技术方向
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。
9 条精选近 30 天 8 条共收录 14 条
OpenAI 随 GPT-6 推出 ChatGPT 的 Intelligent UI，让对话加入可交互按钮、定制计算器、图表、可编辑图形和示意图。该功能可用于解释飞机机翼原理、展示食谱、规划徒步路线等，并支持用户调低视觉内容的比例。Intelligent UI 面向 Pro、Plus、Business 和 Enterprise 用户全球上线，免费版及低价 Go 用户于周四获得该功能。
推荐理由：文章具体展示了 Intelligent UI 如何把文本回答扩展为可交互图表、计算器和示意图，并说明了不同 ChatGPT 用户层级的上线安排。
Liquid AI 发布两款开放权重决策模型 d1-3B 和实验性的 d1-omni-600M，分别支持文本与图像、文本与图像或文本与音频输入。在七个公开数据集上，d1-3B 的平均分为 82.9，d1-omni-600M 为 78.4；d1-3B 在 Jetson AGX Thor 上单个问题延迟为 16 ms，在 Jetson Orin Nano 上为 50 ms。
推荐理由：文章将模型结构、公开数据集对比和端侧延迟放在一起，便于判断两款决策模型在质量、模态支持与设备部署之间的取舍。
Google DeepMind 发布 EmbeddingGemma 2，将文本、代码、图像、视频和音频映射到统一嵌入空间，面向端侧推理。
推荐理由：EmbeddingGemma 2 将文本、图像、音频和视频统一到共享嵌入空间，并公开端侧内存、上下文和向量压缩数据，便于判断其本地检索适用性。
Mistral AI 发布 Mistral Large 4 公开预览版，这是一个 1 trillion-parameter 原生多模态模型，含 52 billion active parameters。
推荐理由：原文同时给出模型规模、开放权重计划与多项基准结果，便于比较其在编码、智能体工作流和多模态任务上的定位。
Google 发布新模型 Gemini 4 Argon，面向软件工程、企业知识工作和网络安全防御等复杂长流程任务，当前先向 Fairwind Program 的可信网络防御者开放。
推荐理由：原文将 Gemini 4 Argon 的长程推理、企业工作流与网络安全能力放在同一发布框架中，并给出价格、评测成绩和分阶段开放计划。
Microsoft Research 推出 Quine，这是一个结合生物学多模态世界模型与交互式研究工具的实验性 AI 研究系统。研究团队在胰腺导管腺癌（PDAC）研究中用它筛选并排序数千种化合物，最高排名化合物在湿实验中产生了最大的预期细胞状态变化，整个流程在一个周末内完成。
推荐理由：Quine将生物学多模态世界模型与文献、科学工具和湿实验连接起来，并展示了在胰腺癌细胞状态研究中筛选化合物的路径。
Google DeepMind 在 Gemini Enterprise 推出 Gemini 3.8 Live with Live Avatar，为实时对话加入近实时视觉化身。
推荐理由：原文集中说明了 Live Avatar 如何结合近实时视频、语音和后台工具调用，并交代了 97 种语言、定制化身与 SynthID 水印等落地细节。
Google DeepMind 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking，分别面向规模化语音交互与高复杂度、多步骤推理任务。
推荐理由：原文同时给出两款模型的定位、语音交互能力、基准成绩与开发者和企业端入口，便于比较其适用场景。
Microsoft Research 发布 GigaPath-Flash 和 GigaTIME-Flash 两个开放权重病理基础模型，面向更高效的全切片分析和肿瘤微环境研究。
推荐理由：文章展示了 GigaPath-Flash 与 GigaTIME-Flash 如何以更低计算成本处理大规模病理数据，并给出模型结构、基准表现与资源估算。