跳到正文
只看一手#多模态
  1. Google DeepMind66

    Google DeepMind 发布开源轻量多模态嵌入模型 EmbeddingGemma 2

    Google DeepMind 发布 EmbeddingGemma 2，一个 740M 参数的开源轻量多模态嵌入模型，可将文本、代码、图像、视频和音频统一映射到共享嵌入空间。

    推荐理由：原文给出了参数量、上下文窗口和量化后的内存占用，读者可以据此评估它在端侧多模态检索中的可用性。

  1. Mistral AI82

    Mistral 发布 Mistral Large 4 公开预览版

    Mistral 发布 Mistral Large 4 公开预览版，这是一个 1 万亿参数、490 亿激活参数的原生多模态模型，在编码、智能体工作流和多模态理解上表现突出，并承诺月底开放权重。该模型在网络安全、金融和法律等企业工作负载上达到开放模型中的最先进水平，在视觉定位等部分领域甚至超越闭源前沿模型。

    推荐理由：1T 参数、49B 激活的开放权重模型，在网络安全和视觉定位上给出具体基准，并承诺月底放权重。

  1. Google DeepMind79

    Google DeepMind 发布 Gemini 4 Argon，输出上限增至 1M tokens

    Google DeepMind 发布 Gemini 4 Argon，先通过 Fairwind Program 向一批可信网络防御者开放，并计划逐步扩展至开发者、企业和消费者。

    推荐理由：多项基准与 Google 内部部署案例覆盖软件工程、知识工作和网络防御，可据此比较模型在长程复杂任务中的表现。

  1. Microsoft Research61

    Microsoft Research 推出面向复杂生物学的 AI 研究系统 Quine

    Microsoft Research 推出 Quine，这套实验性 AI 研究系统由多模态生物世界模型和连接模型、科学工具、文献、湿实验及研究人员的交互框架组成。

    推荐理由：案例展示了如何用跨模态生物世界模型筛选实验候选，再以湿实验反馈迭代，提供了可迁移的计算与实验闭环思路。

  1. Google Research67

    Google 以多智能体框架自动生成连贯长视频

    Google 提出 AI video co-director、CANVAS、A²RD 和 VQQA，以多智能体编排提升长视频的叙事、角色与场景一致性。该体系构建于 Gemini 和 Veo 之上，通过全局创意优化、持久视觉记忆、自回归片段生成及 VLM 闭环提示词优化，支持生成数分钟视频。

    推荐理由：研究将长视频一致性拆解为全局编排、视觉记忆、时序生成和闭环优化，为多镜头生成系统提供了可迁移的工程框架。

  2. Google DeepMind70

    Google DeepMind 发布 Gemini 3.8 Live with Live Avatar

    Google DeepMind 推出 Gemini 3.8 Live with Live Avatar，将近实时视频生成与原生实时对话模型结合，并已在 Gemini Enterprise 提供。

    推荐理由：它将实时对话、流式视频与异步工具调用整合进企业智能体，为客服和交互导览提供更连续的多模态交互路径。

  1. Google DeepMind86

    Google DeepMind 发布 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking

    Google DeepMind 发布 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking，两款模型面向近实时推理和生产级语音智能体。

    推荐理由：两款模型把并行推理、视觉理解和后台工具调用融入近实时对话，为复杂语音智能体提供了更完整的生产级能力组合。

已经到底了