#多模态

Google 发布 EmbeddingGemma 2 多模态嵌入模型

Google 发布开源模型 EmbeddingGemma 2，可将文本、图像、视频、音频和代码转换为数值向量，参数量 7.4 亿。Google 称其在多模态嵌入基准上超过参数量两倍的竞品，在 Massive Text Embedding Benchmark (Code) 上得分 78.68，较前代 68.76 提升近 10 分。

Google 上线 SynthID 网站，可识别 AI 生成图像、视频与音频

Google 上线新网站，任何人都可以验证一段图像、视频或音频是否由 AI 生成。该工具此前在 Google I/O 上仅向部分记者、媒体从业者和研究人员开放测试，现已向所有人开放，支持 JPG、PNG、MP4、MOV、WAV、MP3 等图像、视频和音频格式。

OpenAI 向 ChatGPT 免费用户推送 GPT-6，并发布安全报告

OpenAI 宣布 GPT-6 开始向 ChatGPT 免费和 Go 用户推送，用 GPT-6 Luna 替换此前的 GPT-5.6 Luna，Plus、Pro 等付费用户则使用 GPT-6 Sol。

同一新闻，精选展示《OpenAI 在 ChatGPT 全球上线 GPT-6 与 Intelligent UI》

ChatGPT 上线 Intelligent UI，随 GPT-6 用图表和按钮作答

OpenAI 在 ChatGPT 中推出 Intelligent UI 功能，让回答结合图表、表单、可点按钮等交互式视觉内容，随 GPT-6 一同向所有用户推送。

同一新闻，精选展示《OpenAI 在 ChatGPT 全球上线 GPT-6 与 Intelligent UI》

OpenAI 发布 GPT-6，ChatGPT 输出改为可交互界面

OpenAI 面向所有 ChatGPT 用户推出 GPT-6，新增名为 Intelligent UI 的功能，回答以图形、按钮、图表和表单等交互界面呈现，格式会随问题自动调整，用户还能在对话内生成储蓄计算器、小游戏等小工具。

同一新闻，精选展示《OpenAI 在 ChatGPT 全球上线 GPT-6 与 Intelligent UI》

Anthropic 发布 Claude Haiku 5.5，价格较 Haiku 4.5 平均降约 75%

Anthropic 发布 Claude Haiku 5.5，这是其最快、最便宜的小模型，平均价格比 Haiku 4.5 低约 75%，10 万 token 以内的提示词最高降价 90%，超过 10 万 token 则贵 5 倍。

OpenAI 随 GPT-6 推出 Intelligent UI，ChatGPT 界面转向可视化交互

OpenAI 推出名为 Intelligent UI 的新界面，随 GPT-6 一同上线，在对话中大量加入可交互的图表、按钮、定制计算器和可编辑图形等视觉元素，目标是让学习复杂主题更容易。该功能面向 Pro、Plus、Business 和 Enterprise 用户全球推送，免费及低价 Go 用户周四可用，用户也可自行调低视觉内容的出现频率。

同一新闻，精选展示《OpenAI 在 ChatGPT 全球上线 GPT-6 与 Intelligent UI》

Google 向公众开放 SynthID 检测器，称已有 1800 亿图片和视频带水印

Google 将 SynthID Detector 面向公众开放，支持检测 Gemini、Veo、Lyria 等模型生成内容中嵌入的隐形水印，覆盖 JPG、PNG、MP4 和 MP3 格式。

Google 推出 Playground，用户仅凭文本输入即可创建并分享游戏

Google 推出 Playground，一个面向美国成年人的浏览器 AI 平台，用户仅凭文本输入就能创建游戏，无需编程。该平台由 Gemini、Nano Banana 和 Lyria 模型驱动，免费使用，Google One 订阅者按套餐获得更高的每周使用额度，成品可通过链接分享或发布到公开画廊，部分品类支持排行榜和多人模式。

Google 推出改进版 SynthID AI 内容检测器，面向全球开放

Google 宣布其 SynthID 检测器现已支持所有合作方的水印，并上线独立网站 SynthID.com 供任何人使用。SynthID 是编码在 AI 生成图像和视频像素、AI 音频波形中的隐形信号，Google 称仅 Gemini 就已为超过 1800 亿张图像和视频以及 24 万年时长的音频集成 SynthID。

全球AI集体"不说人话"：从Claude到GPT的Coding黑话现象与Gemini的例外

开发者吐槽Claude、GPT等模型在Coding场景下输出"15/15全绿""单腿哑火"等黑话，被指为省Token将思维链压缩成"穴居人语"，Token消耗量比白话文少70%。Opus 5.5语言能力有所回升，而Gemini因排版清晰、表达自然被网友称为"唯一还能沟通的AI"。

OpenAI 在 ChatGPT 全球上线 GPT-6 与 Intelligent UI

OpenAI 宣布 GPT-6 正在 ChatGPT 中面向全球上线，并同步推出 Intelligent UI。官方称其响应更快，提供可视化内容和可直接探索、使用的交互体验。

微软研究员 Jennifer Neville 谈 AI 的意外失败与评估边界

微软 partner research manager Jennifer Neville 在 Microsoft Research Podcast 中讨论了评估如何推动当前 AI 系统突破性能边界，以及模型在传统 benchmark 之外测试时出现的"意外失败"。她结合自身从数学、物理、认知科学到计算机科学的经历，分享了使用当前 AI 系统的实用建议，并强调当结果偏离预期时应仔细审视数据。

实测 MiniMax M3.1-Flash 前端能力，效果对标 Opus 5.5

智东西用动效视频、鸡尾酒动画和像素巫师三组任务实测 MiniMax M3.1-Flash，发现这款国庆前夕上线公测的 Flash 模型能完成复杂动效和交互页面，部分细节处理与 Claude Opus 5.5 相当。

华为 Mate90 系列发布：首发麒麟 9050 Pro 逻辑折叠芯片与鸿蒙 7，顶配 18999 元

华为发布 Mate90 系列旗舰手机，全系搭载麒麟 9030/9035/9050 Pro 芯片，首发第二代玲珑屏、第三代红枫原色影像和鸿蒙 7 系统。麒麟 9050 Pro 采用逻辑折叠架构，NPU 性能提升 140%，支持端侧运行 30B MoE 大模型。Mate90 起售价 5999 元，Pro Max 典藏版相机套装 19499 元，睿影 Z10 模块相机售价 5999 元。

谷歌发布 Gemini 4 Argon，性能比肩 GPT-6 Astra、成本仅 60%

谷歌发布新一代旗舰模型 Gemini 4 Argon，重点面向软件工程、法律与金融等企业知识工作及网络安全防御等长周期任务。该模型在 DeepSWE v1.1 取得 77.9%、LVBench 得分 91.7%，输出 Token 上限从 6.4 万提升至 100 万，API 初始价格为每百万输入 Token 2 美元、输出 Token 10 美元。

Google DeepMind 发布 Gemini 4 Argon 前沿模型

Google DeepMind 发布新前沿模型 Gemini 4 Argon，先通过 Fairwind Program 向受信任的网络安全防御者开放，随后逐步扩展至开发者、企业和消费者。

微软研究院用机器学习预测电网空间天气风险，覆盖美国 66,935 座变电站

微软研究院开发了一套端到端机器学习流水线，利用太阳风观测与 AE、Dst 指数预报，结合纬度、地质电导率等本地数据，为美国本土 66,935 座变电站生成 30-60 分钟前的空间天气风险估计。

微软研究院推出 Quine：面向生物学复杂性的 AI 研究系统

微软研究院推出 Quine，一个面向生物学复杂性的 AI 研究系统，由生物学多模态世界模型和连接模型、科学工具、文献与研究者的交互式 harness 两部分组成。

Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS

Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，前者面向角色设计与逐行表演导演，后者面向高并发、低成本的配音与语音智能体场景。

Google DeepMind 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking

Google DeepMind 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款实时对话模型，前者面向规模化与成本效率，后者面向高复杂度任务与多步推理。

微软发布 GigaPath-Flash 与 GigaTIME-Flash：高效病理基础模型迈向人群级发现

微软研究院推出 GigaPath-Flash 和 GigaTIME-Flash，以蒸馏自十亿参数 GigaPath 编码器的 22M 参数 ViT-S 骨干大幅降低病理分析算力需求，二者均以 Apache 2.0 许可开源。

vox-director：把一句话主题自动做成 Vox 风格拼贴解说视频的智能体技能

vox-director 是一个智能体技能，输入一句话主题即可自动生成 Vox 风格纸拼贴解说或广告视频，涵盖脚本、拼贴关键帧、动效、配音、音乐和字幕，最终输出 mp4。

nexu-io 开源 html-anything：本地智能体驱动的 HTML 编辑器

nexu-io 开源 html-anything，一个本地优先的智能体 HTML 编辑器，可自动检测 PATH 上已登录的 9 个编码智能体 CLI（Claude Code。

WorldX 开源：一句话生成可自主演化的 AI 世界

WorldX 是一个开源项目，用户输入一句话即可生成完整虚拟世界，其中的 AI 角色会自主决策、交互、建立关系并记忆过往经历。项目采用编排引擎、绘图模型、绘图审查和世界驱动四组模型配置，支持 OpenRouter、Google AI Studio 及混合搭配，并提供上帝模式、时间线系统和中英双语。项目当前处于 Alpha 阶段，需 Node.js 22.13+，采用 MIT 协议。

DramaClaw 开源 AI 短剧生产线，画布加流水线双轨运行

DramaClaw 发布源码可得的 AI 短剧生产线，由无限画布 XiaHua 与剧集流水线 XiaJi 两条轨道共用同一资产库和内置智能体 Xia Director。

remove-ai-watermarks 开源工具发布：清除图像与视频的 AI 水印和溯源标记

开源项目 remove-ai-watermarks 发布，可清除自己生成的图像和视频中的可见 AI 标记（如 Google Gemini 闪光水印、Sora、Veo、Seedance、豆包、Dola、海螺 AI、可灵 AI 等）、C2PA/EXIF/XMP/IPTC 等 AI 元数据，以及通过扩散重生成破坏不可见像素水印。

InkOS 2.0 发布：统一 pi-agent 生产 harness，网页版上线并入选 Kimi 开源合作伙伴

InkOS 发布 2.0 版本，把 Chat Agent 调工具与各类作品管线收敛为围绕 pi-agent 的统一生产 harness，模型负责理解与调用，InkOS 负责确认、上下文、状态与原子落盘。

Toonflow 开源 AI 短剧漫剧创作平台发布，集成无限画布与插件市场

Toonflow 是面向短剧、漫剧与短视频制作的开源 AI 创作平台，把剧本、角色、场景与视频片段整合进同一张无限画布。它支持桌面、Docker 与服务器本地部署，通过 MCP 连接外部工具，并提供插件市场、开放 Agent 与第三方 API 或本地 ComfyUI、LLM 接入，界面支持 21 种语言。

waooAI 推出 waoowaoo：面向图像与视频的 AI 创作工作台预览版

waooAI 发布 AI 图像与视频创作工作台 waoowaoo 预览版，支持在画布上通过右侧 Assistant 构思创意、上传参考素材并整理生成结果。

Lightricks 开源音视频生成模型 LTX-2.5 并发布完整推理流水线

Lightricks 在 GitHub 开源 LTX-2.5，称其为首个基于 DiT 的音视频基础模型，可在同一模型内实现音视频同步、高保真与多种性能模式。仓库提供 DistilledPipeline、DFRPipeline 等十余条流水线，覆盖文生视频、图生视频、音频生视频、重拍与配音等场景，模型权重约 66 GiB，需从 Hugging Face 下载。

Guardian：集成 GPT-4o、Claude、Gemini 的 AI 渗透测试自动化 CLI

Guardian 是一个 AI 驱动的渗透测试自动化框架，支持 OpenAI GPT-4o、Anthropic Claude、Google Gemini、OpenRouter、Requesty、Ollama 等 7 家 AI 提供商，并集成 50 款安全工具。