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 The Verge · AI同新闻AI 评分8282 ChatGPT 上线 Intelligent UI，随 GPT-6 生成图表与按钮
OpenAI 在 ChatGPT 中推出 Intelligent UI 功能，让回答结合图表、表单、可点击按钮等交互式视觉内容，并随 GPT-6 一同向所有用户推送。
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。
The DecoderAI 评分6666 Google 向公众开放 SynthID 检测器，称已有 1800 亿图片和视频带水印
Google 将 SynthID Detector 开放给公众，任何人都可以检测图片、视频或音频是否由 Google 及其合作方的 AI 生成，支持 JPG、PNG、MP4 和 MP3 格式。
TechCrunch · AI同新闻AI 评分7878 OpenAI 随 GPT-6 推出 Intelligent UI，ChatGPT 界面转向可视化
OpenAI 推出名为 Intelligent UI 的新界面，随新 GPT-6 模型于周三开始推送，把可点击按钮、定制计算器、交互式图表和可编辑图形等可视化元素直接嵌入对话，目标是让学习复杂主题更容易。该功能面向 Pro、Plus、Business 和 Enterprise 用户全球上线，免费和低价 Go 档用户周四可用，用户也可以自行调低回复中的可视化程度。
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。
TechCrunch · AIAI 评分6262 Google 上线 SynthID 网站，可识别 AI 生成图像、视频和音频
Google 周二上线新网站，任何人都可以验证一张图片、一段视频或音频是否由 AI 生成。该工具此前在 Google I/O 上仅向部分记者、媒体从业者和研究者开放测试，现已向所有人开放，支持 JPG、PNG、MP4、MOV、WAV、MP3 等图像、视频和音频格式。
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。
The DecoderAI 评分6767 Google 发布 EmbeddingGemma 2，称性能超越两倍规模竞品
Google 发布开源模型 EmbeddingGemma 2，可将文本、图像、视频、音频和代码转换为数值向量，参数量 740M，Google 称其在多模态嵌入基准上超越规模达其两倍的竞品。
The Verge · AIAI 评分2626 苹果、Google 正重新定义"录制"：AI 硬件不存视频只生成文字，还算录音录像吗？
苹果正研发一款不保存视频的智能家居摄像头，改用 AI 将画面转成文字描述，并支持人脸识别；Google 可穿戴设备负责人 Sandeep Waraich 也提出智能眼镜摄像头可只做图像传感器、不存任何影像。
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。
The DecoderAI 评分7171 Reka AI 发布 19B 全能模型 Rho-1，单模型处理文本图像视频与机器人控制
Reka AI 发布 19B 参数全能模型 Rho-1 的研究预览版，可在单一神经网络中处理并生成文本、图像、视频和机器人控制动作。与多数将任务分派给专用模型的系统不同，Rho-1 把所有模态作为 token 放在同一上下文窗口中运行，无需工具调用或外部模型。
The DecoderAI 评分7171 Mistral 发布万亿参数模型 Mistral Large 4，主打网络安全任务
Mistral 发布迄今最大模型 Mistral Large 4（ML4），总参数 1 万亿、激活 49B，原生多模态，已在 Mistral Studio 开放 API 预览，权重预计 10 月底发布。
TechCrunch · AIAI 评分3232 Pinterest 推出 Beauty Guides：用 AI 把美妆 Pin 图变成沙龙行动方案
Pinterest 推出由视觉智能与生成式 AI 技术 Pinterest Intelligence 驱动的 Beauty Guides，可将发型、发色、美甲等美妆类 Pin 图转化为沙龙可用的行动方案。
TechCrunch · AIAI 评分6666 Mistral 发布 1T 参数多模态模型 Mistral Large 4
法国 AI 实验室 Mistral AI 发布大型多模态模型 Mistral Large 4，参数规模达 1 万亿，绰号 Le Chonk，目前仅通过公开的 guardrail 端点访问，计划在安全测试完成后三周内开放权重。
TechCrunch · AIAI 评分4242 Marissa Mayer 推出照片驱动 AI 助手 Dazzle，从相机胶卷读懂你
前 Yahoo CEO Marissa Mayer 推出个人 AI 助手 Dazzle，去年 12 月完成 800 万美元种子轮融资，其上下文全部来自手机相机胶卷而非邮件和日历。Dazzle 可扫描近期照片完成即时任务（如从活动传单生成日程），也能基于照片库推荐度假地和生日礼物，并称会丢弃被标记为敏感的个人信息。
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。
The Decoder精选AI 评分8080 AMD 以 82 亿美元收购世界模型初创公司 World Labs
AMD 宣布以约 82 亿美元全股票交易收购专注空间智能的初创公司 World Labs，交易预计在 2026 年底前完成，尚待监管批准。World Labs 创始人李飞飞将加入 AMD 领导团队，出任执行副总裁兼首席科学家，直接向 CEO 苏姿丰汇报并负责前沿研究。
推荐理由：这笔全股票收购把世界模型团队并入芯片厂商，读者可据此观察硬件与模型整合的新路径。
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%。
Latent SpaceAI 评分7474 AMD 以 82 亿美元收购 World Labs，Atlas 解决稀疏重建问题
AMD 以 82 亿美元收购 World Labs。World Labs 创始人李飞飞在博客中回顾，公司自 2024 年成立以来构建了图像、视频与空间重建的模型训练团队，并在收购 SceniX 后推进机器人仿真能力。
Latent Space精选AI 评分7878 AINews：Opus 5.5 擅长生成解说视频
AINews 汇总 9/24-9/25 的 AI 动态，指出 Opus 5.5 本周发布后社区反馈积极，尤其在用代码生成解说视频上表现突出。Opus 5.5 在 SimpleBench 上以 88.4% 领先，Terminal-Bench-Science 上从低推理档的 24% 升至 xhigh 档的 62%，但 max 档回落到 59%。
推荐理由：汇总 Opus 5.5 在视频生成与 Agent 任务上的社区反馈，并给出 Jev、Photon 等基础设施的实测数字。
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。
Latent SpaceAI 评分6060 Runway 发布 GWM Worlds 2 与 WorldPrompt 输入格式
Runway 推出 GWM Worlds 2 研究预览，把高保真视频与音频生成变成实时交互式模拟，并提出新的输入格式 WorldPrompt，可固定环境部分要素（含首帧）后按时间戳设定事件与动作。
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。
Latent SpaceAI 评分7474 Meta Connect 2026：Muse 智能体、AI 眼镜与 Charm 硬件
Meta 在 Connect 2026 上把 Muse 个人智能体作为硬件加智能体战略的核心，发布眼镜等新硬件并预告但未发布新前沿模型。Muse 新增语音与实时视频能力，可后台执行任务，并接入邮箱、Mac 电脑操作和 1500 多个连接器应用；Muse Realtime Avatar 研究版称响应低于一秒且输出带水印。
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。