微软研究院发布生物学 AI 研究系统 Quine
微软研究院推出面向复杂生物学研究的 AI 系统 Quine，由生物多模态世界模型与交互式实验调度框架组成。在与 Broad 研究所合作的胰腺癌研究中，系统在一个周末内预测并筛选出能诱导肿瘤细胞状态转换的候选化合物，并在湿实验中完成验证。微软同步启动了 Quine Fellows 访问计划，并计划未来通过 Microsoft Discovery 等产品逐步扩大访问权限。
#多模态
#多模态
今日 2 条Microsoft ResearchAI 评分5858 AWS Machine Learning BlogAI 评分4646 在 SageMaker AI 上利用 vLLM-Omni 构建实时语音应用 – 第 1 部分
AWS 发布教程指导开发者利用 vLLM-Omni v1.5 深度学习容器（DLC），在 Amazon SageMaker AI 上部署 Qwen3-TTS 模型。该方案基于 HTTP/2 全双工 WebSocket 建立持久双向连接，实现输入文本流与 24 kHz PCM 音频块流的实时互传。部署还支持配置 ml.g6.xlarge 等机型的实例池，并提供配套 Gradio 交互示例。
AWS Machine Learning BlogAI 评分3434 在 Amazon SageMaker HyperPod 上用 SkyRL 加速多模态 RL 训练
在 Amazon SageMaker HyperPod 上使用开源 RL 框架 SkyRL，通过 GRPO 对 Qwen3-VL-8B 视觉语言模型做多模态 RL 后训练，在固定 64 个迷宫评测集上把解迷宫成功率从 43.75% 提升到 95% 以上。
Google Research精选AI 评分6464 Google 发布长视频连贯生成多智能体框架研究
Google Research 提出多智能体视频协导框架及系列研究，通过在 Gemini 与 Veo 之上构建编排层，实现多镜头叙事长视频的自动化与视觉连贯性生成。
推荐理由：研究将长视频生成解耦为多智能体规划、视觉记忆与闭环评测，为多镜头叙事中的角色与场景连贯性提供了可参考的系统化方案。
Google DeepMind精选AI 评分7474 Google DeepMind 推出 Gemini 3.8 Live 实时数字人功能 Live Avatar
Google DeepMind 推出 Gemini 3.8 Live 的 Live Avatar 功能，为原生实时对话模型提供低延迟的流式视频虚拟形象。该功能支持自然表情和精准唇形同步，可在 97 种语言间无缝切换，并支持在保持对话流畅的同时于后台异步调用工具执行复杂任务。输出内容均默认嵌入 SynthID 水印防伪，即日起在 Gemini Enterprise 开放可用。
推荐理由：原文展示了流式视频形象与后台异步工具调用的结合，读者可以据此评估实时数字人在企业端交互场景中的落地可行性。
Hugging Face BlogAI 评分4646 用 LFM2.5-VL-DSpark 加速视觉语言模型
Liquid AI 推出投机解码草稿模型 LFM2.5-VL-DSpark，专为 3B 视觉语言模型 LFM2.5-VL-3B 设计，仅增加约 280M 参数（8.9%）。
AWS Machine Learning BlogAI 评分4949 基于 AWS 构建智能体对话式视频智能方案
AWS 提出基于智能体架构的对话式视频智能方案，通过 Strands Agents SDK 编排 Amazon Bedrock、Amazon Rekognition 与 Amazon Transcribe，支持用自然语言直接查询视频内容。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS 语音生成模型
Google DeepMind 推出 Gemini 3.8 Flash TTS 与 Gemini 3.8 Flash-Lite TTS 两款语音生成模型，分别面向深度创意导演与大规模高性价比配音场景。
推荐理由：原文给出了两款语音模型的具体定位与提示词控制机制，读者可以据此评估长音频生成和双人剧本对话的落地精度与成本。
NVIDIA BlogAI 评分3737 在新加坡 AI 日上，NVIDIA 携手合作伙伴展示东南亚 AI 进展
在新加坡 AI 日上，NVIDIA 与合作伙伴展示了东南亚基于 Nemotron 等模型的 AI 落地成果。新加坡 HTX 采用 Nemotron 3 Super 与 Nemotron 3 Nano Omni 推进公共安全研究，泰国 iApp 基于 Nemotron 3 Nano 开源了 OpenThai 2.0 Legal。
Hugging Face Blog精选AI 评分6868 开源原生多模态编码器 NeoMME 发布
开源原生多模态与多语言编码器 NeoMME 正式发布，提供 260M 和 800M 两个尺寸版本。该模型摒弃了独立的预训练视觉 tower 与因果语言解码器，由单个双向 Transformer 统一处理文本 token 与图像 patch，在下游微调模型 NeoMME-Retriever 中单次前向即可同步输出稠密与后期交互嵌入。
推荐理由：原生单塔双向架构摆脱了生成式视觉语言模型的冗余计算，配合向量压缩技术为文档级视觉检索提供了低成本部署方案。
Google DeepMind精选AI 评分7373 Google DeepMind 为 Gemini 推出 agentic 视频理解功能
Google DeepMind 在 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 上线 agentic 视频理解，官方称可将视频分析的 token 消耗最多降低 88%、成本最多降低 66%，准确率最多提升 7%。
推荐理由：Google DeepMind 公布 agentic 视频理解在长视频上的 token 与成本变化，并给出 API 开启方式。
Google Research精选AI 评分6060 Google 推出行星预测引擎 PPE：实现地理空间预测模型端到端自动化构建
Google 推出实验性研究能力行星预测引擎（PPE），可通过自然语言输入端到端自主执行从数据检索、多模态特征工程到模型训练与评估的完整地理空间建模流程。该系统将传统需数周的人工数据工程缩短至数分钟，并在美国公共卫生指标、尼日利亚粮食安全降尺度以及刚果（金）埃博拉疫情预测等基准任务中均超过基线表现。
推荐理由：原文给出了基于多模态大模型自主编排地理空间建模的完整架构，展现了将数周人工特征工程压缩至分钟级的可行路径。
Google DeepMind精选AI 评分7676 Google DeepMind 发布 Gemini Omni 1.1 Flash，增强生成式视频控制与 4K 超分能力
Google DeepMind 推出 Gemini Omni 1.1 Flash，通过 Gemini API 与 Google AI Studio 为开发者提供更精细的生成式视频控制能力。
推荐理由：新版本引入了基于上下文的场景扩展与首尾帧控制，展示了开发者在长视频叙事与分辨率超分中的具体调用方式。
Google ResearchAI 评分4747 AgentHands：在 XR 中为空间定位智能体对话生成交互式手势
Google Research 推出研究原型 AgentHands，通过将大语言模型推理映射为 3D 物理动作，为 XR 环境中的 AI 智能体生成与语音同步的交互手势。系统结合轻量级物体注册、手势事件库与本地解析器，利用词级时间戳让虚拟手在空间中精准执行指示与动作模拟。该方案在兰花养护和 3D 打印机操作等场景中显著提升了空间交互指导的直观性。
Hugging Face Blog精选AI 评分6060 Sentence Transformers v6.0 新增 MultiVectorEncoder 支持 ColBERT 式晚交互检索
Sentence Transformers v6.0 新增第四种模型类型 MultiVectorEncoder，用于 ColBERT 式晚交互检索，可直接加载 PyLate、Stanford-NLP ColBERT 检查点以及 colpali-engine 的视觉文档检索模型，API 与已有的 dense、sparse、reranker 模型一致。
推荐理由：原文给出多向量检索的完整用法与召回代价对比，读者可据此判断何时该用晚交互模型替代单向量嵌入。
Hugging Face BlogAI 评分4848 OlmoEarth Studio 推出 OlmoEarth 嵌入向量自定义导出功能
OlmoEarth Studio 推出开源 OlmoEarth 基础模型的嵌入向量导出功能，支持生成 COG 格式的地球观测特征表示。用户可通过 UI 或 API 自定义区域，并选配 Nano（1.4M）、Tiny（6.2M）或 Base（89M 参数）编码器及 10 至 80 米分辨率。生成的 int8 向量可直接用于相似度检索与少样本分割等下游任务，相关源码与模型权重均已公开发布。
Microsoft ResearchAI 评分4747 MindTopo 揭示 VLM 的空间推理能力
新评测基准 MindTopo 评估了多模态模型在连通性、包围、顺序、分离及打结等维度的拓扑推理与规划能力。评测显示，现有开源与闭源模型在静态图像识别上的表现普遍明显优于交互式规划任务，但整体均远低于人类水平。模型在多步规划中往往会丢失结构关系或违反物理动态约束，难以随场景动态变化持续维持拓扑理解。
Google DeepMind精选AI 评分7070 Google DeepMind 推出手语转文本模型 SL2T
Google DeepMind 推出多语言手语转文本模型 SL2T，并在 Pixel 11 的 Gboard 与 Live Transcribe 中率先支持美式手语转英语输入。该模型使用覆盖 50 多种手语的超 100,000 小时数据联合训练，借助端侧 MediaPipe Holistic 提取身体姿态关键点坐标直接翻译为文本，在 FLEURS-ASL 基准测试中达到 70 BLEURT 分数。
推荐理由：该模型将端侧姿态坐标提取与云端序列翻译结合并绕过中间标注，为视觉多模态语言落地提供了具体方案。
Google Research精选AI 评分7474 Google 推出 AMIE (Video) 实时视频临床问诊系统
Google Research 与 Google DeepMind 推出基于 Gemini 与 Project Astra 的临床问诊系统 AMIE (Video)，支持在实时视频问诊中感知非语言线索并引导虚拟体检。
推荐理由：研究提出了拆分对话、规划与感知的异步多智能体架构，为高延迟深度推理与低延迟实时音视频交互的共存提供了参考方案。
Microsoft ResearchAI 评分4848 微软研究院发布放射学 VLM 研究模型 CARE-X
微软研究院推出胸部 X 光多模态研究模型 CARE-X，将自由文本生成与结构化预测相结合，以覆盖报告生成、病灶定位与管线分类等多项放射学判读任务。该模型采用强化学习 DAPO 优化临床正确性，支持生成式与辅助头双推理模式，并在印度 Narayana Health 的真实临床数据上完成了验证。
Hugging Face Blog精选AI 评分8484 Meta 发布开源多模态模型 Muse Glimmer
Meta 发布了 30B 参数的开源多模态模型 Muse Glimmer，采用 Apache 2.0 协议，专为端侧智能体用例与代码任务设计。该模型由 2B 视觉编码器和 28B 文本解码器构成，支持基于 DFlash 的推测解码技术以提升生成速度；Hugging Face、transformers、llama.cpp 和 vLLM 已同步提供全面部署支持。
推荐理由：该模型结合了轻量视觉编码与推测解码机制，为端侧多模态智能体部署与本地代码辅助提供了兼顾隐私与性能的参考方案。
Mistral AI精选AI 评分7070 Mistral AI 发布 3B 多模态安全分类模型 Shieldstral
Mistral AI 开源发布 3B 参数的多模态安全分类模型 Shieldstral，采用 Apache 2.0 协议。该模型将内容审核重构为自然语言问答任务，支持在推理时动态传入安全策略以统一评估文本与图像，无需针对新分类标准重新训练。模型可在单张 16GB GPU 上运行，单次前向传播即可输出校准的安全置信度分数，性能比肩或超过 7 倍于其体积的基准模型。
推荐理由：它将内容审核抽象为问答任务，支持在推理时直接用自然语言定义策略，为低成本构建自定义多模态防护栏提供了实用方案。
Google DeepMind精选AI 评分7676 Google DeepMind 发布具身推理模型 Gemini Robotics ER 2
Google DeepMind 正式推出具身推理模型 Gemini Robotics ER 2，作为机器人的高层大脑提供连续视频理解、多步任务编排与多机协作能力。
推荐理由：该模型将高层推理规划与底层动作执行解耦，并通过连续视频流追踪任务进度，展示了具身智能分层编排与落地的具体路径。
Google DeepMind精选AI 评分6565 Google DeepMind 在 Flow Music 中推出音乐生成模型 Lyria 3.5
Google DeepMind 宣布在 Google Flow Music 中上线最新音乐生成模型 Lyria 3.5，全面升级音乐性、歌词、人声表现和创作控制。新模型支持更复杂的旋律结构与发音更准、情感更自然的人声，同时增强了歌词生成的提示词遵循度，并允许用户直接调整输出的节奏与时长。
推荐理由：模型在旋律、歌词、人声以及节奏和时长控制上的升级，为创作者在音乐生成工具中微调成品提供了更细致的调节空间。
Google DeepMind精选AI 评分7676 Google DeepMind 发布 Gemini Robotics 2 机器人模型系列
Google DeepMind 发布机器人模型系列 Gemini Robotics 2，首次实现对人形机器人的全身运动控制、高灵巧度末端操作及多机器人协作。该系列包含负责视觉语言动作控制的 VLA 模型、负责长流程规划的具身推理模型 ER 2，以及适配新本体仅需数小时数据的端侧模型 On-Device 2。
推荐理由：该系列将控制范围扩展至人形机器人全身协调与灵巧操作，为具身智能从桌面任务迈向多机长周期协作提供了落地方案。
Hugging Face Blog精选AI 评分6666 NVIDIA 发布手术机器人实时生成式模拟模型 Cosmos-H-Dreams
NVIDIA 推出面向手术机器人的实时动作驱动生成式模拟器 Cosmos-H-Dreams，支持在单张 GPU 上实现闭环交互控制。该模型将 Cosmos-H-Surgical-Simulator 蒸馏为因果少步扩散学生模型，配合 FlashDreams 流式推理库在单张 NVIDIA RTX PRO 6000 上达到约 160 fps 的生成速度。
推荐理由：该系统将手术世界模型蒸馏为少步因果架构并结合流式推理，在单张工作站显卡上实现了百帧级交互与闭环控制。
Hugging Face BlogAI 评分3434 新模型迭出下专攻巴西葡语的 DharmaOCR 依然保持优势
专攻巴西葡萄牙语的 OCR 模型 DharmaOCR 在葡语基准测试中取得 0.925 分，大幅超越更新的 Mistral OCR4（0.798）与 Unlimited-OCR（0.7587）。该模型先通过监督微调将全部参数专门对齐巴西葡语的词汇与文档结构，再结合 DPO 抑制重复与不连贯输出，从而在复杂文档提取中实现了更高的稳定性和更低的退化率。
Hugging Face Blog精选AI 评分8080 Thinking Machines 推出开源全模态大模型 Inkling 与 Inkling-Small
Thinking Machines Lab 在 Hugging Face 上线开源全模态模型 Inkling 及小尺寸版本 Inkling-Small，原生支持文本、图像和音频输入并具备 1M 上下文窗口。
推荐理由：该模型给出了万亿参数原生全模态与长上下文的开源落地范式，读者可据此参考其混合注意力架构与量化部署成本。
Google Research精选AI 评分7070 Google 提出 SensorFM：面向可穿戴健康数据的传感器基础模型
Google Research 联合 Google DeepMind 推出可穿戴健康数据基础模型 SensorFM。该模型基于 500 万参与者超过 1 万亿分钟的未标注多模态传感器信号进行预训练，通过自适应掩码框架直接适应数据缺失，在心血管、代谢、睡眠和心理健康等 35 项任务中均展现出跨领域迁移能力。
推荐理由：作者利用自监督掩码学习打通了多源可穿戴传感器数据，为稀缺医疗标注场景下的生理特征建模提供了通用方案。
Mistral AI精选AI 评分6161 Mistral AI 发布具身导航模型 Robostral Navigate
Mistral AI 推出首个专用于具身导航的 8B 模型 Robostral Navigate，仅依赖单颗普通 RGB 摄像头即可根据自然语言指令引导机器人在复杂环境中自主移动。
推荐理由：该模型展示了仅凭单颗普通 RGB 摄像头在仿真数据与在线强化学习训练下实现高精度具身导航的可行路径。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 Nano Banana 2 Lite 与 Gemini Omni Flash
Google DeepMind 推出图像生成模型 Nano Banana 2 Lite 与视频生成编辑模型 Gemini Omni Flash，现已上线 Google AI Studio 与 Gemini API。
推荐理由：官方给出了高吞吐图像模型与多模态视频模型的延迟和定价，为构建轻量端到端多媒体流水线提供了参考。
Mistral AI精选AI 评分7171 Mistral AI 发布 Mistral OCR 4
Mistral AI 正式推出文档解析模型 Mistral OCR 4，支持输出文本边界框、文本块分类以及行布置信度分数。该模型覆盖 170 种语言，可在单个容器中自托管部署，并直接适配企业级搜索、RAG 和智能体工作流。
推荐理由：原文给出了边界框和置信度分数的具体输出形态，有助于评估文档解析接入检索与智能体管线的改造成本。
Google ResearchAI 评分2626 Google 研究：AI 如何帮助用户理解皮肤状况
Google 分享其在皮肤健康领域的 AI 研究，一项发表于 JAMA Dermatology 的大规模研究显示，2345 名参与者使用 AI 工具时尝试命名皮肤状况的比例超 62%（对照组 41%），命名准确率 23%，接近未使用 AI 对照组（8%）的三倍；"Wizard of Oz"组准确率为 36%。但标准 AI 组在判断下一步就医建议上未显示出统计学显著改善。
Google DeepMind精选AI 评分8181 Google DeepMind 发布 Gemini 3.5 Live Translate 实时语音翻译模型
Google DeepMind 发布音频模型 Gemini 3.5 Live Translate，支持 70 多种语言的近实时流式语音互译，并在生成中保留原发言者的语调、节奏和音高。
推荐理由：材料展示了流式语音互译的技术落地路径，读者可以参考其在跨语种会议与移动端传译中的产品集成方式。
Google DeepMind精选AI 评分8383 Google DeepMind 发布统一无编码器多模态模型 Gemma 4 12B
Google DeepMind 推出开源多模态模型 Gemma 4 12B，支持在配备 16GB 显存或统一内存的普通笔记本上本地运行多模态与智能体任务。该模型采用无编码器的统一架构，移除传统的独立视觉与音频编码器，将视觉和原始音频信号直接投影至大语言模型主干网络，性能接近其 26B MoE 模型。
推荐理由：模型采用无编码器的统一架构直接处理视觉与音频输入，使笔记本端在 16GB 内存下也能本地运行多模态推理与智能体工作流。
Mistral AIAI 评分5656 Mistral 推出物理 AI：面向工程加速的物理仿真基础模型
Mistral 宣布将 Emmi AI 团队并入，推出面向工业工程的物理 AI 能力。该模型从几何与边界条件直接预测完整物理场，单次前向推理在秒级完成，而非传统求解器的小时到数周，并可基于实时传感器数据构建数字孪生。
Google DeepMindAI 评分5959 Google DeepMind 为 Project Genie 加入 Street View 实景锚定能力
Google DeepMind 为实验原型 Project Genie 推出 Street View 实景锚定能力，用户可在美国境内选点并结合风格与角色描述生成世界，起始位置锚定真实街景影像；该能力基于 Maps Imagery Grounding。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Gemini Omni，首款模型 Gemini Omni Flash 上线
Google DeepMind 发布 Gemini Omni 模型家族，主打从任意输入生成内容，首款模型 Gemini Omni Flash 率先支持视频。Omni 可组合图像、音频、视频和文本输入生成视频，并支持用自然语言多轮对话编辑视频，同时生成画面基于 Gemini 的世界知识，对重力、动能和流体动力学有更好的直观理解。
推荐理由：Gemini Omni 把视频生成与多轮对话剪辑合到同一模型中，读者可了解其输入方式与首批上线渠道。
Google DeepMind精选AI 评分6767 Google 扩展 SynthID 与 C2PA 验证工具，上线 AI 内容检测 API 并深化跨生态溯源
Google 宣布在 Search、Gemini、Chrome、Pixel 及 Cloud 中扩展内容透明度与验证工具，深化 SynthID 水印和 C2PA 内容凭据的应用。
推荐理由：Google 将 SynthID 与 C2PA 凭据贯通至搜索、浏览器及硬件，并向企业开放检测 API，为跨平台构建生成式内容防伪体系提供了系统化方案。
Google DeepMind精选AI 评分8888 Google DeepMind 发布 Gemini 3.5 系列并上线 3.5 Flash
Google DeepMind 正式推出 Gemini 3.5 模型系列并上线首发版本 Gemini 3.5 Flash，主打长流程编码与复杂智能体任务执行。该模型在 MCP Atlas 达 83.6%、Terminal-Bench 2.1 达 76.2%，输出 token 速率达到其他前沿模型的 4 倍，系列旗舰 3.5 Pro 计划于下月推出。
推荐理由：模型在兼顾生成速率的同时强化了编码与多步智能体执行能力，可作为评估长流程任务端到端自动化成本的重要参考。