Liquid AI 發佈 d1-3B 與 d1-omni-600M 開放權重決策模型
Liquid AI 發佈 d1-3B 和 d1-omni-600M 兩款開放權重決策模型,兩者均以單次前向傳遞直接輸出答案。d1-3B 支援文字和圖像輸入,d1-omni-600M 支援文字加圖像或文字加音訊輸入;兩款模型均可在 Hugging Face 取得,並支援 llama.cpp。
Liquid AI 發佈 d1-3B 和 d1-omni-600M 兩款開放權重決策模型,兩者均以單次前向傳遞直接輸出答案。d1-3B 支援文字和圖像輸入,d1-omni-600M 支援文字加圖像或文字加音訊輸入;兩款模型均可在 Hugging Face 取得,並支援 llama.cpp。
OpenAI 推出 Decisions API,可評估文字、圖片或兩者,速度約為 Responses API 的十倍。該 API 目前僅支援 gpt-6-luna,現處於公開 beta 階段,並將很快全面開放;輸入費用為 $0.10 per million input tokens,輸出 token 免費,回應類型包括是/否機率、從預設類別中選擇及量表評分。
Google 宣佈,SynthID AI 生成內容檢測網站已向全球用戶開放,可檢測圖片、影片或音訊是否由 AI 生成。該網站使用 SynthID 識別媒體內容;SynthID 是嵌入 Nano Banana、Veo 和 Lyria 模型的隱形水印,驗證功能亦已整合至 Gemini 應用和 Google Chrome。
Google 升級 SynthID 檢測器,現已支援所有合作夥伴的水印,並透過 SynthID.com 開放全球用戶檢查 AI 內容。SynthID 是嵌入 AI 生成圖像和影片像素、以及 AI 音訊波形中的隱形信號;用戶現在可直接在網站查驗,毋須再透過 Gemini。
Google 向所有人開放 SynthID 網站,讓用戶檢查圖片、影片及音訊是否由 AI 生成。Google 表示,目前每天有 1 million 次內容驗證請求。這類工具並非萬無一失,經常未能識別由其開發者自家模型生成的內容。
Google 於2026年10月6日公開 EmbeddingGemma 2,這款 740M 參數的多模態嵌入模型可在智能手機及 PC 運行,將文字、程式碼、圖像、音訊及影片映射至共同向量空間。模型採用 Apache 2.0 授權,支援搜尋、分類等用途,並可與 Gemma 4 配合在端側構建 RAG;其上下文窗口擴至初代的 4 倍,即 8192 個 tokens。
發帖者尚未找到可同時接收參考音訊和文字指令、生成新聲音的商用 AI 模型,並詢問是否有此類方案。ElevenLabs SFX 只支援文字生成音訊,難以單靠文字準確引導生成結果;Stable Audio 3 雖據稱能滿足需求,實測效果卻很差。發帖者希望以樣本不多且不夠乾淨的音源製作新音效。
Simon Willison 建立 llm-openai-decisions 插件,供 llm 呼叫 OpenAI 的 Decisions API。API 支援是非、選項和評分三類問題,gpt-6-luna 亦可接收圖片;OpenAI 每百萬個輸入 token 收費 10 cents,Jev 為 4.2 cents,兩者均不收取輸出費用。
OpenAI Decisions API 進入公開測試,可評估文字、圖像或兩者,並以比 Responses API 快 10 倍的速度返回具類型的答案。它提供 predicate、choice、score 三類問題,分別回傳條件成立概率、指定選項或按各級別概率加權的分數。API 目前僅支援 gpt-6-luna,並須使用專用 POST /v1/decisions 端點。
Google 推出 EmbeddingGemma 2,將 EmbeddingGemma 的嵌入能力由文字擴展至程式碼、圖像、影片和音訊,並把不同內容映射至同一嵌入空間。
Google DeepMind 發佈 EmbeddingGemma 2,將文字、程式碼、圖像、影片和音訊映射至統一嵌入空間,支援裝置端多模態搜尋與檢索。模型基於 Gemma 4 架構,擁有 740 million parameters,以 Apache 2.0 授權發佈,並提供 8K token 上下文窗口。
EmbeddingGemma 2 是一款開放、輕量的多模態嵌入模型,討論提及視覺、影片及音訊應用,並提出以此建立本地多模態搜尋的可能性。評論者觀察到,圖像及音訊嵌入可同時承載文字內容與風格、視聽語調資訊,兩者似乎可以線性分離。
Mistral 發佈 Mistral Large 4 Research Public Preview,Artificial Analysis Intelligence Index 評分為 38,並將其列為美國和中國以外最智能的模型。
Google 發佈 EmbeddingGemma 2,稱這款 740 million 個參數的開放模型在多模態嵌入基準上勝過參數量最多為其兩倍的競品。它在 Massive Text Embedding Benchmark (Code) 得分 78.68,較前代的 68.76 高近 10 分。
Google DeepMind 發佈 EmbeddingGemma 2,將文字、程式碼、圖像、影片及音訊映射至同一嵌入空間,供裝置端推理使用。
推薦理由:EmbeddingGemma 2 將文字、程式碼、圖像、影片及音訊映射至同一嵌入空間,並列出裝置端記憶體與向量儲存數據,方便評估跨模態搜尋的本地部署。
Mistral AI 發佈 Mistral Large 4(ML4,代號 Le Chonk)公開預覽版,這款多模態 MoE 模型總參數為 1.05T、每個 token 啟用 49B,並支援 1M token 上下文窗口。
推薦理由:文章把參數規模、每 token 啟用量與 API 價格並列,並交代網絡安全評測和權重開放時間,便於判斷預覽版的可用性與限制。
Google DeepMind 發佈 EmbeddingGemma 2,這款 740M 參數開放模型可將文字、程式碼、圖像、影片及音訊嵌入同一個 768 維空間。
音訊、影片與文字分數不一致時,研究以受控三分數基準評估策略應否取得第三個來源或棄答。部分留出合成測試中,閾值策略的目標決策準確率為 0.789 +/- 0.006、效用為 0.481 +/- 0.014;三分數多數決參照分別為 0.626 +/- 0.008 和 0.252 +/- 0.016。查詢選擇策略的效用取決於預算及已觀察分數對的排序,在 50% 和 63.7% 預算下效用下降。
研究提出 MIRA,將文字生成音樂請求轉為可逐項核驗的準則,並搜尋提示詞修訂以提升意圖對齊。MuRA-Bench 收錄由音樂專家整理的真實平台請求。實驗顯示,MIRA 提升意圖對齊,令開源生成器達到與 Suno、Mureka 等商業系統相若的表現。
ViRA 提出一套與規劃器無關的視覺表徵對齊框架,在保持規劃器架構及推理成本不變的情況下,提升端到端自動駕駛表現。研究發現,視覺基礎模型的目標選擇及輔助感知監督均會影響規劃效果。ViRA-Diffusion 在 NAVSIM v2 navtest 取得 92.3 EPDMS,較比較中的近期方法至少高 1.9 分。
TouchScale提出一個500小時的人類視覺觸覺資料集,以統一的穿戴式配置同步記錄第一身視角 RGB-D 影片、手腕 RGB 影片及雙手密集觸覺測量。資料涵蓋約2K項預設任務;使用完整數據訓練後,未見觸覺感測器上的零樣本接觸 IoU 由0.134升至0.383,機械人四項真實操作任務的平均成功率由22.5%升至57.5%。研究團隊計劃公開所有同步視覺觸覺錄影及重建物件模型。
研究將多智能體視覺語言導航系統化建模為受約束的協調問題,並提出導航系統 TRISS。MAVLN 基準包含 11,724 個回合,涵蓋 145 個場景及最多四個智能體的團隊,並設有三種指令模式。TRISS 結合基於大語言模型的子任務排程器、共享拓撲記憶及避碰執行機制;實驗顯示,排程、規劃與執行仍有改進空間。
Mistral AI 已開放旗艦模型 Mistral Large 4(ML4,暱稱「Le Chonk」)下載;該模型此前於本月初進入公開預覽。Mistral 表示,模型在 SWE-bench 和 Terminal Bench 等 Agent 基準達到「state-of-the-art」表現,並具備網絡安全、編碼及製造業和金融任務方面的能力。
科技公司正探索讓 AI 硬件處理影音、但不保存原始影音,這挑戰了「記錄」必須可保存和回看的既有定義。Bloomberg 報道 Apple 正研發不保存影片、改以 AI 把家中畫面轉成文字描述的智能家居鏡頭;Google 亦在探討能處理環境影像但不保存片段的智能眼鏡。文章質疑文字摘要是否仍屬可保存、可回看的記錄,並主張社會就「記錄」定義達成共識。
Mistral Large 4 是一款最先進的開放權重通用多模態模型,採用細粒度混合專家架構。模型有 49B 活躍參數、1.05T 總參數,以及 1.6B 視覺編碼器。
Bharat Patel 指出,數據是軍事 AI 的主要瓶頸,所需數據類型和質素取決於具體用途,因此「AI-ready data」並不存在。Project Maven 自 2017 年起面對缺乏相關目標數據的問題,團隊其後持續收集數據以建立有效模型。數據管道、標準、治理及測試評估,連同偽裝、欺騙、電子戰和數據投毒等威脅,均影響模型能否投入實地應用。
Empirical Variational Autoencoder(EVA)是一種面向連續值序列的生成框架,從訓練數據中以經驗方式學習自回歸潛在先驗,只需在 VAE 上額外加入一個線性層即可實現。圖像及聲音合成實驗顯示,EVA 的生成品質具競爭力,推理速度遠快於自回歸擴散基線。
EmbeddingGemma 2 開發者指南介紹這款基於 Gemma 4 的開放模型,可將文字、程式碼、圖像、影片和音訊映射至同一個 768 維向量空間。模型可按需載入由文字與程式碼的 270M 參數配置,擴展至完整多模態的 740M 參數配置,各配置共用同一向量空間。
Google DeepMind 發佈 EmbeddingGemma 2,一款 740M 參數的開放權重多模態嵌入模型,可將文字、圖像、影片影格及音訊映射至同一向量空間。
Mistral 發佈 Mistral Large 4 公開預覽版,這款 1 trillion 參數的多模態模型已可透過 Mistral Studio API 使用。
Mistral AI 推出 Mistral Large 4 公開預覽版,權重預計月底釋出。模型具原生多模態能力,總參數量為 1 trillion、活躍參數量為 49 billion,並可透過 Mistral Studio API 試用。在 Artificial Analysis Cyber Index 名列全球前五,漏洞重現及修補測試得分 82%,Cybench 則解決 93% 的挑戰。
推薦理由:文章以 Cyber Index、漏洞重現與修補測試及 Cybench 結果,呈現 Mistral Large 4 在網絡安全基準中的相對表現。
Pinterest 公佈新功能 Beauty Guides,利用 Pinterest Intelligence 將髮型及美甲靈感 Pins 轉成可帶到沙龍使用的行動指南。指南會提供向造型師或美甲師説明需求時可用的專業用語,以及所需時間、價格範圍和保養資訊。功能推出時適用於髮型、髮色、指甲形狀及美甲效果相關 Pins。
Mistral AI 發佈 1T 參數多模態模型 Mistral Large 4(ML4),目標超越開源與閉源對手。ML4 目前只能透過公開 guardrail endpoint 使用,Mistral 計劃在完成安全測試後,於三週內提供模型權重。模型完全使用 Mistral 的算力訓練,共使用 4,000 張 Nvidia GPU;基準測試結果尚未公佈。
Mistral AI 發佈 Mistral Large 4(ML4)公開預覽版,用戶即日起可在 Mistral Studio 體驗預覽版 API,模型權重將於月底開放下載。
SpatialASM 是一套可擴展框架,透過兩階段訓練將主動空間心智化融入 LVLM,提升空間推理表現。框架把空間問答資料轉化為規劃、想像及推理軌跡,並以新視角生成器合成訓練觀察。團隊以 SpatialASM 訓練了四個 Qwen3-VL 和 Qwen3.5 的 LVLM 骨幹;最終模型推理時不依賴世界模型、渲染器或額外視覺觀察。
Reka 發佈 Rho-1 的研究預覽版,這款 19B 全模態推理模型以單一神經網絡理解及生成文字、圖像和影片,並對這些內容進行推理及輸出機械人動作。其兩條專家權重流共用 attention 和 KV cache;蒸餾版把去噪步數由 99 步減至 8 步,約 1 秒可生成 5.3 秒影片。Rho-1 目前僅提供研究預覽,尚無公開權重、API 或定價。
OmniConfess 是一種免訓練方法,透過在控制各模態證據介入的情況下,按 token 重新評分候選回應,揭示其對不同證據的依賴,從而緩解全模態幻覺。研究團隊構建了 OmniHalluBench,包含 3,540 個涵蓋文字、圖像、音訊和影片,以及判斷與自由形式生成的例子。實驗顯示,該方法在不同模態和任務設定下均能緩解幻覺,程式碼和基準測試集已公開。
研究團隊提出 ACG-Bench,評估雙臂視覺語言動作模型將熟悉技能跨手臂重新組合、應對未見任務組合的泛化能力。基準涵蓋 8 個任務家族、23 組任務與條件;以 π_{0.5} 為骨幹的 AE-VLA 在模擬中的成功率為 21.53%,在實體 SO101 機械人五種未見條件下的平均成功率為 39.00%,高於最強基線的 10.00%。
Cerebras 已在 Cerebras Inference Cloud 限時公開預覽 Gemma 4 31B,支援以圖片輸入進行多模態推理。Artificial Analysis 測得其輸出速度為每秒 1,851 個 token,是典型 GPU 端點的 35 倍;首次回應 token(包括推理)在 1.5 秒內返回。
Cohere 推出 Parse,這款文件解析視覺語言模型現已透過 Cohere API、Model Vault、Microsoft Foundry 和 AWS SageMaker 提供。