存储中。支持 iPhone、Android、iPad 和桌面端，飞行模式下仍可推理。原文为 Hacktoberfest 开源 AI 挑战赛参赛作品，信息以作者…
推荐理由想了解浏览器端离线视觉模型怎么落地，可参考它的量化推理与 PWA 缓存方案
Cloudflare 推出 Clef-omni，一款开放权重的决策模型，在文本和图像之外新增音频与视频输入支持。同时，Cloudflare 将上周发布的 Clef-flash 价格下调至低于 Jev's 的水平。原文信息有限，未披露模型参数规模、具体定价数字及开放许可条款。
推荐理由做多模态 Agent 可关注：开放权重 + 音视频输入，且 Clef-flash 已降价