Mistral Large 4:歐洲千億引數多模態模型挑戰美國安全模型
Mistral Large 4 是歐洲首個千億引數多模態模型,已在歐洲資料中心訓練並公開預覽。 - 引數與結構:總共 1.05 萬億引數,49 億為活躍引數,視覺編碼器 1.6 億引數,1 百萬 token 上下文視窗。
Mistral Large 4 是歐洲首個千億引數多模態模型,已在歐洲資料中心訓練並公開預覽。 - 引數與結構:總共 1.05 萬億引數,49 億為活躍引數,視覺編碼器 1.6 億引數,1 百萬 token 上下文視窗。
Mistral Large 4 現已於 Vercel 的 AI Gateway 正式上線,使用者可透過單一 API 金鑰直接存取。 - 多模態推理:結合文字與影像理解,適用於網路安全、製造與金融工作流程。
Pinterest 於 2026 年推出 AI 功能,將美妝相關 Pins 轉成沙龍可執行的行動計畫。 - 功能概念:使用 Pinterest Intelligence 將 Pins 翻譯成美髮師術語,如「balayage」與「almond nails」。
Mistral AI 於 10 月 6 日推出 Mistral Large 4,一個 1 兆引數的多模態模型,稱為 Le Chonk。 - 模型規格:1 兆引數,尚未開放權重,先以公共 guardrail 端點提供。
Mistral Large 4 是一款 1 兆引數、49B 活躍引數的多模態模型,公開預覽已開放 API。 - 規模:1 兆引數,49B 活躍引數,跨領域效能領先。
推薦理由:Mistral Large 4 擁有 1 兆引數及跨領域優勢,讀者可評估其在安全、工程與科學領域的實務應用。
Mistral Large 4 正式發布,擁有 49B 活躍引數、1.05T 總引數以及 1.6B 視覺編碼器,採用 Granular Mixture‑of‑Experts 架構。
Diffusers 0.41.0 推出 Qwen-Image 2.1,整合影像生成與編輯功能,支援多參考影像與原生 RGBA 輸出。 - Qwen-Image 2.1:7B 引數模型,提供文字到影像、影像編輯、LoRA 訓練。
推薦理由:Diffusers 0.41.0 以 Qwen-Image 2.1 為核心,提供統一的影像生成與編輯功能,開發者可直接整合至多模態工作流程。
ChatGPT 造假漫畫家簽名引發侵權爭議,Claude Opus 5.5 代理人發現兩種室溫磁性半導體,Beam 501B 展示強大 RL 工程實力。 - ChatGPT 透過過擬合偽造漫畫家簽名,導致公眾憤怒與法律爭議。
Rho-1 是 Reka AI 發布的 19 引數億的全能模型,能在單一神經網路中處理文字、影像、影片和機器人控制。 - 多模態整合:同時處理四種模態,無需工具呼叫。
NVIDIA 夥伴利用 AI 在乳癌診斷、風險評估與治療規劃上提供突破,縮短從掃描到決策的時間。 - ATUSA:iSono Health 的可穿戴 3D 超聲系統,掃描時間約 2 分鐘,敏感度比傳統 2D 超聲高 28%。
ElevenLabs 的 Scribe 服務提供原生單字時間戳與事件標記的音訊轉錄,直接輸出結構化、可搜尋的 JSON 資料,省去後續對齊步驟。 - 核心功能:單字級時間戳、語音事件(笑聲、掌聲、背景音)與多語言偵測;一次 API 呼叫即可完成。
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。
突發: 加州農村市將使用 Grok 擬定議會會議紀錄 議會以 4-1 投票決定使用 Grok。 草稿將從會議錄音製作,並由市務人員校對。 市長稱 Grok 更實惠、徹底且客觀。
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。
NASA 與 IBM 推出一款開源月球基礎模型,將 17 年探測器資料轉化為機器學習基礎。 - 資料規模:近 2 百萬張影像、11 種模態,涵蓋 30 個對齊層,來自 LRO、GRAIL、Lunar Prospector、Kaguya 等四個任務。
summary_zh: Google 在 2026 年 10 月開始,將 Gemini 模型對個人帳號使用者限制為最小模型 Flash‑Lite,並將更強大的 Flash 與 Pro 從免費層級移除。
summary_zh: Suno 推出名為 Speech 的新功能,能同時產生語音與相配背景音樂,成為單一音訊檔案。 - 核心功能:使用者輸入文字、指定語音與音樂風格,Speech 生成合成語音與背景音樂,適用於詩歌、冥想或睡前故事。
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。
Google 在 Gemini Live 推出 Guided Vision 功能,能即時透過手機鏡頭提供語音說明,協助使用者閱讀小字與辨識物件。 - 功能定位:針對視障或低視力使用者,提供即時語音描述、物件辨識與細節查詢。
Tavus 釋出新型 AI 影片化身 Griffin,在一分鐘對話中有 48% 的受試者誤以為是真人。 - 真實感測試:Griffin 在 Nvidia 獨立測試中得分 3.83,接近人類 3.92,遠超先前最佳 AI 2.80。
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。
Google 推出 Gemini 4 Argon,定位為最強模型,專為編碼、研究、寫作及網路安全設計。該模型可自主發現、驗證並修補關鍵軟體漏洞,並在視覺解析、程式碼除錯和遷移等任務上表現出色。Google 還聲稱 Argon 在多項 AI 基準測試中超過 OpenAI 的 GPT‑6 Astra 與 Anthropic 的 Fable,並已在其內部團隊中用於日常工作。
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 釋出 Gemini 4 Argon,首個七個月來的前沿模型,在多項基準上與 OpenAI 的 GPT-6 Astra 同級,且價格更低。Argon 支援文本、影像、影片、音訊輸入,輸出文本,並通過 Long Decode Continuation 解決長響應超時。
Simon Willison 釋出了 Photo Scrubber,一款利用 MediaPipe 與 GPT-6 Astra 自動識別並模糊照片中人臉的實驗性工具。它使用 Google 的 MediaPipe C++ 庫編譯為 WebAssembly,並採用 BlazeFace 人臉檢測模型,同時支援後設資料移除。
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。
Comfy API 已正式上線,讓使用者能將在 ComfyUI 建立的工作流程直接打包並部署為可自動擴縮的 API 端點。 - 部署流程:從工作流程 JSON 或 Desktop 快照匯出 → 依賴解析 → 建立 immutable Build → 以唯一 URL 部署至平臺。
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。
Dazzle 是 Marissa Mayer 推出的個人 AI 助手,利用手機相機膠捲中的照片來獲取使用者上下文。它能根據照片識別興趣愛好、旅行地點等,併為日程、旅行、禮物等提供個性化建議;同時強調只使用非敏感影像資訊以保障隱私。
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。
Latent Space 釋出的 AINews 彙總了多款前沿模型動態,其中 Claude Opus 5.5 在 SimpleBench 領先,並在視覺和程式碼生成任務上表現突出;同時涵蓋 GPT-6 家族、Gemini 3.8 Flash、Xiaomi MiMo-V2.6-Pro 以及AI 助理、檢索和推理效率等生態進展。
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。
Runway 介紹了其最新的世界模型 GWM Worlds 2 以及提出的輸入格式 WorldPrompt,並闡述了其如何通過自迴歸擴散和蒸餾方法實現 720p 24fps 的即時互動式影片和音訊生成。文章還探討了真實物理模擬、長上下文、誤差累積等工程挑戰,以及在遊戲、機器人和AI 助理模擬等領域的潛在應用。
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。