Google 本周公布多项更新：AI 生成内容检测门户面向全球开放英文版，可验证图像、视频、音频是否由 Google 及行业伙伴的 AI 生成；图像模型 Nano Banana 2.1 在视觉设计、主体一致性和局部精确编辑上提升；EmbeddingGemma 2 是首个原生多模态开源模型，统一文本、图像、视频、音频和代码用于端侧嵌入；Gemma 4 与植物 DNA 模型 BOTANIC-1 结合用于定位作物有利突变；面向企业的 Gemini agent 可 7×24 小时运行；Gemini Live 的 Guide…
推荐理由AI 检测门户全球开放，做内容审核或多模态应用的可以直接用；EmbeddingGemma 2…
Midjourney 在 Alpha 网站（alpha.midjourney.com）测试图像生成的 Thinking Mode。用户可在任务 lightbox 右下角点击「Rerun (Thinking)」触发。官方称测试中该模式能提升提示词准确度、文字排版和画面连贯性。未来可能作为通用的 thinking 模式开放，或在任务完成后「追加思考」。官方邀请用户在 #ideas-and-features 频道提交案例和反馈。
推荐理由Alpha 用户现在就能在 lightbox 里点 Rerun (Thinking) 实测文字排版和提示词准确度是否变好
Perplexity 发布 pplx-embed-v2-late，一对 ColBERT 风格多模态嵌入模型，分 0.6B 和 9B 两个尺寸，均可检索文本、图像和渲染后的 PDF 页面，共享同一嵌入空间。9B 模型在 MADQA 上得分 92.4%，为最佳成绩；0.6B 模型图像部分约 340M 激活参数，接近 8B 竞品。两者已在 Hugging Face 以 MIT 许可开源，允许商用，托管 API 尚未上线。每个 token 存一个向量，索引随文档长度增长；单次输入不能混合文本和图像；所有分数为自报，技术报告…
推荐理由MIT 许可可商用，0.6B 可本地跑查询编码，9B 建索引，MADQA 92.4% 有具体数字
宝马发布基于 Neue Klasse 平台的第三款车型 iX4，轿跑造型 SUV，iX4 50 xDrive 将于 2027 年 3 月上市，起售价 66,200 美元（不含运费和手续费），高性能 M60 xDrive 版本年内晚些时候推出。搭载 112.2kWh 第六代高压电池和 800 伏架构，EPA 续航最高 428 英里，超过特斯拉 Model Y。50 xDrive 双电机输出 463 马力、475 磅-英尺扭矩，0-60 英里加速 4.7 秒；M60 xDrive 输出 603 马力、645 磅-英尺，…
推荐理由428 英里续航和 800V 架构的具体参数，可对比 Model Y 和国产同级车型的竞争力
Liquid AI 发布 Open d1 系列两个开源多模态决策模型：d1-3B（3.12B 参数，读文本和图像）和 d1-omni-600M（587M 参数，读文本加图像或音频）。两者都不生成文本，而是在一次前向传播中返回校准后的类型化答案，输出 token 数为 0，面向 NVIDIA DGX、RTX 工作站和 Jetson 边缘设备的实时决策。模型已上架 Hugging Face，支持 Transformers 和 llama.cpp，LFM Open License v1.0 允许年收入低于 1000 万美…
推荐理由做路由、审核、意图分类或边缘视觉检查的，可省掉解析输出 token 的开销，年收入 1000 万美元以下免费用。
LlamaIndex 发布 OpenDocRouter，一个把文档转 Markdown 的解析平台，统一 API 调用开源与前沿模型。支持 PDF、PNG、JPEG 及 URL，同步响应最多 50 页，单次请求上限 500 页或 50MB。每个模型配有版本化 recipe（提示词、处理、设置），并在 ParseBench 上做质量与成本评测。首批模型包括 Claude Opus 5.5、Gemini 3 Flash、Gemini 3.8 Flash、GPT-5.6 Terra、GPT-6 Luna，以及 Miner…
推荐理由一个 API 横评 10 个 OCR 模型，ParseBench 每千页成本从 5.91 到 48.82 美元
Google 发布图像生成与编辑模型 Nano Banana 2.1，取代 2026 年 2 月发布的 Nano Banana 2，价格约为前代一半：1K 图像从 6.70 美分降至 3.36 美分，4K 从 15.10 降至 7.56 美分。该模型基于 Gemini 3.6 Flash，运行速度为 Flash 级别，支持 1K/2K/4K 分辨率，可一次处理最多 14 张参考图，保持最多 4 个角色和 10 个物体一致，并接入 Google 搜索，提供低、中、高三档思考级别。Google 称其在视觉质量、文字渲染…
推荐理由1K 图 3.36 美分、4K 图 7.56 美分，做批量图像生成可直接按这个价换模型
原文信息有限。Simon Willison 引用 Hacker News 用户 wren6991 关于基准测试已饱和的评论，用「穿渔网袜在火星乱穿马路的犰狳」这一提示词分别测试了 claude-opus-5.5、gpt-6.1-sol、gemini-3.8-flash 和 mistral/mistral-large-4 四个模型生成 SVG 的效果，并附上各模型默认推理等级及 SVG 渲染工具链接。正文未给出具体对比结论。
推荐理由可看到 4 个前沿模型在同一刁钻提示下的 SVG 生成对比，附渲染工具链接可直接复现
Mistral AI 于 10 月 6 日以公开预览形式发布 Mistral Large 4（内部代号 Le Chonk），总参数 1.05 万亿，每 token 激活 49B，含 16 亿参数视觉编码器，上下文窗口 100 万 token，在自有欧洲数据中心的 3800 块 NVIDIA Grace Blackwell GPU 上从零训练。API 已上线，输入 1.36 美元/百万 token、输出 4.18 美元/百万 token，权重要到 10 月底才发布，暂无法自托管。网络安全表现突出：Cybench 93…
推荐理由API 价格约为主流闭源旗舰的三分之一，且权重月底开源，可先按 1.36 美元/百万 token 试网络安全与长文本场景
Google DeepMind 发布 EmbeddingGemma 2，称其为首个原生多模态开放模型，用于端侧嵌入（on-device embeddings）。该模型在文本之外扩展到代码、图像、音频和视频，并将这些模态统一到同一共享向量空间中。原文为推文，仅给出上述信息，未披露模型参数规模、上下文长度、基准测试成绩、开源协议与发布时间。
推荐理由做端侧 RAG 或多模态检索的可以留意：一个模型把文本、代码、图像、音频、视频映射到同一向量空间。
Pinterest 周二展示新功能 Beauty Guides，用其视觉智能与生成式 AI 技术 Pinterest Intelligence，把用户收藏的美发、美甲类 Pin 图转成可带去沙龙的行动方案。该功能会把图片翻译成造型师和美甲师使用的术语，如 balayage、root melt、almond nails，并提供实现同款造型需要提出的具体要求、耗时、价格区间和维护频率等信息。用户点击应用内 Get the Guide 按钮即可查看。上线时覆盖发型、发色、指甲形状和质感相关的 Pin。
推荐理由做美妆、本地生活或图片导购的产品可以看：把图片灵感翻译成行业术语加价格耗时，是 AI 落地消费场景的具体样本。
Reka 发布 Rho-1 研究预览版，一个从零训练的 19B 全模态推理模型，单一神经网络可理解并生成文本、图像、视频，并输出机器人动作。模型采用双流架构：离散 token 承载文本与高层指令，连续 token 承载图像潜变量、视频帧与机器人动作，两条专家权重流共享注意力与 KV cache。官方测试中，基础版视频生成速度为实时的 0.79 倍，约 6 秒可看，首个片段 7.0 秒；蒸馏版将去噪步数从 99 降至 8，约 1 秒返回 5.3 秒片段。机器人方面在 LIBERO 仿真中输出 7 个动作通道。以上均为…
推荐理由19B 单模型替代多模态流水线，视频生成 0.79x 实时、蒸馏版 1 秒出片，做 Agent 和机器人可关注
TII 在 Falcon-H1-Arabic 基础上推出 Falcon-Emirati-7B，专门理解和生成阿联酋阿拉伯语（海湾方言），覆盖词汇、语气和文化语境。该模型基于 Falcon-H1 混合架构，将 Mamba 状态空间模型与 Transformer 注意力并行融合，兼顾长序列线性效率与长距离依赖精度。Falcon-H1-Arabic 系列含 3B、7B、34B 三个规模，上下文窗口最高 128K 和 256K token，此前已用现代标准阿拉伯语及海湾、黎凡特、埃及、马格里布等方言数据训练。团队选择 7B…
推荐理由做阿拉伯语本地化或中东市场的团队可关注：方言模型选 7B 而非 34B，成本与效果更平衡。
Reka AI 发布 Rho-1 研究预览版，这是一个 190 亿参数的全能模型，在单一神经网络内处理并生成文本、图像、视频和机器人控制动作。与多数将任务分发给专用模型的系统不同，Rho-1 把所有模态作为 token 放在同一个共享上下文窗口中，无需工具调用或外部模型。模型可实时生成连续视频，并即时响应新指令而无需重启。预测摄像头图像的同一套权重也驱动机器人运动。为绕开机器人训练数据稀缺的问题，Reka AI 构建了一个逆动力学模型，从普通互联网视频中提取控制信号。Rho-1 在 320 块 H100 GPU 上…
推荐理由190 亿参数单模型打通文本、视频与机器人控制，且用互联网视频替代稀缺机器人数据，做具身智能的团队可直接参考其训练思路。
德国 AI 公司 Aleph Alpha 发布 Kolibri，一个德英双语开源权重模型，总参数 780 亿，采用混合专家架构，每 token 激活约 30 亿参数。公司称其在质量与运营成本上处于帕累托前沿，德语基准得分 71%，解码速度快于 GPT OSS A5B、Qwen 3.6 A3B 和 Gemma 4 A4B。训练数据中德语占 21.3%，并使用中文模型生成合成数据。模型面向公共行政、航空和工业，支持最高 100 万 token 上下文，在德国和芬兰用 768 块 B200 GPU 训练，权重以 Apac…
推荐理由780 亿参数、Apache 2.0 开源、德语基准 71%，做欧洲合规部署可直接下载权重
NASA 与 IBM Research 联合多所学术机构发布 NASA-IBM Lunar Foundation Model，称其为最早的开源月球科学基础模型之一。模型基于地球观测模型 TerraMind 从零训练，使用自建数据集 SomBench——近 200 万个 tile bundle、11 种模态、两个空间尺度，含约 100 万张约 1 米/像素的窄角相机高分辨率图像和近 96.4 万张 100 米/像素的宽角相机多光谱图像。数据主要来自月球勘测轨道飞行器 17 年观测，并整合 GRAIL、Lunar Pr…
推荐理由月球科研数据首次有开源基础模型可用，少样本即可迁移到极地冰、陨石坑等任务
研究提出 Image-to-Code 方法：编码 Agent 接收单张照片后编写 Blender 程序，通过迭代写代码、运行、查看结果再修改来还原场景。团队同时发布 LEGO-Bench 基准，含 104 个室内外场景的 208 张图像、443 个资产，从有效性、几何精度、外观相似度三方面评分。测试的 6 种 GPT 配置几乎都能产出可用场景，但精度差异大：最好的 GPT-6 Astra 室内 53.4%、室外 39.6%，较弱配置约 15%。提高推理预算后 Astra 在办公室子集从 32.3% 升至 61.8%…
推荐理由了解当前 Agent 做 3D 重建的真实上限：最好模型室内仅 53.4%，且会自我破坏已有成果。
Ideogram 于 10 月 1 日发布新模型 Ideogram 4.5，主打局部编辑时保持画面其余部分不变——换装后人物身形和背景保持原样。公司称 GPT-Image 2.5、Nano Banana 等模型多次编辑后仍会产生伪影，而 Ideogram 4.5 只改动用户指定区域。目标场景包括产品摄影、室内设计、照片修复和图中文字编辑，早期测试者确认多次编辑一致性强。模型提供四档质量，每张 0.8 至 22 美分，均为原生 2K 分辨率，现已在 Ideogram 平台和 API 上线，合作方包括 Picsart、…
推荐理由做电商图、修图工具的可按 0.8 美分/张起的价格接入 API，且官方预告将开源权重
宝马 2027 款 3 系同时提供燃油和纯电版本，电动版 i3 50 xDrive 售价 61,500 美元，燃油版 M350 xDrive 售价 65,900 美元，电动版便宜 4,400 美元（约 6.7%）。两车动力、造型相近，但基于不同平台，i3 采用宝马最新底盘。燃油版满油续航约 450 英里，i3 满电续航 468 英里，快充 10 分钟可补能 208 英里。
推荐理由电动车首次在同款车型上比燃油版便宜，买车或关注电池成本的人可以拿这组价格当参照
三星更新 Galaxy Tab S12 系列，仅推出 Plus 和 Ultra 两款，无标准版。Tab S12 Plus 相比两年前的 Tab S10 Plus 有较大升级：12.6 英寸更亮屏幕、MediaTek Dimensity 9500 芯片、10600mAh 电池，起售价涨 200 美元至 1199 美元。Tab S12 Ultra 与上代 Tab S11 Ultra 变化不大，仅升级芯片和四声道空间音频，14.6 英寸屏幕、11600mAh 电池、5.1mm 厚度不变，售价涨至 1399 美元。两款均配…
推荐理由平板首发 Adobe Photoshop 并支持 AI 功能，Galaxy Store 独占六个月，做移动创作可留意。
NVIDIA 联合 MIT、牛津发布 Physis-Lang，把物理推理写入视频描述文本，同一套语言同时驱动数据筛选、训练和推理。在 2026 年 9 月 29 日的 Physics-IQ Verified 榜单上，Cosmos3-Super 以 48.2 ± 1.4 排名第一，Cosmos3-Nano 以 43.3 ± 1.5 第二。方法为每条描述增加 physics_reasoning 字段，并生成 physics_negative_prompt 作为推理时的负向条件。自进化循环中描述模型冻结，仅优化指令，由 …
推荐理由视频生成模型物理错误的新解法：用文本描述物理因果，检索补充数据平均涨 3.01 分
Anthropic 官方账号转述用户 @LEJ_limited 的案例：他给 Sonnet 5.5 一张 60×46 像素的 emoji 图，要求生成一个可直接 3D 打印的模型，几小时后成品实物已摆在他桌上。原文未披露所用工具链、打印参数或模型文件细节，信息有限。
推荐理由看一个具体案例：像素图到可打印 3D 模型，几小时出实物，可判断多模态能力边界
飞利浦 Sonicare Next-Generation DiamondClean 9900 Prestige 智能牙刷已在欧洲和美国上市，2027 年将全球推广。新品售价 379.99 美元，比上一代 429.99 美元更便宜。牙刷配备触摸屏，可选 8 种清洁模式和 3 档强度，屏幕显示 12 分区口腔地图，通过颜色变化提示刷牙效果。底座有变色光环，结合第三代 AI 模型和 SenseIQ 技术，检测刷牙力度是否过大，并自动调整振动强度。
推荐理由想了解 AI 如何进入日常个护硬件，这款牙刷的 AI 力度检测和自动调节是具体案例。
Cartopolis 是一个开源的「真实世界社交地图」：用荷兰 BAG、3DBAG、AHN、PDOK 等公共登记数据重建可步行的 3D 城市，每栋建筑都有建造年份、用途、面积、文物登记等卡片信息，支持真实日照、天气、步行/骑行/驾车路径规划。用户以化身进入，支持按距离限定的本地聊天、邻近语音、端到端加密私聊，可放置和脚本化 3D 物体、用 IFC 模型替换建筑，并通过 HTTP API 导入导出内容。浏览器版需 WebGPU，另有 Linux/Windows 桌面版和 Android APK（arm64，Andro…
推荐理由想找开源 3D 世界或空间社交项目的人可以直接跑 cargo run，荷兰以外也能用 OSM 数据起步。
Sarvam AI 发布新一代语音识别模型 Saaras V4，覆盖全部 22 种印度法定语言及英语，并新增全球英语口音支持。模型为编码器-解码器架构，解码器是自研 3B 参数混合状态空间语言模型 Sarvam-3B。官方称在 22 种语言上均达 SOTA，噪声音频 LLM-WER 不到 Deepgram Nova-3 和 GPT-4o Transcribe 的一半，前 10 种印度语言语种识别错误率 2.9%。即日起可通过 API 调用（model="saaras:v4"），权重未公开，自托管文档仅覆盖 v3。支…
推荐理由做印度市场语音产品的可直接调 API，噪声场景错误率号称不到 GPT-4o Transcribe 一半
Epoch AI 的家具组装基准（FAB）用三件宜家家具的组装照片测试模型识别错误的能力。2025 年 11 月最佳模型 Claude Opus 4.5 得分 28%，十个月后 OpenAI 的 GPT-6 Astra 达到 80%，每张照片耗时 3 分钟。Claude Fable 5.1 以 70% 紧随其后，Claude Opus 5 为 61%。中国开源权重模型如 Kimi K3 落后领先者至少七个月。研究者称该速度尚不足以支持实时组装指导，但未来或可用于汽车维修和家电修理。
推荐理由十个月从 28% 到 80%，可看视觉推理进步速度及开源模型差距
MarkTechPost 发布一篇教程，用 Meta 开源的 AugLy 库搭建覆盖图像、文本、音频的多模态数据增强与鲁棒性测试流程。内容包括：处理依赖兼容问题、生成可复现的合成数据集、使用函数式与类式 API、元数据与强度追踪、概率组合、边界框感知变换和自定义变换；并做两组鲁棒性实验——图像失真下的感知哈希拷贝检测基准，以及文本分类器面对对抗扰动、Unicode 混淆、净化和对抗训练的表现。最后把音频增强接入 PyTorch Dataset 和 DataLoader，并建立可查询的元数据仓库。
推荐理由想给多模态训练数据做增强、或测模型抗扰动能力的，可直接照抄这套 AugLy + PyTorch 流程
Hacker News · AI09/26模型技巧与观点海外开发者 Allan 发布了一个类似 Jev 的单函数 LLM 封装，核心技巧是读取 token 概率：把问题写成选项，设置 max_completion_tokens 为 1、logprobs 为 true、top_logprobs 为 20，让模型只输出一个 token 并返回各选项的对数概率，速度很快且共享前缀可被 KV 缓存。作者为 Jev 请求格式新增了 attachments 字段以支持图片，示例用摄像头抓帧判断是否有人、室内外和亮度。在 RTX 3090 上跑 Gemma 4 12B 约 1 FPS（每…
推荐理由一个只输出单 token 的分类技巧，配 logprobs 就能把 LLM 当快速分类器用，含可运行 Python 示例
Liquid AI 发布实验性推测解码草稿模型 LFM2.5-VL-3B-DSpark，为其 LFM2.5-VL-3B 视觉语言模型加速，输出结果不变。草稿模型增加约 2.8 亿参数，部署参数量提升 8.9%。官方称解码速度在 Apple 芯片上最高提升 3.13 倍，NVIDIA H100 上最高 2.66 倍。权重已在 Hugging Face 以 Safetensors 和 GGUF 格式发布，首日支持 SGLang、MLX-VLM 和 llama.cpp。采用 LFM Open License v1.0，年…
推荐理由本地跑 VLM 的可试，Apple 芯片解码最高快 3.13 倍，权重已上 Hugging Face
Anthropic 官方账号称 Claude Opus 5.5 已发布数天，并汇总了用户用它做出的探索。其中一例是用户让 Opus 5.5 通过构建交互式镜头实验室来解释相机对焦原理，一次运行耗时 1 小时 26 分钟，API 成本 25.66 美元；成品可拖动对焦环，看到镜片组在场景中移动清晰平面。原文未披露模型本身的技术细节或价格调整。
推荐理由一次生成 1 小时 26 分钟、花 25.66 美元，可据此估算长任务 Agent 的真实成本
Cricut 发布首批带打印功能的制作机 StickerPix Print plus Cut 和 StickerPix Print，主打把照片转成预切贴纸。前者起售价 299 美元，支持 4x7 英寸贴纸纸和 4x6 英寸相纸，采用热升华打印并内置覆膜，成品防水、防刮、防褪色，但只能做表层切割的 kiss-cut 贴纸。后者起售价 169 美元，无切割功能，直接打印到圆形、矩形、方形预切贴纸纸上，也可打印 4x6 照片。两款均为 Cricut 现役最小机型。
推荐理由299 美元起的热升华打印加覆膜一体机，做贴纸小生意可算单张成本
Google 推出 Gemini 3.8 Live 更新，新增 Live Avatar 功能：用户可与模型对话，同时观看实时响应的动画 AI 形象，其口型与表情会随对话变化。该功能目前仅面向 Gemini Enterprise 企业客户。Google 称 Live Avatar 支持 97 种语言，切换语言时不会降低视频画质或出现视觉漂移，并能在说话时在屏幕上调出信息。Google 将提供预设形象库，也允许企业自建形象，输出带有隐形 SynthID 水印及身份保护措施。此前约一周，Google 刚发布 Gemini…
推荐理由企业客户可自建数字人形象，支持 97 种语言且带 SynthID 水印，做多语言客服可关注
Midjourney 在 alpha.midjourney.com 上测试界面内的快速模型。Styles 侧边栏新增实时预览功能，开启 Live previews 后可查看当前提示词在已点赞和精选风格下的效果，点击缩略图即可用该风格生成。编辑模型的局部重绘（inpainting）和扩图（outpainting）得到改进，定向编辑只改变选中区域的像素，可反复编辑而不降低画质。V8.1/8.2 的 tile --tile 功能修复了此前平铺图块之间的接缝问题，现在图块间过渡不可见。
推荐理由用 Midjourney 做图的人可以开启 Live previews 一次预览多种风格，省去反复试提示词
AI 实验室 PrismML 在高通骁龙峰会上展示了 1-bit Bonsai LLM，可在搭载 Snapdragon AR1 Gen 1 平台的 AI 智能眼镜上本地运行。该版本为 20 亿参数、面向视觉与语言调优的模型，佩戴者可实时询问眼前所见。PrismML 由加州理工研究人员创立，UC Berkeley 的 Ion Stoica 担任顾问，其技术可将大模型压缩约 4 倍，同时保留标准基准上几乎全部性能。公司目标是推动开放权重、在设备端运行并充分利用现有算力的 AI。目前尚无搭载 PrismML 的智能眼镜产…
推荐理由端侧 20 亿参数、压缩 4 倍仍保性能，做可穿戴和本地推理的可以盯这条路线
Black Forest Labs 发布面向机器人的开源模型 FLUX 3 Action，基于多模态模型 FLUX 3 构建，训练数据以视频为主，也包含图像和音频。作为 world-action 模型，它接收机器人工作区的多摄像头视频流，预测智能体下一步动作以及环境将如何变化。在 RoboLab-120 榜单上，该模型以 70 亿参数刷新成功率纪录，据 BFL 称，其规模不到此前最佳开源模型的一半，运行速度最高快 3.95 倍。BFL 表示大型推理模型规划能力强，但对机器人而言往往过慢、过大，这种效率对端侧部署至关…
推荐理由70 亿参数刷新 RoboLab-120 成功率纪录，权重已上 Hugging Face，做机器人端侧部署可直接下载
Meta 公布 Muse Realtime Voice 与 Muse Realtime Avatar，两者通过共享的语音 token 流组成统一流式架构。Voice 生成同时编码内容与韵律的语音 token，Avatar 消费同一 token 流生成流式视频。系统以固定长度历史作为后续分块的动作上下文，使任意长度对话下的计算量保持有界，并同步生成语音、唇动和表情。原文未披露模型规模、延迟数据与开放时间。
推荐理由做实时数字人或语音 Agent 的可以看这套共享 token 流的同步思路