TII 推出 Falcon-ASR：1.6B 参数阿拉伯语语音识别模型
阿布扎比技术创新研究院（TII）发布 Falcon-ASR，一款 1.6B 参数的语音识别模型，重点覆盖阿联酋方言，同时支持英语、法语、西班牙语和葡萄牙语。在六个阿拉伯语测试集上平均 WER 为 20.92%，优于其参考榜单快照中最佳公开结果 23.17%；内部阿联酋方言评测中 WER 22.73%、CER 10.19%，比次优的 Qwen3-Omni 低 4.07 个百分点。
#多模态
Hugging Face BlogAI 评分4242 OpenAI News精选AI 评分8080 OpenAI 全球上线 GPT-6，ChatGPT 引入 Intelligent UI
OpenAI 宣布 GPT-6 正在 ChatGPT 中面向全球上线，并同步引入 Intelligent UI。官方称新版本响应更快，提供可视化内容与可直接探索和使用的交互体验。
推荐理由：OpenAI 官方公布 GPT-6 在 ChatGPT 全球上线，并同步带来 Intelligent UI 的视觉与交互体验。
Hugging Face Blog精选AI 评分6262 Liquid AI 发布 d1-3B 与 d1-omni-600M 端侧决策模型
Liquid AI 开源 d1 决策模型家族的两个模型 d1-3B 和 d1-omni-600M（实验性），二者不生成 token，而是在单次前向传播中给出答案。
推荐理由：Liquid AI 公开两个决策模型，给出端侧延迟与七项基准对比，可据此判断小模型做结构化决策的可行性。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 EmbeddingGemma 2 开源多模态嵌入模型
Google DeepMind 发布 EmbeddingGemma 2，一个基于 Gemma 4 架构、740M 参数的开源多模态嵌入模型，采用 Apache 2.0 许可，可把文本、图像、音频和视频映射到统一嵌入空间。
推荐理由：官方给出 740M 参数、模块化编码器与端侧内存占用，可据此判断本地多模态检索的落地成本。
Mistral AI精选AI 评分8484 Mistral 发布 Mistral Large 4 公开预览，1 万亿参数原生多模态
Mistral AI 发布 Mistral Large 4 公开预览，可在 Mistral Studio 试用预览 API，权重将于本月底开放。该模型为 1 万亿参数、49B 激活参数的原生多模态模型，官方称其在编码、智能体工作流和多模态理解上表现突出，并在网络安全、金融、法律等企业场景中达到开源模型领先水平。
推荐理由：官方给出 1 万亿参数、49B 激活与多项基准对比，可据此判断开源权重模型在编码与智能体任务上的位置。
量子位AI 评分6262 Meshy 不到两年 ARR 从 100 万美元增至 1 亿美元，GPT-6 Astra 带火 3D 生成讨论
Meshy 披露其 ARR 从 100 万美元增长至 1 亿美元，用时不到两年，比 HeyGen 从 100 万美元到 1 亿美元所用的 29 个月更快。文章对比 GPT-6 Astra 与 Meshy 生成同一张金发剑士参考图的效果，指出通用模型擅长 CAD、参数化建模等可拆解为几何关系的任务，而角色发丝、斗篷褶皱等细节仍需专业 3D 模型。
AWS Machine Learning BlogAI 评分2222 Condé Nast 如何用 Amazon Bedrock 构建多模态视频检索
Condé Nast 联合 AWS 生成式 AI 创新中心，基于 Amazon Bedrock 和 Amazon OpenSearch Service 构建多模态视频检索方案，采用 TwelveLabs Marengo 嵌入模型联合编码画面、音频与转录文本。该方案将单次内容检索耗时从 250 分钟降至 2 分钟以内，覆盖超 14 万条视频库，支持自然语言意图搜索、以图搜图和精确时间戳定位。
Microsoft Research精选AI 评分6060 微软研究院发布 Quine：面向生物学复杂性的 AI 研究系统
微软研究院发布 Quine，一个面向生物学复杂性的 AI 研究系统，由生物世界模型和连接模型、科学工具、文献与实验人员的交互式 harness 组成。该系统与 Broad Institute 合作用于胰腺导管腺癌研究，预测并优先排序数千种化合物，最高排名化合物在湿实验中产生了最大的经典态向基底态转变，从缩小化合物搜索空间到选出候选验证仅用一个周末。
推荐理由：微软研究院公开 Quine 的多模态生物世界模型与实验闭环设计，并给出胰腺癌化合物筛选的湿实验验证结果。
量子位AI 评分6060 腾讯元宝AI录音笔上线边录边拍，照片可定位回对应转写
腾讯元宝APP的AI录音笔新增边录边拍功能，拍照不中断录音，拍下的PPT会插入到当时那段实时转写里，会后可点图片定位回对应语句。录音结束后可生成纪要、待办和知识总结，支持导出DOCX、PDF、TXT、Markdown，并一键传到WorkBuddy、腾讯文档继续处理。该功能还支持录制手机内置音频并做中英双语转写与实时翻译，作者称全部免费。
量子位AI 评分5252 北航等团队提出 OmniHarness：视觉AI把成功流程收进方法库，图像策略可迁移到视频生成
北航、港中文与新国大团队提出 OmniHarness，通过符号策略学习把验证有效的视觉创作流程提炼成可复用的方法库，参数不变、不微调模型。在 ComfyBench 创意任务上解决率达 95%，比最强对照 SymbOmni 高 27.5 个百分点；同用 GPT-4o 时总体解决率为 89.5%，高于 ComfyMind 的 83%。
量子位精选AI 评分8484 AMD 以 82 亿美元全股票收购李飞飞 World Labs
AMD 宣布以 82 亿美元全股票收购李飞飞的 World Labs，交易预计 2026 年底前完成，仍须取得监管批准。交割后李飞飞将加入 AMD 担任执行副总裁兼首席科学家，直接向苏姿丰汇报，联合创始人 Justin Johnson 和 Ben Mildenhall 继续带领团队并入 AMD。
推荐理由：交易金额、估值倍数与投资方回报结构都有具体数字，可据此观察芯片厂商布局世界模型的路径。
Microsoft ResearchAI 评分2020 微软研究院亚洲–新加坡成立一年：推进前沿 AI 研究、合作与人才培养
微软研究院亚洲–新加坡（MSRA – Singapore）作为微软在东南亚的首个研究实验室，成立一年来围绕下一代 AI 模型与智能体系统、领域专用 AI、AI 原生研究实践、生态与人才培养四大方向推进工作。
量子位AI 评分6060 上海人工智能实验室开源 Intern-Decision：多模态决策比 Jev 快 2-3 倍
上海人工智能实验室团队开源 Intern-Decision 系列多模态决策模型，包含 0.8B、2B 和 4B 三款，权重已在 Hugging Face 发布，代码和样例托管在 GitHub。
AWS Machine Learning BlogAI 评分2222 在 Amazon SageMaker HyperPod 上用 SkyRL 加速多模态 RL 训练
在 Amazon SageMaker HyperPod 上，开源 RL 框架 SkyRL 用 GRPO 对 Qwen3-VL-8B 视觉语言模型做多模态强化学习后训练，在固定 64 个迷宫评测集上把解迷宫成功率从 43.75% 提升到 95% 以上。
Google Research精选AI 评分6868 Google Research 发布 AI 视频联合导演框架，实现连贯长视频生成
Google Research 发布 AI video co-director，一个构建在 Gemini 和 Veo 之上的多智能体编排框架，用于生成多镜头连贯长视频。
推荐理由：Google 把长视频生成拆成四个可组合框架，并给出多镜头一致性与角色保持的评测结果。
Hugging Face BlogAI 评分4242 Liquid AI 发布 LFM2.5-VL-DSpark 草稿模型，为 LFM2.5-VL-3B 加速
Liquid AI 发布实验性 DSpark 草稿模型 LFM2.5-VL-DSpark，为视觉语言模型 LFM2.5-VL-3B 加入推测解码路径。该草稿模型增加 280M 参数（约 8.9%），在设备端解码最高提速 3.13x、H100 上最高 2.66x，端到端最高提升 2.62x 和 2.27x，且不改变输出质量。
NVIDIA BlogAI 评分2222 NVIDIA 与合作伙伴在新加坡 AI Day 展示东南亚 AI 进展
NVIDIA 在新加坡 AI Day 上联合合作伙伴展示东南亚 AI 落地进展，新加坡 HTX 将研究使用 Nemotron 3 Super 与 Nemotron 3 Nano Omni 模型推进公共安全 AI。
Google ResearchAI 评分5555 Google Research 用生成式 UI 让教师创建互动学习模拟
Google Research 发布一项研究实验，让教师借助生成式 UI（GenUI）为 STEM 课程动态生成可交互的学习模拟，并同步开放 30 多个经教师审核的英文学习互动示例库，覆盖物理、化学、生物和数学，面向初高中。
Hugging Face BlogAI 评分4141 Hugging Face 发布 NeoMME：260M/800M 多模态多语言编码器
Hugging Face 推出 NeoMME 系列多模态多语言编码器，含 260M 和 800M 两个规模，用单个双向 Transformer 同时处理文本 token 与原始图像 patch，无需独立视觉塔或因果语言模型，并以掩码离散扩散目标从零训练。
Google DeepMind精选AI 评分7878 Google DeepMind 为 Gemini 3.7 Flash 等模型推出智能体视频理解
Google DeepMind 在 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 上推出智能体视频理解功能，官方称视频分析 token 消耗最多降低 88%、成本最多降低 66%、准确率最多提升 7%。
推荐理由：官方给出 token 与成本降幅及可用入口，读者可据此判断长视频分析的成本结构变化。
Google DeepMind精选AI 评分7777 Google DeepMind 发布 Gemini Omni 1.1 Flash，支持场景延展与 4K 上采样
Google DeepMind 发布 Gemini Omni 1.1 Flash，为开发者带来一批生成视频创作控制能力，通过 Gemini API 在 Google AI Studio 提供。
推荐理由：官方给出场景延展、首尾帧插值与 4K 上采样等具体能力与开放入口，可据此判断生成视频工作流的变化。
Google ResearchAI 评分3030 Google 研究 AgentHands：为 XR 智能体对话生成空间化手势
Google 在 CHI 2026 发布研究原型 AgentHands，可将 LLM 的高层推理映射为 XR 中与语音同步的手势，让智能体在 3D 空间里边说边演示。
Google Research精选AI 评分6060 Google Research 发布 PhotoScan：用手机照片估算体成分并预测胰岛素抵抗
Google Research 提出 PhotoScan，一个可从普通 2D 手机照片估算体脂率、Android-to-Gynoid 脂肪比（A/G）和内脏与皮下脂肪面积比（V/S）的深度学习框架，用于预测胰岛素抵抗。
推荐理由：Google Research 用手机照片估算体成分并预测胰岛素抵抗，读者可了解其与 DXA、BIA 的精度对比。
Hugging Face BlogAI 评分3838 OlmoEarth Studio 推出自定义嵌入向量导出功能
Hugging Face 的 OlmoEarth Studio 现已支持计算并导出嵌入向量，用户可通过 UI 或 API 选择区域、时段、编码器变体和影像源，获得 Cloud-Optimized GeoTIFF 格式输出。
Microsoft ResearchAI 评分3939 MindTopo：微软推出评估多模态模型拓扑推理能力的新基准
微软研究院推出 MindTopo 基准，用于评估多模态大语言模型在连通性、分离、顺序、包围和绳结五类拓扑关系上的推理与规划能力。测试显示，当前模型在静态图像识别上明显强于交互式规划任务，失败多发生在规划阶段而非感知阶段，且图像与视频生成工具在跨多步动作中维持拓扑关系并不可靠。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 SL2T 手语转文本模型，率先落地 Pixel 11 的 Gboard 与 Live Transcribe
Google DeepMind 发布多语言手语转文本模型 SL2T，首次将手语 AI 带入消费产品，在 Pixel 11 的 Gboard 和 Live Transcribe 中支持美国手语（ASL）转英文听写，后续将扩展更多设备与语言。
推荐理由：官方披露 SL2T 的训练规模、手语到文本的翻译路径与隐私设计，可了解手语 AI 从实验室走向消费产品的技术取舍。
Google Research精选AI 评分7171 Google 发布 AMIE (Video)：实时视频问诊达到专家级表现
Google Research 发布 AMIE (Video)，基于 Gemini 和 Project Astra 构建，可在实时视频问诊中感知非语言线索、引导虚拟体格检查并同步完成诊断推理。
推荐理由：Google 用 300 场随机对照视频问诊给出 AMIE 与真人医生同级的评测结果，可看多智能体架构如何拆分实时对话与推理。
Microsoft ResearchAI 评分3636 微软研究院发布 CARE-X：面向临床可用的放射学 VLM，融合辅助监督、奖励对齐学习与工具增强测量
微软研究院推出研究模型 CARE-X，一个统一胸部 X 光视觉语言模型，可同时完成报告生成、疾病分类、定位与器械识别等任务，并支持生成式与双推理两种模式。该模型采用强化学习 DAPO 在多任务设置下奖励临床正确性，另有一项独立实验将 Qwen3-VL-4B-Instruct 与确定性测量工具结合，评估直接计算能否改善测量依赖型病症的表现。
Hugging Face Blog精选AI 评分6262 NVIDIA 发布 Magpie TTS 多语言版：开放权重、12 种语言与自托管部署
NVIDIA 发布 Magpie TTS Multilingual，一个 364M 参数的开源权重语音合成模型，支持英语、西班牙语、法语、德语、意大利语、越南语、普通话、印地语、日语以及新增的现代标准阿拉伯语、韩语和巴西葡萄牙语共 12 种语言，每种语言含男女声。
推荐理由：原文给出 364M 开源权重模型的多语言扩展与自托管延迟数据，可据此判断级联语音架构的部署取舍。
Hugging Face Blog精选AI 评分8080 Meta 发布开源多模态模型 Muse Glimmer 30B，面向本地智能体场景
Meta 发布 Muse Glimmer，一个从 Muse 蒸馏到 30B 参数的多模态模型，采用 Apache 2.0 许可，面向本地智能体场景，如编码、文档分析和个人助理。
推荐理由：Meta 开源 30B 多模态模型，附完整基准对比与本地部署路径，可据此判断端侧智能体的可行性。
Mistral AI精选AI 评分6666 Mistral AI 发布 Shieldstral：3B 开源多模态安全分类器
Mistral AI 发布 Shieldstral，一个 3B 开源权重多模态安全分类器，以 Apache 2.0 许可开放下载，可在单张 16GB NVIDIA GPU 上运行。它把内容审核建模为策略自适应的问答任务，推理时用自然语言写入策略即可返回校准后的安全分数，无需重新训练，统一处理文本与图像。官方称其在文本安全上可匹配最多 7 倍参数量的模型，并在多模态审核上取得新的 SOTA。
推荐理由：3B 开源安全分类器把内容审核变成推理时可换策略的问答任务，可据此判断小模型在审核场景的可用边界。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini Robotics ER 2 具身推理模型
Google DeepMind 发布 Gemini Robotics ER 2，称其为面向机器人最强大的具身推理模型，可作为高层大脑让机器人对话、理解物理世界并规划多步任务，再把动作执行交给底层 VLA 模型，还能原生调用 Google Search 等工具。
推荐理由：官方给出 ER 2 在进度分类、时刻定位与多机器人协作上的具体指标和开放入口，可据此判断机器人大脑的能力边界。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 Gemini Robotics 2，为机器人带来全身智能
Google DeepMind 发布 Gemini Robotics 2，作为新一代机器人的智能层，首次实现对完整人形机器人的全身控制，并带来更精细的手部与夹爪操作能力。
推荐理由：Gemini Robotics 2 把机器人控制从上半身扩展到全身，并给出多机协作与端侧快速适配的具体路径。
Hugging Face BlogAI 评分3737 NVIDIA Cosmos-H-Dreams：为手术机器人带来实时生成式仿真
NVIDIA 推出 Cosmos-H-Dreams，一款面向手术机器人的实时、动作条件生成式仿真器，通过 FlashDreams 推理库在单张 RTX PRO 6000 GPU 上运行，支持人与策略闭环交互。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 与 3.5 Flash Cyber
Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和面向网络安全的 3.5 Flash Cyber。
推荐理由：官方给出三款新模型的定价、token 效率与基准对比，可据此判断智能体工作流的成本与选型变化。
Hugging Face BlogAI 评分2222 新模型来了，优势依旧：DharmaOCR 在巴西葡萄牙语 OCR 基准上领先 Mistral OCR4 与 Unlimited-OCR
DharmaOCR 在葡萄牙语 OCR 基准上以 0.925 分领先 Mistral OCR4 的 0.798 和 Unlimited-OCR 的 0.7587。该模型通过葡萄牙语监督微调加 DPO 两阶段训练，将全部参数集中于巴西葡萄牙语，从而在提取质量和稳定性上取得优势。
Hugging Face Blog精选AI 评分8585 Thinking Machines 在 Hugging Face 发布 Inkling 及 Inkling-Small 多模态模型
Thinking Machines Lab 在 Hugging Face 发布 Inkling 系列多模态大模型，Inkling 为约 1T 参数、41B 激活参数的 MoE 模型，原生支持图像、文本、音频输入，上下文窗口 1M，并推出 276B 总参数、12B 激活参数的 Inkling-Small。
推荐理由：原文给出 Inkling 的架构细节、部署配置与基准对比，读者可据此判断这一开源多模态模型的落地门槛。
Google Research精选AI 评分6060 Google 发布 SensorFM：面向可穿戴健康数据的通用基础模型
Google Research 发布 SensorFM，一个直接从无标注可穿戴数据学习的大型传感器基础模型，预训练语料超过一万亿分钟多模态信号，来自五百万名同意参与者。
推荐理由：Google 用一万亿分钟可穿戴数据预训练通用生理表征，读者可了解基础模型在健康领域的规模化路径。
Mistral AI精选AI 评分6666 Mistral AI 发布 Robostral Navigate 具身导航模型
Mistral AI 发布首个具身导航模型 Robostral Navigate，这是一个 8B 模型，仅用单个普通 RGB 相机、无需 LiDAR 或深度传感器，在 R2R-CE 验证集 unseen 上达到 76.6% 成功率，比最佳单相机方案高 9.7 个点，比使用深度或多相机的最佳系统高 4.5 个点。
推荐理由：官方给出单目 RGB 相机在 R2R-CE 上的成绩与训练方法，读者可据此判断具身导航的硬件门槛变化。
Hugging Face Blog精选AI 评分6262 Hugging Face 与 Cerebras 将 Gemma 4 引入实时语音 AI
Hugging Face 与 Cerebras 联合发布实时语音到语音演示，用 Cerebras 加速 Gemma 4 31B 推理，构建开放的级联语音流水线。
推荐理由：原文给出了可复用的开源语音到语音流水线架构，读者可据此了解各模块如何组合与替换。