NVIDIA 扩展开源模型家族，覆盖语言、机器人、生物与量子计算
NVIDIA 扩展其开源模型家族，覆盖语言、机器人、生物和量子计算，包括新的 Nemotron 3.5 Super VL 与 Nemotron 3.5 Bolt。
推荐理由：NVIDIA 一次性铺开语言、机器人、生物、量子四条开源模型线，并给出可下载渠道与首批企业用例。
技术方向
多模态 最新动态
文本之外的能力：视觉理解、图文混合、音视频输入输出的模型与产品进展。
16 条精选近 30 天 12 条共收录 52 条
更新
多模态的精选
NVIDIA Blog精选AI 评分6565
Hugging Face Blog精选AI 评分8787 Meta 开源 Muse Spark Open：816B 参数多模态 MoE 模型
Meta 发布开源权重模型 Muse Spark Open，采用 MoE 架构，总参数约 816B、每 token 激活约 42B，支持文本、图像、音频和视频输入，上下文窗口最高 1M tokens。
推荐理由：Meta 开源 816B 参数 MoE 多模态模型，给出完整部署、微调与量化运行配方，可据此评估自托管成本。
NVIDIA Blog精选AI 评分7878 NVIDIA 发布 Nemotron 3.5 Super VL 与 Bolt 系列开源模型
NVIDIA 发布 Nemotron 3.5 Super VL，这是一个 120B 参数的开源模型，面向持续在线的专用智能体，官方称其吞吐量最高可达同类模型的 5 倍。
推荐理由：原文给出三款开源模型的参数规模、部署层级与多家机构的微调案例，可据此判断开源智能体模型从数据中心到端侧的覆盖方式。
Hugging Face Blog精选AI 评分6262 Apertus 1.5 发布：8B 和 70B 模型新增图像音频理解与思考模式
Apertus 1.5 在 8B 和 70B 模型上新增图像与音频理解、可选思考模式，上下文窗口扩展至 262,144 tokens，为 1.0 的 4 倍，并改进指令遵循与工具调用。
推荐理由：Apertus 1.5 在 8B 和 70B 上加入图像音频理解与思考模式，并公开训练数据与中间检查点，可据此判断开源多模态模型的开放程度。
Google DeepMind精选AI 评分8787 Google DeepMind 发布 Gemini 4 Argon
Google DeepMind 发布 Gemini 4 Argon，今日起通过 Gemini API、AI Studio、Google Antigravity 及 Gemini 应用和搜索 AI Mode 面向开发者、企业和消费者开放，定价为每百万输入 token 2 美元、输出 token 10 美元。
推荐理由：官方给出 Argon 在编码、科研与安全对齐上的具体数字和开放入口，可据此判断前沿模型在长程任务上的进展。
Latent Space精选AI 评分8282 Meta 发布 Muse Wonder 与 Muse Wonder Full 模型
Meta Superintelligence Labs 发布第二代模型家族 Muse Wonder 与 Muse Wonder Full，前者可通过 Meta Model API 和 Muse Code 使用，后者仅向 Muse Code 订阅用户开放。
推荐理由：汇总第三方评测与从业者反馈，可对照看 Meta 新模型在智能体与编码任务上的位置和价格差异。
OpenAI News精选AI 评分7878 OpenAI 在 ChatGPT 全球上线 GPT-6 与 Intelligent UI
OpenAI 宣布 GPT-6 正在 ChatGPT 中面向全球上线，并搭配 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 全球上线并搭配 Intelligent UI，读者可据此了解模型与交互形态的同步变化。
Hugging Face Blog精选AI 评分6666 Liquid AI 开源 d1-3B 与 d1-omni-600M 端侧决策模型
Liquid AI 发布 d1 决策模型家族的两款开源权重模型 d1-3B 和实验性的 d1-omni-600M。
推荐理由：Liquid AI 开源两款决策模型，给出端侧与 GPU 延迟数据及基准对比，可据此判断小模型做快速结构化决策的可行性。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 EmbeddingGemma 2 开源多模态嵌入模型
Google DeepMind 发布 EmbeddingGemma 2，这是基于 Gemma 4 架构、Apache 2.0 许可的开源多模态嵌入模型，参数量 740M，可将文本、图像、音频、视频映射到统一嵌入空间。
推荐理由：官方给出参数规模、分模块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8282 Mistral 发布 1 万亿参数多模态模型 Mistral Large 4 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，可通过 Mistral Studio 的预览 API 试用，权重将于本月底放出。
推荐理由：Mistral 迄今最大模型以开放权重切入网络安全等企业场景，读者可据此判断欧洲开源路线的能力边界。
Google DeepMind精选AI 评分8383 Google DeepMind 发布 Gemini 4 Argon 前沿模型
Google DeepMind 发布新前沿模型 Gemini 4 Argon，先通过 Fairwind Program 向受信任的网络安全防御者开放，随后逐步扩展到开发者、企业和消费者，起价为每百万输入 token 2 美元、每百万输出 token 10 美元，缓存输入 token 按输入价的 95% 折扣计费。
推荐理由：官方给出 Argon 在编码、企业知识与网络安全上的基准与内部落地数据，可据此判断前沿模型的能力边界与分阶段开放节奏。
Microsoft Research精选AI 评分6262 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，由跨序列、结构、功能、细胞状态与成像等多模态数据联合训练的生物世界模型，以及连接模型、科学工具、文献与实验人员的交互式 harness 组成。
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。
Google Research精选AI 评分6060 Google Research 发布 AI 视频联合导演框架，自动化生成连贯长视频
Google Research 发布 AI 视频联合导演（AI video co-director）多智能体框架，作为编排层构建在 Gemini 和 Veo 之上，用于自动化多镜头长视频生成。
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，适合了解多智能体编排如何缓解语义漂移。
Google DeepMind精选AI 评分7272 Google DeepMind 发布 Gemini 3.8 Live with Live Avatar
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，在 Gemini 3.8 Live 的实时对话能力上加入低延迟流式视频，实现带唇形同步、自然表情和流畅轮次的实时视觉形象。
推荐理由：官方给出 Live Avatar 的实时视频对话能力、异步工具调用与 97 种语言切换，可据此判断企业级多模态交互的落地形态。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS
Google DeepMind 推出 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款语音生成模型，前者面向角色设计与逐句表演指导，后者面向高吞吐、低成本的配音与语音智能体。
推荐理由：官方给出两款 TTS 的定位差异、可用入口与基准排名，便于判断语音生成在创作与规模化场景的取舍。
Google DeepMind精选AI 评分7777 Google DeepMind 发布 WeatherNext 3 全球天气 AI 模型
Google DeepMind 与 Google Research 发布 WeatherNext 3，称其为目前最先进、最准确的全球天气模型，据 Brightband 的独立实时评测。
推荐理由：官方给出与上一代的分辨率、更新频率和降水精度对比，可判断 AI 天气预报在 Google 产品中的落地程度。