付费跑了 1,003 次 AI 视频生成后总结的失败模式
作者在上线前用 1,003 个付费生成额度实测了六款 AI 视频模板，总结出三大失败模式：版权音频会被模型服务商的内容过滤器直接拒绝，多人场景失败率高于单人场景，输入照片质量决定了成片效果。最终产品刻意做窄：七款模板、一张照片输入、输出 7–21 秒竖屏视频，一次性付费包 $9.99 起，无订阅，失败渲染退款。
#多模态
Google AI · DEV 作者专属AI 评分4747 Google AI · DEV 作者专属AI 评分4747 如何在 2027 年为你的 App 打造 AI 吉祥物：从 AI 生成角色到交互式伴侣
这是一篇面向开发者的教程，讲解如何为应用构建可复用、可交互的 AI 吉祥物系统，涵盖从 AI 生成角色、动画准备，到状态机、运行时集成与实时 AI 交互的完整流程。
Google AI · DEV 作者专属AI 评分5353 Meta Quest 2 时代落幕，Amblyotube 用双眼分屏做弱视训练讲解
作者梳理 Meta 停产 Quest 2 和 Quest Pro、明年年初推出最终 OS 更新的背景，并介绍基于 Quest 的视觉协调训练应用 Amblyotube（Seven Sports 开发）。
Google AI · DEV 作者专属AI 评分4949 ChatbotX 集成 Muse 与 SAM 3.1：支持语音和图像的全渠道开源聊天机器人
ChatbotX 在 2026 年 10 月 27 日至 11 月 4 日的 hackathon 中将 Muse Spark、Muse Image、Muse Voice Transcribe 和 SAM 3.1 集成进其开源全渠道聊天机器人平台，用户只需填入一个 API key 即可在所有聊天渠道使用。
量子位AI 评分5454 魔芯科技发布4D世界模型MoWorld 2.0，十余种物理要素融入同一模型
魔芯科技于11月4日在乌镇世界互联网大会上发布新一代通用4D世界模型MoWorld 2.0，将重力、弹力、柔体、流体等十余种物理要素融入同一模型。模型通过物理高斯渲染器和多专家预测强化物理建模，生成场景可输出为可编辑复用的3D/4D高斯资产；在华为昇腾NPU上的实时视频推理从上一代最高50FPS提升至70FPS，推理成本最低为同规模GPU方案的30%。
Google AI · DEV 作者专属AI 评分6666 NeuroBrix 0.6 发布：单引擎运行 49 个 AI 模型且不依赖 PyTorch
NeuroBrix 0.6 发布首个稳定版，用一个引擎通过同一入口运行 49 个模型、9 个家族，覆盖语言、视觉语言、语音识别、语音合成、图像与视频生成及超分，模型以 .nbx 容器交付，无需为每个模型写代码路径。
OpenAlex 主题 · 多模态机器学习AI 评分4343 ScenePilot-4K：面向自动驾驶视觉语言模型的大规模第一人称数据集与基准
ScenePilot-4K 是面向自动驾驶视觉语言模型的大规模第一人称数据集与基准，基于公开网络驾驶视频构建，用于安全感知的学习与评测。数据集包含 3,847 小时视频和 27.7M 前视帧，覆盖 63 个国家/地区、1,210 个城市，并提供场景级自然语言描述与风险评估等标注。
Google AI · DEV 作者专属AI 评分5757 如何用 Ollama 在 CPU 上本地运行 NVIDIA Nemotron 3.5 Bolt E4B
这篇文章演示如何借助 Ollama 在普通笔记本 CPU 上本地运行 NVIDIA Nemotron 3.5 Bolt E4B 视觉语言模型，无需独立 GPU。
Latent Space精选AI 评分7979 Thinking Machines 发布 Inkling 2 Small：17A-594B、12T tokens 预训练 68 小时，超越 Muse Spark
Thinking Machines 发布 Inkling 2 Small，为 594B 总参数、17B 激活的多模态 MoE，在 GB300 上以 NVFP4 精度完成预训练仅耗时 68 小时，现已在 Tinker 开放微调与推理，Apache 2.0 权重待外部安全测试完成后于下周发布。
推荐理由：原文把跑分领先与每任务约 150K 输出 tokens 的成本放在一起，读者可据此核对该模型的真实性价比和开源条件。
IT之家·人工智能AI 评分6060 苹果 iOS 27.2 起 AI 图像工具加入 SynthID 隐形水印，实拍照片经 AI 修图也会被标记
苹果于 11 月 5 日更新官方支持文档，宣布从 iOS / iPadOS / macOS 27.2 等版本起，为部分 Apple Intelligence 图像工具引入 SynthID 隐形水印，涵盖图乐园、图像魔法棒，以及照片 App 中的清理、扩展和空间重构功能。
Google Cloud · AI & MLAI 评分4141 The Blueprint：Mito 借助 Google Cloud 为世界杯电视广告编排 5000+ AI 素材
Google Cloud 专栏 The Blueprint 介绍了视频创作公司 Mito 如何为 Movistar Plus+ 制作世界杯期间的 120 秒西班牙全国电视广告，生成超 5000 个素材（含 1000 个视频）、约 65 轮迭代，团队称成品 95% 由 AI 生成。
IT之家·人工智能AI 评分6565 Planet 推出 Planet AI 应用，自然语言可查超十年卫星影像变化
美国卫星数据公司 Planet 于 11 月 5 日推出 Planet AI 应用，结合大语言模型与超过十年的全球卫星影像档案，用户用日常语言即可在全球范围搜索地点、追踪时间变化并生成对比图或延时影像，目前可通过 ai.planet.com 免费使用。
Google AI · DEV 作者专属AI 评分5353 OpenBMB 开源 AI 猫咪摄像头，三天记录四只猫 89 次喝水并全部认对
OpenBMB 发布开源猫咪监控项目，用 MiniCPM-V 模型在三天内记录四只猫的 89 次喝水并全部正确认出身份。
AI 科技评论AI 评分5151 ACM MM 2026 重划研究主题：新增具身智能与多模态推理方向
2026 年 ACM Multimedia 将五大主题、15 个子方向改为 16 个平级研究主题，11 月 10 日在里约热内卢举行。新增具身与沉浸式多媒体、多媒体推理两个独立主题，视觉与语言调整为多媒体与语言并纳入音频与传感器数据，基础模型与生成式多媒体合并，社会影响主题改为负责任的多媒体。文章认为这次调整并非传统多媒体研究退出，而是研究边界随 AI 发展进一步拓宽。
The DecoderAI 评分7474 Thinking Machines 发布 Inkling 2 Small，位居西方开放权重模型之首
Thinking Machines（前 OpenAI CTO Mira Murati 创办）发布第二代 MoE 模型 Inkling 2 Small，总参数 594B、活跃 17B。
OpenAlex 主题 · 多模态机器学习AI 评分4242 超越语言先验：诊断与修复多模态大语言模型的视觉源幻觉
新研究以定量证据挑战主流观点——多模态大语言模型（MLLM）的物体幻觉主要源于语言先验，即过度依赖文本共现统计，并提出互补成因：视觉源幻觉。视觉源幻觉指幻觉源自错误的视觉特征提取，该工作据此给出相应的诊断与修复方法。
量子位AI 评分4242 三条AI技术路线终将合流？智象创始人梅涛提出智能体化的世界模型
智象创始人梅涛在世界顶尖科学家论坛国际工程智能大会上提出智能体化的全模态世界模型，认为大语言、多模态与具身大模型三条技术路线终将合流。该模型由LLM、Omni-Model世界模拟器和具身上下文三部分协同，让思维与物理世界统一于同一Token空间。
量子位AI 评分6969 量子位实测即梦短剧工作室：从一句话脑洞到完整短剧的全流程
量子位作者用即梦短剧工作室实测拍了一部美高短剧，展示从一句话灵感到剧本、资产库、分镜、预演和生成的完整流程。
MarkTechPostAI 评分7272 Thinking Machines 发布 Inkling 2 Small，594B 总参 17B 激活的 MoE 模型
Thinking Machines Lab 发布第二代 Inkling 系列首个模型 Inkling 2 Small，总参数 594B、激活 17B 的稀疏 MoE，支持文本与图像输入和 1M token 上下文，已在 Tinker 开放微调与推理。
MarkTechPostAI 评分6767 Google 发布 Gemini Omni 1.2 Flash，15 秒视频生成每秒 $0.07
Google 发布视频生成与编辑模型 Gemini Omni 1.2 Flash，原生支持最长 15 秒片段，720p 视频定价降至每秒 $0.07，较 Omni 1.1 Flash 降价 30%，已在 Google Cloud 和 Gemini API 全面可用。
Hugging Face Blog精选AI 评分6161 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。
The DecoderAI 评分6363 Google Gemini Omni 1.2 Flash 视频模型全面开放，片段最长 15 秒且降价 30%
Google DeepMind 宣布视频生成模型 Gemini Omni 1.2 Flash 全面开放，片段上限从 10 秒延长到 15 秒，720p 价格下降 30% 至每秒 $0.07。
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 Cloud · AI & MLAI 评分6767 Gemini Omni 1.2 Flash 视频生成与编辑模型在 Google Cloud 正式开放
Google Cloud 宣布视频生成与编辑模型 Gemini Omni 1.2 Flash 正式可用，面向产品视频、虚拟试穿和广告等批量场景，开发者可经 API 构建，Google Vids 已可用，Gemini for business 即将支持。
The DecoderAI 评分7272 腾讯发布 Hy4，支持图像理解与电脑操作，独立测试列中国模型第二
腾讯在预览约两个月后发布正式版大模型 Hy4，新增图像理解并可自主操作电脑软件，权重稍后公布，目前可经 Tencent Cloud、OpenRouter 与腾讯元宝使用。
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。
MarkTechPostAI 评分7171 OpenAI 发布 GPT-Image-2.6 Flare 与 Sunburst：新增 GIF 与 SVG 输出，Flare 最快 6 秒出图
OpenAI 发布 GPT-Image-2.6 图像模型，以 Flare 与 Sunburst 两个 API 模型形式上线 ChatGPT、Codex 和 API，官方称生成速度比此前快 50%，Flare 在低质量档最快 6 秒出图，Sunburst 主打中高画质下的细节与编辑一致性。
MarkTechPostAI 评分5555 Google Research 发布 Agile Deliberation 主观概念图像分类框架
Google Research 发布 Agile Deliberation，一个面向主观概念图像分类的人机协同框架，通过提示词调用 Gemini 2.5 Pro 与 Gemini 2.5 Flash、无需微调，平均比零样本 Gemini 2.5 Flash 提高 10.5 个 F1 点。
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。
MarkTechPostAI 评分5959 腾讯开源视觉语言模型 WeVisOne-VL，单模型统一检测、OCR、分割与 matting
腾讯微信视觉团队开源视觉语言模型 WeVisOne-VL，提供 2B（2.44B 参数）和 4B（4.83B 参数）两个版本，单模型覆盖检测、指代、计数、点定位、OCR、分割与 alpha matting。
Import AIAI 评分4747 Import AI 479：太空战；低延迟任务 vs LLM；Genie 4
研究者构建 Realtime-Bench 基准，显示 LLM 难以胜任需实时决策的低延迟任务，GPT-6 Astra（high）在 wall clock 设置下通过率最高仅 36%。
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。
ChinaTalkAI 评分5656 ChinaTalk 访谈葬AI作者咸鱼，从讽刺写作聊到中美AI热度对比
ChinaTalk 发布对葬AI作者咸鱼的中文播客访谈和英文节译稿，围绕他的 AI 讽刺写作、自建视频模型梗图评测 MemeBench，以及中美 AI 行业谁的热度更极端展开。
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×。