ChatGPT 推出新視覺廣告格式
OpenAI 在 ChatGPT 中推出新視覺廣告格式,並擴充測量工具、歸因合作夥伴及品牌適配功能。 - 新功能:視覺廣告格式、測量工具、歸因合作夥伴、品牌適配。 - 目標:幫助廣告主更精準定位 AI 使用者。 - 可用性:即時上線於 ChatGPT。
OpenAI 在 ChatGPT 中推出新視覺廣告格式,並擴充測量工具、歸因合作夥伴及品牌適配功能。 - 新功能:視覺廣告格式、測量工具、歸因合作夥伴、品牌適配。 - 目標:幫助廣告主更精準定位 AI 使用者。 - 可用性:即時上線於 ChatGPT。
Qwen 3.8 Flash Next(125B)能在 RTX 4090 等消費者顯示卡上以 100T/s 的速度執行,並提供完整的安裝與使用說明。
FLUX 3 Image 是 Black Forest Labs 推出的多模態模型,支援以邊框佈局生成與編輯影像。 - 核心功能:使用邊框佈局(bounding box)描述畫面,模型可一次生成或逐框編輯,保持原圖不變。 - 解析度:可輸出原生 2K/4K,保留細節與色彩。 - 可擴充性:提供商業權重授權,可自行微調並部署於私有基礎設施。
Clef 是 Cloudflare 釋出的決策模型,具備視覺輸入、64k 上下文、低延遲,並可在 Workers AI 上即時使用。 - 核心特性:可處理文字與影像,使用 Qwen3.8‑27B 基座,輸出決策機率,並與 Jev‑API 完全相容。
Eleven v4 的 TTS 發音字典功能可讓使用者自訂單字發音,支援 alias 及 IPA 規則,並可一次套用至多三個字典。 - 多語言支援:可在 90+ 語言中保持原生發音,維持品牌語音一致性。
summary_zh: 每日論文雷達收錄 30 篇具身智慧最新研究,從 GroundingPI 到 IronMind 皆有突破。 - GroundingPI:4B 基礎定位模型,將點與邊界框量化為共享詞彙表座標,結合多模態、空間預訓練、監督微調與強化學習,提升 VLA 模型於微小物件定位與閉環控制的精度。
Google DeepMind 推出了 Gemini 4 Argon,這是一款具備長推理、跨領域多模態能力的前沿模型。Argon 在軟體工程、金融、法律和網路安全等行業基準上重新整理記錄,並已在內部工作流中提升效率;其 1M token 輸出上限和 $2/百萬輸入、$10/百萬輸出的價格為開發者提供更高性價比。
推薦理由:Gemini 4 Argon 通過大幅提升推理長度和多模態能力,顯著提升軟體工程、金融與網路安全等領域的工作效率,並在多項行業基準上重新整理記錄,幫助企業加速技術迭代。
Hugging Face Transformers 發布 Release 5.18.0,新增多款串流語音、多模態推理與視覺語言模型支援,並包含多項重大變更與臭蟲修復。
AWS 介紹瞭如何使用 Amazon Bedrock AgentCore Runtime Instances 部署一個三AI 助理協作的音樂製作管線,實現 GPU 音樂生成、音訊處理與合規篩查。文章詳細講解了容量提供者配置、共享會話的多AI 助理同機協作、多日持久化儲存以及各AI 助理的獨立部署流程。
Condé Nast 透過 Amazon Bedrock 與 OpenSearch Service 建構多模態影片檢索系統,將平均搜尋時間從 250 分鐘縮短至 2 分鐘。
summary_zh: Microsoft Research 介紹了 Quine,一個設計為應對生物學複雜性的 AI 研究系統。 - 核心功能:結合多模態生物學世界模型與互動式 harness,將模型、科學工具、文獻、實驗室與研究人員連結。
xAI 的 Grok 4.7 現已在 Amazon Bedrock 上線,支援 500K 上下文視窗、四級推理努力程度配置及圖文輸入。該模型可通過 Responses、Chat Completions 和 Converse API 進行呼叫,並提供 US 區域和 Global 跨區域推理配置選項。
Microsoft Research Asia – Singapore 在 2025 年 7 月 24 日正式開設,成為微軟在東南亞的第一個研究實驗室。 - 合作夥伴:與新加坡國立大學(NUS)、南洋理工大學(NTU)、經濟發展局(EDB)及資訊通訊媒體發展局(IMDA)等機構深度合作。
本文介紹瞭如何在 Amazon SageMaker HyperPod 上使用開源強化學習框架 SkyRL,配合 GRPO 演算法對 Qwen3-VL-8B 視覺語言模型進行多模態強化學習後訓練。
Google Research 介紹了用於自動化長影片生成的多AI 助理框架,包含 Co-Director、CANVAS、A²RD 和 VQQA 四個核心元件。該框架通過全域性最佳化和世界狀態追蹤解決語義漂移與級聯失敗問題,能夠將創意轉化為分鐘級、具備多鏡頭敘事一致性的影片。
Google DeepMind 釋出 Gemini 3.8 Live with Live Avatar,為對話式 AI 帶來近即時的視覺形象與流媒體影片支援。該功能原生耦合了即時對話與低延遲影片生成,具備精確唇形同步、動態視覺形象、非同步工具呼叫以及跨 97 種語言的原生語音同步能力,現已在 Gemini Enterprise 中可用。
本文介紹了 AWS WhisperX Deep Learning Container(DLC)的使用方法,演示如何在 Amazon SageMaker AI 上部署即時和非同步端點,實現詞級時間戳和說話人標籤的轉寫。
Liquid AI 針對視覺語言模型 LFM2.5-VL-3B 釋出了實驗性的 DSpark 草稿模型,通過引入投機解碼路徑實現推理加速。該草稿模型包含 2.8 億引數(增量 8.9%),在端側和 GPU 上解碼速度最高可提升 3.13 倍,並且首日即整合支援 llama.cpp、MLX-VLM 和 SGLang。
NVIDIA 聯合 Google DeepMind 及歐洲生物資訊研究所(EMBL-EBI)等全球研究機構,通過 AlphaFold Database 免費釋出了覆蓋超 2,800 種病毒的蛋白質複合物預測 3D 結構資料集。
Google DeepMind 推出 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 兩款全新語音生成模型,支援超過 100 種語言的自然語言提示詞聲音設計、30 秒聲音復刻以及逐行臺詞精細導演。
推薦理由:官方釋出的最新語音生成模型提供了細粒度的臺詞導演和聲音定製能力,讀者可以據此評估其在多語言配音與AI 助理互動中的實際表現。
Gemini 3.8 Flash‑Lite TTS 與 Gemini 3.8 Flash TTS 現已在 AI Gateway 上線,支援 100 多種語言的文本轉語音,支援長篇朗讀、交付控制和雙人對話。
Amazon Bio Discovery 團隊發表三篇研究,探討運用人工智慧進行抗體設計與表徵的全新框架與成果,旨在解決傳統抗體藥物研發成本高昂與週期過長的問題。
MiMo V2.6 Pro、Flash 與 Pro UltraSpeed 三款來自小米的模型現已在 AI Gateway 上可用。它們支援文本、影像、音訊和影片輸入,並具備推理、工具呼叫、JSON 輸出、提示快取等功能,擁有 1M-token 上下文視窗和最高 128K 輸出 token。
vLLM 透過整合 NVIDIA GPU 的硬體解碼(PyNvVideoCodec)\,將影片字幕任務的解碼工作從 CPU 移至 GPU,實現多 GPU 伺服器的吞吐量提升。
推薦理由:本次更新將硬體解碼與多 GPU 伺服器結合,提升影片字幕任務吞吐量,對 AV 研發與資料標註流程有直接效益。
summary_zh: GLM 5.3 FlashX 現已於 AI Gateway 上可用,提供約 200 tokens/second 的推理速度,適用於編碼代理、工具迴圈與互動式應用。
NVIDIA 釋出的 Vera Rubin NVL72 在 MLPerf Inference v6.1 首秀中表現領先,在 Qwen3-VL 上實現了較 GB300 NVL72 最高 3.7 倍的吞吐量提升。
DeepSeek V4 系列並非單一模型,其中僅 DeepSeek V4.1 Flash 與 DeepSeek V4 Flash Vision Exp 支援原生影像輸入,其餘 Pro 與 Flash 檢查點皆為純文字模型。
Hugging Face Transformers v5.17.0 正式發布,本次更新擴充多項全新模型架構與重大功能改進,涵蓋多模態、語音識別及混合專家模型支援: - 新模型與架構新增: - HYV4:780B 引數的混合專家(MoE)模型,每 Token 啟動 49B 引數,具備 1M tokens 上下文視窗。
推薦理由:此版本擴充多項新模型架構與語音多模態支援,開發者可藉此評估最新開源模型的整合與升級選項。
本文介紹如何透過 OpenRouter API 與 google/gemini-3.1-flash-image 進行圖片編輯,並提供 Python 與 TypeScript 的完整程式碼範例。
Google DeepMind 推出了 AlphaGenome Atlas 平臺,包含人類基因組中 90 億種單核苷酸變異的預測效應,並同步釋出了 AlphaGenome Variant Impact 評分。該平臺提供網站埠、API 以及 Google Antigravity 中的 skill,旨在幫助學術研究人員理解基因變異對分子生物學的影響。
推薦理由:該平臺預先計算了人類基因組中所有可能單核苷酸變異的分子效應預測併發布了配套評分指標,為研究人員快速評估基因變異影響提供了新資源。
Google DeepMind 和 Google Research 釋出全新的全球天氣大模型 WeatherNext 3,支援每小時即時衛星資料輸入並提供高達 5 公里解析度的預測。該模型在降水預測精度上取得顯著提升,並增加了清潔能源變數預測,現已整合至 Search、Gemini、Maps 和 Cloud 等產品中。
推薦理由:該模型通過融合即時衛星資料與高解析度網格,提升了全球天氣預報的精度和更新頻率,為清潔能源規劃和區域氣象服務提供了更可靠的資料支援。
Hugging Face 團隊推出了 NeoMME,這是一個包含 260M 和 800M 引數的多語言多模態基礎編碼器系列。該模型不使用單獨的視覺塔或因果語言模型,而是通過單個雙向 Transformer 同時處理文本 token 和原始影像塊。
Google Research 聯合 NASA JPL 推出了 MAPL-EMIT 深度學習框架,利用 Swin-S transformer 架構處理高光譜輻射測量資料,實現了甲烷羽流的自動檢測、定量增強預測和源頭定位。
Google DeepMind 推出了適用於 Gemini 最新模型的AI 助理影片理解功能,通過動態檢索視覺幀、音訊和字幕,將影片分析的 token 消耗降低最高 88%、成本降低最高 66%,並將準確率提升最高 7%。
推薦理由:原文公佈了功能特性與具體最佳化資料,讀者可以據此瞭解該技術如何降低影片處理成本。
MiniMax H3 在 vLLM-Omni 上的全系統最佳化與 FastVideo 的 FastH3 低延遲即時服務。文章詳細說明從全系統最佳化到 FastH3 的四步驟,並提供實際測試結果。
Microsoft Research 釋出了 GigaPath-Flash 與 GigaTIME-Flash 兩款高效病理基礎模型。GigaPath-Flash 採用 22M 引數 ViT‑S tile encoder 與 21M 引數 LongNet slide encoder,推理成本比原版低 50 倍,效能僅落後 3%。
Google DeepMind 推出了 Gemini Omni 1.1 Flash,帶來場景延伸、首尾幀插值、4K 超解析度升級、360p 高效草稿生成及影片參考等多項專業級影片生成與控制功能,現已通過 Gemini API 及 Google AI Studio 面向開發者開放。
Google Research 推出了 GlucoFM,這是一個用於連續血糖監測的自監督基礎模型,採用雙流設計將較慢的血糖趨勢與短期偏差明確分離。在多項臨床預測任務評估中,GlucoFM 的 PR-AUC 表現優於對比模型,並且在餐後血糖響應預測、跨資料集遷移以及少樣本適應場景中展現出優勢。
Google Research 推出了 AgentHands,這是一個在 XR 中為AI 助理對話生成互動式手勢的研究原型。該系統通過多維度分類法與工作流,將 LLM 的推理結果對映為與語音同步的 3D 手勢,提升了空間定位、複雜動作理解及安全性提示的效果。
長文本會增加模型處理內容和讀取記憶體的負擔。千問團隊推出 Qwen3.8-Flash-Next,SGLang 團隊也在發布當天加入支援。這個多模態模型使用混合注意力,只讓部分層仔細檢視長上下文,並用稀疏注意力挑出重要片段;另一種嵌入資料則放在主機記憶體,需要時再讀取,以減少 GPU 記憶體用量。文章也介紹 SGLang 對推論和記憶體管理所做的調整,並回報特定硬體設定下的速度與記憶體測試結果。
推薦理由:文章整理 SGLang 如何在模型發布當天支援 Qwen3.8-Flash-Next,並說明長文本注意力、GPU 記憶體使用與推論速度的取捨。