NVIDIA 发布 Cosmos 3 家族四个开源权重模型 用于交互式世界仿真与驾驶场景生成
NVIDIA 在 Cosmos 3 模型家族新增四个开源权重检查点，用于生成交互式世界仿真和多传感器多视角驾驶场景。四个模型均为 Cosmos 3 Nano 的后训练版本，各含 16B 可训练参数，采用 OpenMDW1.1 许可，允许按其条款商用和非商用。
推荐理由：四个开源权重模型分别覆盖驾驶仿真和机器人双臂操作，配套的四阶段后训练配方可供研究者按自己的传感器配置或本体数据做适配。
#多模态
Hugging Face Blog精选AI 评分6161 Meta · Newsroom · AIAI 评分5757 Meta Muse 应用上线实时语音对话与表情化虚拟形象
Meta 在 Muse 应用的移动端、网页端和 Mac 上线实时语音对话，点击右上角电话图标即可开始，该功能此前在 Connect 2026 预览，目前先在美国推出。
AWS Machine Learning BlogAI 评分4242 Amazon Marketplace 如何用 Amazon SageMaker AI 评估内容质量
Amazon Marketplace 用 Amazon SageMaker AI 上基于 VLM 的多模型融合方案评估商品页 A+ Content 质量。方案将整页内容渲染成单一快照交给 VLM 整体评估，把 VLM 语义评分与 OCR 可读性信号输入基于专家标注训练的 CatBoost 分类器，再用 SHAP 解释评分并生成改进建议。
Google DeepMind精选AI 评分6868 Google DeepMind 发布 Gemini Omni 1.2 Flash，视频生成扩至 15 秒并降价 30%
Google DeepMind 发布 Gemini Omni 1.2 Flash 视频生成模型，在 Gemini API 和 Gemini for business 全面开放。
推荐理由：原文列出降价 30%、时长扩到 15 秒和多轮对话编辑等具体参数，做批量视频产出的团队可据此评估成本与选型。
Google Research 博客精选AI 评分6666 Google 发表 Nature 论文：智能手表 AI 系统无袖带检测高血压迹象
Google Research 发表 Nature 论文，提出 AI-PPG-ACC-HTN 系统，利用普通智能手表的 PPG 与加速度计信号被动识别高血压迹象，无需袖带校准。
推荐理由：原文对照24小时动态血压监测金标准，给出初始筛查与确认检测两组性能数字，可帮助读者评估无袖带血压筛查的可行程度。
Google Research 博客AI 评分4343 Agile Deliberation：AI 如何帮助人类界定灰色地带
Google Research 推出 Agile Deliberation 框架，以人机迭代对话的方式构建主观类别图像分类器。框架先引导用户拆解子类别与排除项，再由 VLM 挖掘边界图像收集人类反馈，经 LLM 驱动的优化循环自动生成分类器，代码已在 GitHub 开源。18 场 1.5 小时真人会话评估显示，模型优于标准基线，并大幅降低用户疲劳与焦虑。
Hugging Face BlogAI 评分5151 Dharma-AI 发布 20 亿参数 Field Extractor 模型，文档图片直接输出结构化 JSON
Dharma-AI 团队发布 Field Extractor，基于 DharmaOCR-LITE v1.1 加 LoRA 适配器训练，支持开放式和 schema 两种请求模式，将文档图片转为带类型、缺失字段返回 null 的结构化 JSON。
Suno · BlogAI 评分5757 Suno 上线 MIDI 导入功能，可用 MIDI 文件开启歌曲创作
Suno 上线 MIDI 起始创作功能，用户可将 .mid 或 .midi 文件拖拽到 Create 页面或经 + 菜单导入，以精确的音符和节奏数据开启歌曲创作。
Mistral AI精选AI 评分8181 Mistral 开放 Mistral Large 4（Le Chonk）模型权重，主打智能体编码与防御安全
Mistral 发布 Mistral Large 4（Le Chonk）开放权重，这款 1 万亿参数、原生多模态模型本月早些时候曾以公开预览形式发布，经三周强化学习后在 FrontierCode 2.0 得分 19.7%、Terminal-Bench 4.0 得分 41%，居开源权重模型首位，并在 Artificial Analysis Cyber Index 得分 51%。
推荐理由：原文给出编码与防御安全的多项基准成绩、三档推理模式与定价，可帮助开发者评估自托管开源模型的能力与成本取舍。
Ai2 / Allen Institute for AIAI 评分4343 研究人员如何将 olmOCR 2 适配到历史与考古档案
研究人员将 Ai2 开源模型 olmOCR 2 适配到历史与考古档案：在 CENTURIA 基准上用 LoRA 微调 57 条记录后，其余 450 条测试记录转写错误率从 15.58% 降至 1.11%。
Google DeepMind精选AI 评分7373 Google DeepMind 发布世界模型 Genie 4，支持实时交互与原生音频生成
Google DeepMind 发布新一代世界模型 Genie 4，开始以研究预览形式向可信测试者推出，官方称其为旗下首个原生生成音频的实时世界模型。模型原生多模态，可同步生成环境声、音乐与可交互对话，支持用键盘控制和自然语言实时修改场景，并由 Gemini 3.8 Flash 作为循环中的引导智能体拆解目标、逐步校验多步事件。
推荐理由：原文介绍原生音频与实时交互等能力的实现方式，并说明细节漂移等当前局限，便于读者判断其可用边界。
Apple Machine Learning ResearchAI 评分4343 GHARP：基于大规模重建先验的实时高斯头部动画
Apple 于 2026 年 10 月在 ACCV 发表论文，提出实时 3D 头部动画方法 GHARP，仅需少量输入图像和表情驱动信号。该方法将离线身份建模与运行时动画解耦，动画阶段是面向移动设备优化的轻量网络。GHARP 在 Ava-256 基准上达到 SOTA 质量，在 A100 GPU 上最高提速 13×、高斯数量减少 8×。
Google Research 博客精选AI 评分6060 Google Research 复盘基础模型走向结核病筛查一线的历程
Google Research 复盘团队五年 AI 结核病筛查历程，本周在 IDWeek 2026 分享从研究基准到临床工具与开源基础模型的落地路径。
推荐理由：原文复盘了从研究基准到临床认证工具再到开源模型底座的完整路径，医疗 AI 团队可参考其中跨越转化鸿沟的关键步骤。
Comfy BlogAI 评分5252 Krea 3 现已通过 ComfyUI Partner Nodes 上线
Krea 3 现已通过 Partner Nodes 上线 ComfyUI，这是 Krea 的新图像模型，主打参考图驱动的生成与编辑。模型针对生成速度和单图成本做了调优，让第二轮、第三次编辑能留在同一会话内完成；支持按上传顺序编号引用多张参考图，可在保持产品标签、形状、材质不变时改动环境、光照或构图，并把满意的结果作为下一轮输入继续调整。
Comfy Blog精选AI 评分6969 FLUX 3 Image Klein 发布 5.6B 开放权重，可在 ComfyUI 中运行
Black Forest Labs 发布 FLUX 3 家族的紧凑开放权重模型 FLUX 3 Image Klein，5.6B 参数可在单张消费级 GPU 上运行，已提供 Hugging Face 下载和 ComfyUI 模板。
推荐理由：原文附 RTX 5070 出图从 71 秒降到 8 秒内的量化实测，读者可据此评估本地消费级 GPU 跑开源图像模型的成本。
Google DeepMindAI 评分4545 Google Antigravity 如何加速抗菌肽搜索
Google DeepMind 展示生物学家如何用其智能体开发平台 Google Antigravity 搜索新型抗菌肽（AMP），将分散在多个数据库的检索压缩到单一会话中完成。
Lovable BlogAI 评分5151 Lovable 接入 GPT-Live、Claude、Gemini 等新模型与 Perplexity 等工具
Lovable 宣布平台新增多项 AI 模型与工具，开发者无需离开 Lovable 即可让应用具备实时语音对话、深度推理、视频生成和联网检索能力。
Apple Machine Learning ResearchAI 评分4444 Selection-Based Structured Reasoning：迈向高效多模态搜索智能体
Apple 研究团队提出 Selection-Based Structured Reasoning（SSR）框架，将多模态搜索智能体的逐步推理从开放式生成改为从预置候选中选取。在 2B 和 4B 模型、七个多模态搜索基准上的评估显示，SSR 平均成功率与同规模领先搜索智能体相当，单轮推理延迟降低逾 90%，每题总模型推理延迟降低 28–54%。
Apple Machine Learning ResearchAI 评分5555 Apple 在 NeurIPS 发表三模态掩码扩散模型设计空间研究
Apple 研究团队在 NeurIPS 发表论文，提出首个从零预训练的三模态掩码扩散模型，训练数据覆盖文本、图文和音频文本。论文系统分析多模态缩放规律、模态混合比例、噪声调度和批次大小影响，给出基于 SDE 的重参数化以解耦物理与逻辑批次大小，免去批次大小调优。
Google AI Blog精选AI 评分8383 Google 发布 Gemini 4 Argon 前沿模型，面向开发者与企业全球开放
Google 全球开放前沿模型 Gemini 4 Argon，开发者可通过 Gemini API 在 AI Studio 使用，Google AI Ultra 与 Pro 订阅用户可在 Gemini 应用、搜索 AI Mode 及 Antigravity 中体验。
推荐理由：原文以 Chrome 重构等内部工程数据说明模型落地效果，读者可以据此评估它在复杂编码与科研任务上的可用性。
Google AI BlogAI 评分5757 Google 发布实验性游戏平台 Playground，用提示词创建和游玩自定义游戏
Google 推出实验性游戏平台 Playground，用户通过文字提示词即可创建、游玩和分享自定义游戏，无需编程经验。平台基于浏览器，支持手机和笔记本游玩，部分类型支持多人游戏和排行榜，今日面向美国 18 岁以上用户在 playground.google 开放，创建权限按 Google AI 订阅分层推出；与 Unity Spark 的整合正在测试，封闭测试即将开始。
Mistral AI精选AI 评分7979 Mistral 发布 Mistral Large 4 公开预览，开放权重月底放出
Mistral 发布 Mistral Large 4（ML4）公开预览，模型为 1 万亿参数、激活 520 亿的原生多模态架构，预览 API 已上线 Mistral Studio，开放权重定于月底放出。
推荐理由：原文给出网络安全、智能体编码和多模态的具体基准成绩与训练规模，读者可据此横向比较当前开放模型的能力水平。
Suno · BlogAI 评分4343 Suno 精选五张不容错过的专辑
Suno 精选推荐五张不容错过的专辑，风格横跨古典民谣、乡村、80 年代合成器与电影化氛围。这些精选依托 Suno 近期上线的 Albums 功能，它可把最满意的音乐整合成完整长度的专辑项目。名单包括 Oakwood///diskrot 的 naenia、Isaiah Wallace 的 Old Soul 与 ECHLO 的 VOID 等五张。
Google AI BlogAI 评分4444 Google 汇总 2026 年 9 月宣布的 AI 最新动态
Google 汇总 2026 年 9 月宣布的 AI 更新，当月核心是最新前沿模型 Gemini 4 Argon：具备高级推理与 100 万 token 输出上限，聚焦网络安全防御，正通过 Fairwind Program 向可信网络防御者推送。
Suno · Blog精选AI 评分6767 Suno 推出 Speech（beta），一条音轨同时生成语音与配乐
Suno 推出 Speech（beta），官方称其为首个把语音与背景音乐合成为同一条完整音轨的音频模型，现已向所有用户开放。用户输入一段文字并描述想要的嗓音与音乐风格，即可生成配上原创背景音乐的朗读音频，该功能此前已小范围测试一个月。官方提示 beta 阶段口音和戏剧性停顿尚不稳定，将根据社区反馈持续改进。
推荐理由：Suno 官方介绍了语音与配乐合为一条音轨的生成方式和用法，并坦承 beta 阶段口音与停顿还不稳定，可据此判断适用场景。
Comfy BlogAI 评分5050 Comfy 官方复盘 852話 Hakoniwa 用 Comfy Agent 制作动画短片 YUI 的全过程
ComfyUI 团队分享首部用 Comfy Agent 制作的动画短片 YUI 的幕后制作过程，主角由艺术家 852話 Hakoniwa 创作，名字取自 ComfyUI 末三个字母。
Sarvam AIAI 评分5454 Sarvam Vision 2.1 发布，在全球与印度语言文档智能基准上达到 SOTA
Sarvam AI 发布文档智能视觉语言模型 Sarvam Vision 2.1，在 olmOCR-Bench（总体 87.3）与其自建 Indic OCR Bench（总体准确率 87.39）上达到对比系统中的 SOTA，并在 olmOCR 与 OmniDocBench 两个基准的组合上处于 Pareto 前沿。
GitHub Org · TencentARCAI 评分4040 TencentARC GAE（几何自编码器）：学习几何原生潜空间实现 3D 一致的世界生成
TencentARC 在 arXiv'26 发布 GAE（Geometric AutoEncoder）论文，提出学习几何原生潜空间以实现 3D 一致的世界生成。项目 GitHub 仓库为 TencentARC/GAE-GeometricAutoEncoder。
GitHub Org · QwenLMAI 评分4949 QwenLM 开源 Qwen-Live-Harness：基于 Qwen Omni Realtime API 的实时智能体框架
QwenLM 在 GitHub 开源 Qwen-Live-Harness，这是一个由 Qwen Omni Realtime API 驱动的智能体 harness。它能看、听并执行操作，并内置记忆功能。
GitHub Org · internlmAI 评分4444 InternLM 开源 InternLumina-U2：多码本扩散大语言模型
InternLM 在 GitHub 上推出 InternLumina-U2，这是一个采用多码本（multi-codebook）架构的扩散大语言模型。该模型支持全视觉理解，并集图像生成与编辑能力于一体。
MiniMax Research Blog精选AI 评分6262 MiniMax 发布新一代开源权重音乐生成模型 Music 3.0
MiniMax 发布新一代开源权重音乐生成模型 Music 3.0，输入创作构思与可选歌词即可一次生成最长五分钟的完整歌曲。模型由基于 Qwen3.5-8B 初始化的 8B 全局 LLM 与 0.6B 局部 LLM 组成 Hybrid-LM，配合八层 RVQ、2.4B flow-matching 模块和 123M Flow-VAE 完成音频渲染。
推荐理由：原文给出 Hybrid-LM、RVQ 与 Flow-VAE 的完整架构拆解，读者可了解五分钟整曲生成如何兼顾结构与音质。
Sarvam AIAI 评分5252 Sarvam 汇总首届 Epoch 活动发布，涵盖 105B 模型、语音栈与 Agent 平台
Sarvam 汇总首届 Sarvam Epoch 活动的全部发布，覆盖整条技术栈，包括更新版 Sarvam 105B、Sarvam Vision 2.0、Saaras V4、Bulbul V4、Sarvam Inference 推理层、Indus Agent 平台、Sarvam Code 早期 beta、Sarvam Cyber、Anvaya、Kivi 与 Kaze 智能眼镜。
Microsoft Source · AIAI 评分5050 微软 PRISM2：教 AI 学会病理学的语言
Microsoft Research 与 Paige 联合开发病理学基础模型 PRISM2，以组织图像配对真实病理报告的语言进行训练，研究已发表于 Nature Medicine。在前列腺癌、乳腺癌和乳腺淋巴结转移检测等基准任务上，该模型匹配或超越专用癌症检测系统，且无需为每项任务单独建模。完整模型权重已在 Hugging Face 公开，供研究使用。
MiniMax Research Blog精选AI 评分6767 MiniMax 发布多模态生成模型 H3，支持 2K 原生立体声视频并计划开源权重
MiniMax 发布通用多模态生成模型 H3，可统一理解文本、图像、视频和音频上下文，生成最长 15 秒的 2K 分辨率视频并带原生立体声。官方称早期测试显示其已可胜任广告、电商、游戏等商业内容创作，2K 下每秒价格不到主流模型的三分之一，并计划在符合法规的前提下于近日开源模型权重。
推荐理由：原文给出与主流模型的价格对比和开源权重计划，读者可以据此评估它在商业视频内容生产中的成本空间。
Moonshot AI / Kimi ResearchAI 评分4444 月之暗面 Kimi 团队发布 PerceptionBench：评测多模态大模型的原子级视觉感知能力
月之暗面 Kimi 团队发布 PerceptionBench，从 42 个基准上前沿模型的失败中归纳出 10 项原子视觉感知能力并据此评测多模态大模型。基准发布 3,000 道已验证题目，每题只隔离单一能力，看图即可作答，无需推理或外部知识。对 16 个前沿多模态大模型的评测显示无一准确率达 60%，感知相关幻觉是平均最弱的能力。
Moonshot AI / Kimi Research精选AI 评分8686 Moonshot AI 发布 2.8T 参数模型 Kimi K3
Moonshot AI 发布 2.8T 参数模型 Kimi K3，基于 Kimi Delta Attention 与 Attention Residuals，具备原生视觉能力和 100 万 token 上下文窗口。
推荐理由：原文同时给出基准对比、架构细节、API 定价与权重开放时间，读者可据此评估这款 2.8T 开源模型在编码与智能体工作里的可用性。
Meta AI Blog精选AI 评分7575 Meta 发布 Muse Spark 1.1 多模态推理模型并开放 Meta Model API 公测
Meta Superintelligence Labs 于 7 月 9 日发布 Muse Spark 1.1，定位为面向智能体任务的多模态推理模型，在工具与计算机使用、编码和多模态理解上较 Muse Spark 有明显提升，支持 100 万 token 上下文管理和多智能体编排。
推荐理由：官方发布给出了智能体、编码、多模态能力要点，百万 token 上下文和 Meta Model API 公测入口对评估可用性有直接参考。
Meta AI Blog精选AI 评分7272 Meta 发布 Muse Image 并预览 Muse Video 媒体生成模型
Meta 发布图像生成模型 Muse Image 并预览视频生成模型 Muse Video，二者是 Meta Superintelligence Labs 开发的首批媒体生成模型。
推荐理由：图像模型以智能体方式调用搜索和代码工具，并用测试时算力换质量，读者可据此对比现有图像生成产品的技术路线差异。
Thinking Machines Lab · News精选AI 评分7272 Thinking Machines 宣布交互模型研究预览，TML-Interaction-Small 原生支持实时多模态协作
Thinking Machines Lab 宣布交互模型研究预览，从零训练出 TML-Interaction-Small（276B 参数 MoE、激活 12B），可实时接收音频、视频和文本并即时回应。
推荐理由：原文说明交互模型如何把实时互动内建到模型本身而非外部脚手架，并给出与主流实时模型在智能与响应上的基准对比。
GitHub Org · roboflowAI 评分4646 roboflow/computer-vision-skills：面向 Agent 的 Roboflow 与计算机视觉技能库
Roboflow 在 GitHub 发布 computer-vision-skills 项目，提供 Agent-ready 的技能（Skills），用于 Roboflow 和计算机视觉工作流。这些技能可被 AI 智能体直接调用，覆盖视觉任务场景。