At Modal, we like to think that we know a thing or two about squeezing nanoseconds out of systems. We love to obsess over making our systems performant and capable from the ground up, and we have to! We build for the tho…
推荐理由产品发布/更新类信息，来自 Modal，建议按需查看原文。
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
Colossal Biosciences 周三发布 AI 平台 GenoMorph，用于加速物种复活研究。该平台结合 3D 形态学、比较基因组学和发育生物学，在基因数据有限的情况下筛选可编辑基因。渡渡鸟目前仅有 1 个完整基因组，而猛犸象项目有 100 个。团队用鸡、鹌鹑、鸭、鸽子的发育数据，加上 70 多种鸟类的基因信息和 3D 头骨测量数据训练模型，耗时一年多。目前已为渡渡鸟颅面形态识别出约 2300 个候选 DNA 编辑靶点。公司还开发了脂质纳米颗粒递送系统，可直接向鸟类胚胎递送基因编辑工具，无需等待完整繁殖…
推荐理由2300 个编辑靶点、1 个渡渡鸟基因组对 100 个猛犸象基因组，看 AI 如何补足古 DNA 数据缺口
The Verge 高级评测员 Victoria Song 记录了自己连续 100 天使用 Twin Health 数字孪生管理代谢的经历。该系统由智能体重秤、Dexcom G7 连续血糖监测仪等设备采集数据，在 App 中生成红/橙/绿三色食物评级，预测进食后的血糖反应。例如一碗蛋白 Cheerios 加牛奶单独吃为橙色，若饭后散步则变为绿色。Twin Health 目前仍属实验性服务，仅通过企业或私人健康计划提供，主要面向有慢性代谢问题的人群，尚未开放广泛下载。
推荐理由想了解数字孪生如何落地日常健康管理，可看这套血糖预测评级的真实 100 天体验
宾州 30 人初创公司 Mosqitter 正把其无化学灭蚊设备升级为 AI 监测网络，用于识别蚊种、追踪数量变化并预警疾病风险。公司称目前已有超 5000 台设备运行于五大洲，2022 年时仅 250 余台。其计算机视觉系统通过神经网络分析蚊虫生物特征，再比对外部数据集并由昆虫学家验证，给出置信度评分；同时接入天气、风速、湿度等环境数据，未来用于预测蚊群数量与健康风险。WHO 数据显示，全球登革热病例从 2023 年的 650 万例增至 2024 年的 1460 万例。
推荐理由登革热一年从 650 万涨到 1460 万例，这套 AI 识蚊预警网络是具体落地的公共卫生案例。
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。
《Halo》《Destiny》联合创作者 Jason Jones 撰写了一部关于 AI 接管世界的口述史小说，由作家 Margaret Stohl 协助开发。两人成立世界构建工作室 Stone Kite，现有 22 名内部员工和超过 250 名外部创作者，本月发布四部分图像小说《One Zero One》第一章，并公开 Jones 原稿的一章。工作室计划先以漫画等快节奏媒介试水，再根据反馈决定是否推进电影和游戏。
推荐理由看游戏行业顶级世界构建者如何用 250 人协作网络做跨媒介 AI 叙事，可参考其先漫画后影视的路径
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
苹果与 LG 电子、施耐德电气合作推出 Apple Home Collection，共 6 款设备，包括安防摄像头、视频门铃、门锁和两款恒温器，售价 349 美元起的 LG 智能锁支持 UWB 无感解锁，是市面上第三款支持该功能的门锁。产品由第三方制造、苹果联合开发，无需第三方 App 或账号，用 iPhone 碰触即可通过蓝牙和 NFC 配对，通信端到端加密。该系列在纽约 Welcome Home 活动上发布，同场还有新款 Apple TV 4K 和 HomePod Mini 2，由 Siri AI 驱动的 Ho…
推荐理由349 美元的门锁是市面第三款支持 UWB 无感解锁的产品，做智能家居或 HomeKit 配件可参考其配对方案
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
MarkTechPost 对照官方产品、定价和文档页，梳理了 12 款 AI 实时翻译工具，按使用场景分为四类。实时对话与开发者 API：Palabra.ai 称延迟低于 1 秒，语音到语音 API 每分钟 0.04 美元，会议套餐 60 美元/月起；Google Gemini 3.5 Live Translate 覆盖 70+ 语种，输出比说话人慢几秒；Apple Live Translation 完全在设备端运行，支持 10 种语言变体，需新款 AirPods 和 iOS 26 的 Apple Intellig…
推荐理由做会议、活动或出海产品的可直接按延迟、语种、每分钟价格对号入座，Palabra.ai 0.04 美元/分钟是 API…
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
The Verge 作者花 269 美元购入 Kiwibit Bird Feeder 2 Pro，这款带 4K AI 摄像头和太阳能板的喂鸟器能自动识别鸟种并推送通知，初期成功吸引多种山雀。但随后一只体型巨大的林鸽霸占喂食器，挡住镜头并连续进食 15 分钟，内置的"有害动物警报"声波驱赶无效。鸽子长期占据后，老鼠也来觅食。作者最终拆下喂鸟器塞进衣柜，并建议想买智能喂鸟器的人从简单便宜、不带 AI 的款式开始，因为用过的喂鸟器无法退货。
推荐理由想买智能喂鸟器的人先看：269 美元设备驱赶功能对鸽子无效，用过的还不能退
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
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…
软件工程师 Jesse Waites 受历史学家 Benjamin Breen 用 Opus 5.5 在荷兰东印度公司档案中发现 1615 年渡渡鸟目击记录的启发，搭建了一套多模型串联的 AI 研究流水线，并行检索 GLOBALISE 项目数字化后的数百万页手写档案。他找到了一份被遗忘的陨石坠落报告、三头失落的犀牛记录，以及未被记载的火山喷发。所有结论都要求能追溯到原始档案扫描件和可查证的档案编号，以应对模型自信出错的问题。
推荐理由想用 AI 做历史档案检索的人可以直接抄这套多模型串联、结果回溯原始扫描件的流水线
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
天体物理学家 Brice Ménard 与 Claude 合作，制作出首张完整的全天空紫外（UV）图。此前天文学家已从射电到伽马射线各波段完成全天图，但大片天区从未在紫外波段被观测。Ménard 在 Anthropic 科学博客中说明，他引导 Claude 找到已有数据集、将其合并，并用统计推断填补空白。这项工作原本需要人类数周，借助 Claude 只用几天，期间他还能处理其他项目。该图可作为教学工具，也说明 AI 让科学家长期搁置的低优先级工作变得可行。
推荐理由看 AI 如何把数周的数据整合压缩到几天，科研人员可参考这套找数据、合并、补缺的用法
亚马逊发布全新 Alexa 平板产品线，共三款：Alexa Tablet 12 Pro、11 和 8，放弃 Fire OS 与自有应用商店，改用 Android 并首次在发售时接入 Google Play Store，可下载 YouTube、Netflix、Gmail 等应用。12 Pro 厚 6.5 mm，12 英寸 280 PPI 屏、120Hz、3:2 比例，可选防眩光 Nanomatte 屏，亚马逊称其处理性能约为此前自家平板的 3 倍、图形性能 9 倍，支持 Wi-Fi 6E、16 小时视频播放，售价 4…
推荐理由亚马逊平板首次原生支持 Google Play，12 Pro 图形性能号称提升 9 倍，499.99 美元起
Pollo AI 创始人兼 CEO Bill Zhu 称平台已有超 2600 万用户，用于生成视频、广告和视觉内容。其新产品 Pollo Agent 使用 OpenAI 的 GPT-6 Astra 和 GPT-Image-2.5，把用户的粗略想法转化为故事线、分镜和脚本。为平衡推理深度、速度与成本，Pollo AI 用 GPT-5.6 做路由、GPT-6 Astra 处理叙事规划等复杂任务，用户选择或切换模型的时间减少超 50%。目前 30% 的创作者会话从视频模板或热门格式工作流开始，图像生成统一使用 GPT-I…
推荐理由多模型路由省去 50% 切换时间，做视频 Agent 可参考这套 GPT-5.6 路由 + GPT-6 Astra…
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。
原文正文被无关的 AOL 账号解锁垃圾内容完全覆盖，仅标题显示 LiquidAI 发布了名为 open d1 的多模态决策模型，面向边缘设备。模型参数、能力、开源协议、发布时间等具体信息均无法从原文获取，信息有限。
推荐理由内容被垃圾信息污染，无法获取模型细节，建议直接去 Hugging Face 官方页面核实
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 周二推出 SynthID Detector 网站，任何人都可以用它验证一段媒体内容（图像、视频或音频）是否由 AI 生成。该工具支持数十种常见文件格式。原文信息有限，未披露检测准确率、支持的具体格式清单及是否免费开放等细节。
推荐理由以后收到可疑图片或音频，可以先丢进这个网站验一下再转发。
Google 周二推出一个新网站，任何人都可以用它验证一张图片、一段视频或一段音频是否由 AI 生成。原文信息有限，未披露检测准确率、支持的文件格式与使用限制。
推荐理由做内容审核或需要辨别 AI 素材的人，可先记住这个免费检测入口
Google 发布图像模型 Nano Banana 2.1，基于 Gemini 3.6 Flash，官方称相较前代「全面提升」。价格比 Nano Banana 2 低约 50%。原文正文信息有限，未披露具体评测数据与上线渠道。
推荐理由图像生成成本直接砍半，做批量出图的可以换模型试算成本
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。