Google DeepMind 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking 语音模型Chinese
Google DeepMind 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款近实时对话模型，主打面向企业与开发者的端到端语音智能体构建。
Why it matters: 两款模型展示了近实时语音交互与后台复杂推理并行执行的技术路径，为构建低延迟端到端语音智能体提供了参考基准。
Multimodal
All topics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。
Latest selected
181–200 of 221Google DeepMindSelectedAI score8282
阶跃 StepFun 公众号SelectedAI score7373 阶跃星辰发布 StepAudio 3 系列语音大模型Chinese
阶跃星辰正式发布 StepAudio 3 系列语音大模型，涵盖 Realtime、ASR、TTS、Gen 和 Music 五款模型并上线开放平台。
Why it matters: 原文给出了五款音频模型在实时交互与全链路生成上的评测表现，读者可以据此了解原生语音模型在复杂任务中的落地能力。
DeepSeek 公众号SelectedAI score8989 DeepSeek 正式发布 V4.1 Flash 原生多模态模型并开源Chinese
深度求索正式发布并开源 552B 参数的原生多模态模型 DeepSeek V4.1 Flash。该模型采用 Causal-Encoder-Decoder 非对称 MoE 结构，输入激活 8B、输出激活 16B，大幅减少了 KV Cache 对 HBM 和 SSD 的占用需求。
Why it matters: 原文公开了非对称 MoE 架构与大幅压缩 KV Cache 的技术细节，为开发者评估多模态与 Agent 任务落地成本提供了直接参考。
Hugging FaceSelectedAI score7171 Gradio 基于 Workflow 画布重构 AUTOMATIC1111 推出 Workflow1111Chinese
Hugging Face 团队基于 Gradio Workflow 画布推出 Workflow1111，通过 73 个节点和 11 条管线重构了 AUTOMATIC1111 的核心功能。
Why it matters: 展示了如何用可视化节点图复构复杂生图系统，且每个输出节点均可自动转为 REST 接口与 MCP 工具供智能体调用。
Hugging FaceSelectedAI score6868 NeoMME 原生多模态编码器发布：260M 与 800M 单塔架构开源Chinese
NeoMME 推出 260M 与 800M 原生多语言多模态编码器，采用单塔双向 Transformer 从头预训练，无需独立视觉塔或自回归解码器。微调版 NeoMME-Retriever 在单次前向传播中同时输出稠密与后期交互嵌入，在 ViDoRe v3 达到帕累托最优，并可在单张 NVIDIA L40S 上以每秒 51 页的速度编码 2048×2048 图像。
Why it matters: 原文开源了单塔架构的多模态原生编码器与检索微调权重，读者可参考其在视觉文档检索与索引压缩上的落地实践。
Google ResearchSelectedAI score6262 Google 联合 NASA JPL 推出 MAPL-EMIT：利用深度学习从太空监测全球甲烷排放Chinese
Google 联合 NASA JPL 提出基于 Swin-S Vision Transformer 的深度学习框架 MAPL-EMIT，用于自动化检测、量化并定位太空高光谱卫星数据中的甲烷羽流。
Why it matters: 研究展示了如何利用物理仿真训练视觉模型解析太空高光谱遥感数据，为大范围环境监测提供了自动化工具。
Google DeepMindSelectedAI score7979 Google DeepMind 为 Gemini 推出智能体视频理解功能Chinese
Google DeepMind 为 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 推出智能体视频理解（agentic video understanding）功能，可将 token 消耗降低最高 88%、成本降低最高 66%，并将准确率提升最高 7%。
Why it matters: 原文展示了模型通过主动调用工具按需动态分析视频的机制，为长视频处理的成本与精度优化提供了具体参考。
Google ResearchSelectedAI score6464 Google 提出行星预测引擎 PPE：基于 Earth AI 自动化全流程地理空间建模Chinese
Google Research 推出实验性系统“行星预测引擎”（PPE），可直接根据自然语言查询自主完成地理空间数据发现、清洗、特征工程、模型训练与评估的全流程。
Why it matters: 该研究通过大语言模型编排自动化全流程地理空间建模，将传统需数周的手工数据整理与特征工程压缩至数分钟。
Google DeepMindSelectedAI score7777 Google DeepMind 发布 Gemini Omni 1.1 Flash 视频生成模型Chinese
Google DeepMind 发布 Gemini Omni 1.1 Flash，为开发者提供更具控制力的视频生成套件并正式接入 Google AI Studio 的 Gemini API。
Why it matters: 材料详述了场景延展、首尾关键帧过渡与视频参考等控制特性，开发者可据此评估其在视频工作流中的落地可行性。
NVIDIA Developer BlogSelectedAI score7777 在 NVIDIA GB300 NVL72 上运行千问 Qwen3.8-Flash-Next 进行智能体编码Chinese
NVIDIA Developer Blog 介绍了在 NVIDIA GB300 NVL72 上运行阿里 Qwen3.8-Flash-Next 进行智能体编码的实践。
Why it matters: 文章解析了在 GB300 NVL72 上运行 Qwen4 预览版模型的架构参数与长上下文特性，为开发者构建智能体编码工作流提供了参考。
智谱 公众号SelectedAI score8585 智谱开源原生多模态模型 GLM-5.3-FlashChinese
智谱正式上线并开源 GLM-5 系列原生多模态模型 GLM-5.3-Flash（320B-A18B），在综合智能指数与编程评测中取得与 Claude Opus 4.8 相当的表现。
Why it matters: 该模型在综合评测中追平海外顶级旗舰，并通过混合注意力架构与国产芯片部署大幅压低了调用成本。
DeepSeek 公众号SelectedAI score8484 DeepSeek 上线 DeepSeek-V4-Flash-Vision-Exp 并开启多模态 API 服务Chinese
DeepSeek 实验性多模态模型 DeepSeek-V4-Flash-Vision-Exp 正式上线 API 平台，支持图文混合输入与各类 Agent 框架集成。
Why it matters: 原文给出了纯文本与多模态基准对比以及按 token 计费规则，开发者可以据此评估多模态智能体任务的接入成本。
Hugging FaceSelectedAI score8080 Sentence Transformers v6.0 支持多向量与延迟交互检索模型Chinese
Sentence Transformers 在 v6.0 更新中引入 MultiVectorEncoder，原生支持 ColBERT 风格的延迟交互（Late Interaction）检索模型。
Why it matters: 库更新统一了 ColBERT 与 ColPali 等延迟交互模型的接口，读者可据此在 RAG 中低成本接入多向量检索。
Google DeepMindSelectedAI score7373 Google DeepMind 推出手语转文本模型 SL2TChinese
Google DeepMind 推出多语种手语转文本模型 SL2T，并首次落地 Pixel 11 的 Gboard 输入法与 Live Transcribe，首发支持美国手语（ASL）转英语听写。
Why it matters: 该模型跳过传统手语标注直接将姿态骨骼坐标映射为文本，并落地手机输入法，展现了端云协同下多模态交互落地的具体路径。
Google ResearchSelectedAI score7575 Google 推出 AMIE (Video)：支持实时音视频临床问诊的医疗 AI 系统Chinese
Google Research 与 Google DeepMind 推出基于 Gemini 和 Project Astra 的医疗 AI 系统 AMIE (Video)，实现了专家级实时音视频临床问诊。
Why it matters: 研究通过解耦对话、规划与感知的异步多智能体架构，首次实现了音视频多模态下的实时医疗问诊与查体引导。
Hugging FaceSelectedAI score8484 Meta 开源多模态模型 Muse Glimmer 30B 并上线 Hugging FaceChinese
Meta 发布多模态模型 Muse Glimmer 并采用 Apache 2.0 协议开源，该模型参数量为 30B，包含 2B 视觉编码器与 28B 文本解码器，专为本地 Agent、隐私计算、编码和文档分析设计。
Why it matters: Meta 开源 30B 本地端多模态智能体模型并采用 Apache 2.0 协议，为开发者提供了兼顾隐私与本地部署的工具调用与编码模型选择。
Google DeepMindSelectedAI score8181 Google DeepMind 发布具身推理模型 Gemini Robotics ER 2，支持连续视频理解与多机协同Chinese
Google DeepMind 正式发布具身推理模型 Gemini Robotics ER 2，作为机器人的高层认知大脑，通过连续视频流理解实现任务编排与多机器人协同作业。
Why it matters: 该模型展示了将高层视频流推理与底层动作执行解耦的设计路径，对探索多智能体协作与复杂物理任务闭环具有参考价值。
Google DeepMindSelectedAI score6464 Google DeepMind 推出音乐生成模型 Lyria 3.5 并在 Google Flow Music 上线Chinese
Google DeepMind 推出最新音乐生成模型 Lyria 3.5，并正式在 Google Flow Music 中上线。新模型在旋律结构复杂度与自然度、歌词质量与结构感知、以及人声发音和情感表现力上均有提升。同时，它增强了创作控制能力，方便用户调整生成音频的节奏和时长。
Why it matters: 原文列举了旋律、歌词、人声表现力与节奏时长控制等维度的升级，读者可以据此评估 AI 音乐生成的可用性变化。
月之暗面 Kimi 公众号SelectedAI score9090 月之暗面发布 Kimi K3 模型权重与技术报告并开源三项训练 Infra 技术Chinese
月之暗面正式发布 Kimi K3 模型权重及技术报告，并同步开源支撑其训练的关键基础设施 MoonEP、FlashKDA 和 AgentEnv。Kimi K3 为拥有 2.8 万亿参数的 MoE 模型，支持原生视觉理解与 100 万 token 上下文窗口，每 token 从 896 个专家中激活 16 个。
Why it matters: 月之暗面不仅开放了长上下文与原生视觉模型权重，还配套开源了专家并行通信库与算子等训练基建。
月之暗面 Kimi 公众号SelectedAI score8888 月之暗面发布 Kimi K3：开放 2.8 万亿参数 MoE 模型权重、技术报告与训练 InfraChinese
月之暗面在 Kimi K3 开放日正式发布 Kimi K3 模型权重、技术报告，并开源支撑模型训练的关键 Infra 技术。Kimi K3 是拥有 2.8 万亿参数的 MoE 模型，具备原生视觉理解能力与 100 万 token 上下文窗口，支持自由下载部署。本次配套开源了专家并行通信库 MoonEP、高性能算子 FlashKDA 以及用于分布式强化学习的 AgentEnv 沙箱系统。
Why it matters: 月之暗面同步开放了万亿参数混合专家模型权重、技术报告及训练基础设施，有助于开发者了解其超长上下文与细粒度通信优化方案。