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。
新研究提出柏拉图表征定理，证明在同一场景不同观察的高质量视角下，独立训练的联合嵌入预测架构（JEPA）仅通过单次正交旋转即可收敛到相同的多模态表征。论文指出下一个 token 预测本质上是采用低质量视角的 JEPA，达成相同对齐程度所需训练样本比高质量视角多 42 倍。
Why it matters: 研究通过联合嵌入预测架构在数学上证明了跨模态表征收敛定理，指出正向多视角设计比单纯扩大模型参数具有更高的对齐效率。
OCRBench 推出免费的 LLM OCR 成本计算器，支持根据真实文档图像和目标 JSON 估算主流多模态模型的单文档与月度调用成本。实测显示单份单据的 LLM OCR 成本介于 $0.0001 至 $0.0160，最便宜与最贵的模型相差约 43 倍；单页收据在各平台会转化为 435 至 1,166 个输入 token，各厂商的图像切片规则直接影响最终花费。
Why it matters: 原文给出了多模型真实单据的实测 token 转化与调用成本，读者可据此核算多模态 OCR 选型的月度支出。
苹果宣布国行 Apple 智能接入阿里巴巴千问大模型，中国用户可自主选择是否开通集成并在 Siri、写作工具与视觉智能中调用其能力。每次发送问题、文档或图片前均需征得用户同意，且相关数据不会被用于模型训练。该功能将于 11 月 4 日随 iOS 开发者 Beta 版开放测试，并计划于 12 月 iOS 27.3 正式版向中国用户推出。
Why it matters: 原文明确了国行系统的授权方式与隐私保护条款，读者可以据此了解大模型接入系统级功能后的数据边界。
苹果公司宣布 Apple 智能（Apple Intelligence）将于 12 月随 iOS 27.3 在国内上线首批核心功能，并于 11 月 4 日面向 iPhone 18 Pro 等机型开放测试。
Why it matters: 明确了Apple智能在华落地的合作方为阿里千问以及具体覆盖的系统级入口，为国内用户评估本地化AI体验提供了参考。
苹果宣布首批 Apple 智能功能即将在中国推出，并在 Siri、写作工具和视觉智能等体验中接入阿里千问，覆盖文本与图像理解能力。该批功能将于 11 月 4 日随 iOS 开发者 Beta 版开放测试，12 月随 iOS 27.3 正式推出，支持实时翻译、写作改写与校对、照片消除和通知摘要等场景。本次更新不包含 Siri AI 以及苹果在 WWDC 2026 宣布的其他下一代功能。
Why it matters: 原文明确了苹果智能国行版通过接入千问落地的具体调用场景和测试时间表，读者可据此评估国内生态的适配进展。
智元在创新日上发布了面向作业智能的具身基座模型 GO-3 Preview 和全模态交互大模型 WITA-OMNI，并提出用于衡量机器人有效智能工时的单位 Worken。
Why it matters: 智元同时推出了面向作业与交互的双模型及配套软硬件，展示了具身智能从基座算法到规模化部署的完整落地路径。
SoMark 团队开源了 1.3B 参数的端到端文档解析模型 OXR，在 OmniDocBench、olmOCR-Bench 和 DocParsingBench 三项基准测试中均取得第一。
Why it matters: 模型展示了通过递归自我改进训练小参数端到端解析复杂文档的路径，为降低下游检索增强生成的解析成本提供了参考。
NVIDIA 推出开源 MoE 混合 Mamba-Transformer 模型 Nemotron 3.5 Super 与 Lightning，专为推理、长上下文理解和 Agent 工作负载设计。
Why it matters: 模型通过混合 Mamba 与 Transformer 的 MoE 架构降低激活参数，为智能体长上下文推理与高吞吐部署提供了架构参考。
Mistral AI 正式开放原生多模态模型 Mistral Large 4 权重，总参数 1T、激活参数 49B，基于 3,800 块 NVIDIA Grace Blackwell GPU 训练。
Why it matters: 原文给出了万亿参数原生多模态模型的评测表现与API定价，读者可据此评估其在编程场景下的性价比与商用授权边界。
AWS 介绍了在 Amazon EKS、EKS Auto Mode 和 SageMaker HyperPod EKS 上部署开源多模态模型 NVIDIA Nemotron 3.5 Super VL 的参考架构与评测方法。
Why it matters: 原文提供了在容器集群上部署与解耦评测混合架构模型的完整配置，可供大模型推理平台工程团队参考。
Mistral Large 4（代号 Le Chonk）已在 Hugging Face 上线，该多模态 MoE 模型总参数约 1T、激活参数 49B，支持 1M tokens 上下文窗口与图文输入。
Why it matters: 原文给出了稀疏架构与安全测试细节，读者可以据此了解其在代码漏洞修复与多框架部署中的配置方案。
vLLM 正式推出对 Mistral Large 4 的首日支持，适配其稀疏 MLA、跨层 KV 共享与内置 DSpark 投机解码架构。官方在 Model Runner V2 上通过上下文并行优化使长文本首字延迟降低最多 1.6 倍，并同步支持 NVIDIA Blackwell NVFP4、AMD MI350 系列与 TPU v7x 多平台部署。
Why it matters: 原文完整拆解了对稀疏MLA与跨层KV共享的工程实现，为超大MoE模型在异构硬件上的长上下文推理提供了落地参考。
Google 的 Gemini 4 Carbon 在 Artificial Analysis Intelligence Index v5 中以 59 分登顶，并在代码智能体榜单中仅次于 Claude Opus 5.5。
Why it matters: 评测全面对比了该模型在综合推理、代码智能体及知识任务中的表现与任务成本，为评估前沿大模型的性价比提供了量化参考。
XREAL 在 Google Android 开发者峰会上正式推出搭载 Android XR 操作系统的分体式 XR 眼镜 XREAL AURA，首发限时价 1099 美元起。
Why it matters: 材料详述了分体式架构在算力与重量间的取舍方案，读者可以据此评估多模态大模型在轻量化空间计算终端上的实际落地路径。
Meta 推出实时化身生成技术 Muse Realtime Avatar，可将任意静态图像转化为具备面部、手势与全身动作的实时交互式数字人。该模型与 Muse Realtime Voice 共享语音 token 流实现音画同步，通过自强制与分布匹配蒸馏将推理评估从 120 次压缩至 2 次，实现 60 倍计算量精简。
Why it matters: 原文给出了将120次评估压缩至2步的因果扩散蒸馏架构与端到端低延迟部署方案，展示了交互式视频生成的工程落地路径。
Google DeepMind 正式发布新一代通用世界模型 Genie 4，支持通过自然语言实时改变场景并原生生成环境音与角色即兴对话。该模型将单次连贯世界维持时间提升至约 2 分钟且画面稳定在约 24 帧/秒，采用结合 Gemini 3.8 Flash 与 Gemini 4 Argon 的混合架构以实现长程逻辑控场和具身动作规划。
Why it matters: 原文展现了混合架构结合大模型进行多步规划的具体机制，读者可以借此了解世界模型在具身智能仿真训练中的落地路径。
谷歌 DeepMind 推出最新世界模型 Genie 4 并开放研究预览，用户可在模拟运行中输入提示词实时修改场景并生成同步音频。该模型最长可维持两分钟连贯场景，支持实时调整天气、镜头与新增物体，并与 Gemini 协同用于机器人仿真实验及影视原型构思。目前该模型已面向可信测试者开放，后续数周内将逐步推向谷歌 AI Ultra 订阅用户及 Gemini API 合作方。
Why it matters: Genie 4 将世界模型推向实时交互与音视频同步生成，结合 Gemini 协同调度的机制展现了在机器人仿真与影视制作中的落地路径。
Google DeepMind 正式发布新一代世界模型 Genie 4，单次交互模拟时长延长至 120 秒，并首次支持原生音频生成与物理规律模拟。模型结合 Gemini 的任务分解与规划能力，允许用户在生成过程中通过输入提示词实时改变场景、添加物体并与虚拟角色对话。
Why it matters: 该模型将世界模拟时长延至两分钟并支持原生音频交互，结合语言模型规划为机器人仿真训练提供了关键参考。
Ollama 发布 v0.40.12 版本，正式支持 Liquid AI 的 LFM3 系列以及 2B 尺寸的 d1 决策模型。LFM3 包含 1.7B 文本、视觉、语音及全模态版本，具备 256K 上下文窗口，首发支持 Apple 硬件平台且后续将适配 Linux 与 Windows。
Why it matters: 该版本补充了本地端侧轻量多模态与决策模型的运行支持，适合关注本地智能体部署的开发者参考升级。
GPT-6.1 Terra 模型已在 Microsoft Foundry 正式可用（GA）。该模型支持开发者构建具备视觉能力的 AI 智能体。