World Labs 的多模态世界模型 Marble 正式向所有人开放
World Labs 宣布其多模态世界模型 Marble 正式全面开放，此前两个月仅向小范围 beta 用户开放。
#多模态
#多模态
今日 2 条World Labs：官网AI 评分6969 World Labs：官网AI 评分6868 World Labs 发布 World API，可从文本、图像和视频生成可探索 3D 世界
World Labs 发布 World API，这是其多模态世界模型 Marble 的公开接口，可将文本、单张图像、多图、360° 全景和视频生成为可导航的 3D 世界。
World Labs：官网AI 评分6161 World Labs 撰文提出世界模型功能分类：渲染器、模拟器与规划器
World Labs 团队发文将当前各类 world models 按功能分为三类：渲染器输出像素、模拟器输出状态、规划器输出动作，认为三者是对同一感知-动作循环的不同投影。
Baseten Base Labs：模型研究AI 评分2929 Kimi K3
月之暗面（Moonshot AI）的 Kimi K3 模型以 moonshotai/Kimi-K3 标识出现在一份 API 响应示例中，该响应返回了 chat.completion 对象。示例显示其 usage 包含 189 个 prompt_tokens、82 个 completion_tokens，其中多模态图像 token 为 96。
Baseten Base Labs：模型研究AI 评分6161 DeepSeek 发布 V4 家族首个实验性多模态模型 DeepSeek-V4-Flash-Vision-Exp
DeepSeek-V4-Flash-Vision-Exp 是 DeepSeek V4 家族首个实验性多模态模型，在 DeepSeek-V4-Flash 架构上加入视觉模块并继续训练以获得视觉理解能力。
Baseten Base Labs：模型研究AI 评分5454 Baseten 上线 NVIDIA Cosmos 3 Nano (8B)，支持六种生成与动作模式
NVIDIA Cosmos 3 Nano (8B) 世界基础模型现可通过 Baseten 在单张 H100 上部署，提供六种 omni 模式：text2image、text2video（默认模式）、image2video、forward/inverse dynamics 和 policy。
Baseten Base Labs：模型研究AI 评分5858 MOSS Transcribe Diarize 0.9B 语音转写与说话人分离模型上线
MOSS-Transcribe-Diarize 0.9B 是一个端到端音频模型，可在单次推理中完成语音转写、说话人标注和时间戳，把多人长录音整理成结构化的"谁说了什么"。
World Labs：官网精选AI 评分7676 World Labs 宣布加入 AMD，李飞飞将出任 AMD 执行副总裁兼首席科学家
World Labs 宣布已签署最终协议加入 AMD，交易预计在 2026 年底前完成，尚需监管批准。双方自去年起在 AMD GPU 上的模型训练与推理优化方面开展技术合作。
推荐理由：收购方与被收购方核心人事和交易时间都由当事方直接说明，读者可以据此了解 World Labs 并入 AMD 后的研究安排。
World Labs：官网AI 评分6969 World Labs 发布下一代世界模型 Atlas
World Labs 发布下一代世界模型 Atlas，一个从零预训练的全能模型，可原生处理文本、图像、视频和 3D。
World Labs：官网AI 评分2929 World Labs 发布 Marble Labs：Marble 3D 世界生成案例与教程平台
World Labs 上线 Marble Labs，汇集 Marble 在影视 VFX、虚拟制片、游戏、AR/VR 等场景的项目案例与构建教程。
Suno：Blog（网页）AI 评分5858 Suno Studio 2.0 发布：新增 MIDI、Chat 与自动化功能
Suno 发布 Studio 2.0，为浏览器端 DAW 带来 MIDI 导入录制与编辑、wavetable 合成器、Chat（beta）、高级 stem 分离、音频效果与自定义插件以及自动化功能。MIDI 片段还可作为音频生成的提示词，Premier 订阅者可无限导出 32-bit/48kHz 多轨与 stems。
Suno：Blog（网页）精选AI 评分7070 Suno 发布 v6 音乐模型，推出 v6、v6-wild、v6-mini 三款模型
Suno 发布新一代音乐模型 v6，与 Warner Music Group、BMG 和 Believe 等行业伙伴合作开发，官方称其更快、更具表现力且质量更高。
推荐理由：原文给出 v6 三个模型分工、具体编辑控制能力和与 Warner Music Group 等的合作背景，读者可据此评估其创作工作流的变化。
Microsoft AI：官方博客（网页）AI 评分3030 Microsoft Signal 博客汇总：MAI-Code-1.1-Flash、CARE-X 与开源智能体框架 Orchard
微软推出 MAI-Code-1.1-Flash 模型，已用于 GitHub Copilot，在命令行编码和 .NET 开发任务上表现提升，用更少 token 完成任务且成本低于 6 月版本。微软还发布开源智能体框架 Orchard，为训练和评估能写代码、浏览网页的 AI 智能体提供可复用环境。此外，微软研究模型 CARE-X 可将多项放射学任务整合，在胸部 X 光任务和真实患者数据上表现良好。
MiniMax：Blog（网页）AI 评分2424 MiniMax 与 Agora 在 Anime Japan 周合办东京峰会，推动 AI 角色迈向企业级产品
MiniMax 与 Agora 在 Anime Japan 周期间于东京合办了一场面向企业的闭门峰会，聚焦将 AI 角色从概念演示推进为可部署的企业级产品。Agora 展示了实时交互的超低延迟基础设施，MiniMax 则展示了其模型层能力，包括情感丰富的 TTS、多模态生成与细腻的角色表达。
MiniMax：Blog（网页）AI 评分2121 MiniMax 在哈佛 HXR 2026 展示多模态 AI 产品套件
MiniMax 在哈佛大学 HXR 2026 大会上展示了覆盖文本、语音、视频和音乐的多模态 AI 模型套件，可将 XR 开发中分散的工具整合为单一 API 平台。其模型可应用于医疗手术训练、旅游虚拟导览、神经科学数据三维可视化及语音驱动交互培训等场景。Gibran Mourani 代表 MiniMax 演讲，并担任该会议首届路演竞赛的 14 位评委之一。
MiniMax：Blog（网页）AI 评分3030 MiniMax 在 WaytoAGI 全球 AI 大会分享多模态智能体与模型栈
MiniMax 在 WaytoAGI 东京全球 AI 大会上介绍了其多模态智能体与人类-AI 协作思路：Talkie、MiniMax Agent、Hailuo AI 及音频音乐平台共用同一自研模型栈，并通过开放 API 向外部伙伴开放同等能力。
MiniMax：Blog（网页）精选AI 评分7171 MiniMax 开源 H3 通用视频生成模型，支持 2K 分辨率与原生立体声音频
MiniMax 正式开源下一代通用视频模型 MiniMax H3，支持文本、图像、视频、音频的多模态统一理解，可生成最长 15 秒、768p（经 H3-Regenerate-2K 可达 2K）、24 FPS 并带 32 kHz 立体声音频的视频。
推荐理由：官方开源公告给出了完整的三模块系统结构、模型规格和本地部署方式，读者可以据此评估在自己的视频生成流程中如何接入。
Meta AI：Blog（网页）精选AI 评分8080 Meta Superintelligence Labs 发布 Muse Spark 多模态推理模型
Meta Superintelligence Labs 发布 Muse 系列首个模型 Muse Spark，为原生多模态推理模型，支持工具使用、视觉思维链和多智能体编排，已在 meta.ai 和 Meta AI 应用上线，并向部分用户开放私有 API 预览。
推荐理由：官方披露了预训练效率、RL 与测试时推理三条扩展路径的具体结果，以及 Apollo Research 关于评估意识的独立发现，可据此了解其技术栈现状。
Meta AI：Blog（网页）AI 评分6161 Meta AI 发布 Brain2Qwerty v2：非侵入式脑信号实时解码句子，词准确率达 61%
Meta AI 推出 Brain2Qwerty v2，可从非侵入式脑记录（MEG）实时解码完整句子，词准确率 61%，远高于其他非侵入式方法的 8%，最佳参与者达 78%。
Meta AI：Blog（网页）AI 评分5050 Meta 的 SAM 3 与 DINOv3 支撑 Genesis Mission 首批 SYNAPS-I 科学成像项目
Meta 介绍其开源模型 Segment Anything Model 3（SAM 3）和 DINOv3 成为由能源部 Genesis Mission 旗下 SYNAPS-I 项目分割管线的核心。
Meta AI：Blog（网页）AI 评分7171 Meta Superintelligence Labs 发布 Muse Spark 1.1 多模态推理模型并开放 Meta Model API 公测
Meta Superintelligence Labs 发布 Muse Spark 1.1，一个面向智能体任务的多模态推理模型，在工具与计算机使用、编码和多模态理解上较 Muse Spark 有明显提升，支持 100 万 token 上下文管理和多智能体编排。
Liquid AI 模型与工程博客（网页）AI 评分6363 Liquid AI 发布 LFM2.5-VL-3B 视觉语言模型
Liquid AI 发布 LFM2.5-VL-3B 视觉语言模型，已上架 Hugging Face。相比 LFM2-VL-3B，屏幕理解、函数调用、grounding 和多图输入显著提升，ScreenSpot-v2 达 80.7，ToolSandbox 从 26.4 升至 59.5，RefCOCO 从 57.1 升至 87.9。
Liquid AI 模型与工程博客（网页）AI 评分5858 Liquid AI 发布 LFM2.5-VL-3B 的 DSpark 视觉草稿模型，解码吞吐最高提升 3.13 倍
Liquid AI 发布面向视觉语言模型 LFM2.5-VL-3B 的实验性 DSpark 草稿模型，以约 280M 参数（增加 8.9% 内存占用）换取更快解码，GPU 解码吞吐最高提升 2.66 倍、边缘设备最高 3.13 倍，端到端分别最高 2.27 倍和 2.62 倍。
Baseten Base Labs：模型研究AI 评分7474 DeepSeek-V4.1-Flash 发布：552B 多模态 MoE 模型，支持 1M token 上下文
DeepSeek 发布 DeepSeek-V4.1-Flash，一个 552B 参数的多模态 MoE 模型，prefill 激活 8B、解码激活 16B，支持 1M token 上下文，采用 Causal Encoder-Decoder 架构与 Compressed Sparse Attention 2。
Goodfire Research（网页）AI 评分3636 Goodfire 推出 Silico：面向机器人与视觉模型的物理 AI 研究工具
Goodfire Research 发布 Silico，一款用于机器人与视觉基础模型的物理 AI 研究工具，可在生成任何一帧前直接从潜空间验证模型是否学到真实物理结构。
Goodfire Research（网页）AI 评分3737 Goodfire 推出 Silico for Life Sciences：面向生命科学的模型可解释性工具
Goodfire 发布 Silico for Life Sciences，可追踪模型内部可解释特征，验证预测依赖真实生物结构还是数据集伪相关，并从模型内部直接挖掘生物标志物与机制假设。该工具已用于 Mayo Clinic 合作项目，对 ClinVar 全部 420 万个变异给出可解释预测，其中 83.9 万个变异实现 SOTA 致病性预测，并开源可解释预测数据库。
CMU：Machine Learning BlogAI 评分4444 CMU 研究：如何让 AI 智能体预判人类何时想介入
CMU 团队提出 CowCorpus 数据集，包含 400 段真实人机协作网页会话和 4200+ 交错动作，用于训练智能体预测人类介入时机。基于该数据将介入预测建模为逐步二分类任务，用大型多模态模型监督微调，并聚类出 Takeover、Hands-on、Hands-off、Collaborative 四类用户交互模式。
CMU：Machine Learning BlogAI 评分2828 CMU 在 ICLR 2026：194 篇论文概览
CMU 研究团队将在 ICLR 2026 展示 194 篇论文，会议于 4 月 23 日至 27 日在巴西里约热内卢 Riocentro 会议中心举行。论文涵盖应用、计算机视觉、深度学习、优化、强化学习、社会影响与理论等方向，其中 EditBench、UALM、Agent Data Protocol、MotionStream、OpenThoughts 等被列为 Oral 论文。
CMU：Machine Learning BlogAI 评分5454 CMU 团队发布 CHAI 视频描述管线，用 100+ 专业创作者的批判式人机协作提升视频语言监督
CMU 研究者发布 CHAI，一个基于批判式人机监督的视频描述管线，与 100+ 专业视频创作者合作一年构建，对应 CVPR 2026 论文（Highlight，Top 3%）。
Black Forest Labs：Blog（网页）精选AI 评分6363 Black Forest Labs 发布 FLUX 3 多模态基础模型，并与 mimic 合作推出机器人视频动作模型 FLUX-mimic
Black Forest Labs 发布早期版本 FLUX 3 多模态基础模型，联合训练图像、视频与音频，视频预测占训练算力超 95%。FLUX 3 骨干可解码动作预测，加入动作模态后视频质量先降最多 10%，3500 步后恢复原有水平。
推荐理由：官方给出训练细节与工厂实测数据，说明同一多模态骨干如何同时支持内容生成与机器人动作控制。
Black Forest Labs：Blog（网页）精选AI 评分7171 Black Forest Labs 发布多模态基础模型 FLUX 3 并开放 Early Access
Black Forest Labs 发布多模态基础模型 FLUX 3，基于 Self-Flow 方法在统一架构内联合学习图像、视频和音频，现已开放 Early Access。
推荐理由：原文给出 FLUX 3 的多模态架构、早期对比评测数字和分阶段开放计划，读者可据此评估其对创作与具身场景的适用性。
Black Forest Labs：Blog（网页）精选AI 评分6666 Black Forest Labs 发布 FLUX 3 Video，文生视频与图生视频正式开放
Black Forest Labs 宣布 FLUX 3 Video 初版正式开放，可通过 BFL API 和部分合作伙伴使用。模型支持最长 20 秒、HD（720p）与 Full HD（1080p，经上采样）的视频生成，并伴随生成原生音频；能力包括文生视频、图生视频与关键帧、视频续接（最多 4 秒）、单次生成多镜头、多语言对白与唇形同步、Draft Mode 低成本预览等。
推荐理由：原文给出具体生成时长、分辨率、多语言与评测结果，读者可据此判断 FLUX 3 Video 在视频生成工作流中的可用性。
Black Forest Labs：Blog（网页）AI 评分1515 Black Forest Labs 研究：自监督流匹配与 FLUX.2 潜空间分析
Black Forest Labs 发布多项生成式 AI 与视觉智能研究，包括面向图像、视频和音频生成的模态无关自监督流匹配框架，以及对比 SD-VAE、RAE、FLUX.1 和 FLUX.2 等扩散模型自编码器表示的研究。此外还介绍了 FLUX.1 Kontext，一个在潜空间中进行上下文图像生成与编辑的统一模型，实现了快速且业界领先的效果。
Anthropic：The Institute（旗舰研究长文 · 网页）精选AI 评分7676 Anthropic 将 Claude Design 整合进 Claude 对话与 Claude Code
Anthropic 宣布 Claude Design 现可在任意 Claude 对话中使用，包括 Claude Code 和 Artifacts 标签页，Claude Tag 支持即将推出。
推荐理由：原文给出可用范围、连接器和设计系统管理等具体变化，读者可据此判断它对设计到交付流程的影响。
AWS Machine Learning BlogAI 评分4141 Condé Nast 如何用 Amazon Bedrock 构建多模态视频检索
Condé Nast 与 AWS 生成式 AI 创新中心合作，基于 Amazon Bedrock 和 Amazon OpenSearch Service 构建多模态视频检索方案，将单次内容检索耗时从 250 分钟降至 2 分钟以内。
NVIDIA Technical Blog（开发者技术博客 · RSS）AI 评分3030 NVIDIA VSS Blueprint 3.3 发布：降低视觉 AI 智能体构建与运行成本
NVIDIA 发布 Metropolis Blueprint for Video Search and Summarization（VSS）3.3，用于降低视觉 AI 智能体的构建与运行成本。该蓝图及其智能体技能将视频接入、流处理、事件检测、检索、摘要与报告整合为可维护的系统，让视觉语言模型在生产规模下理解视频。
Apple：Newsroom（RSS）AI 评分3434 Apple Creator Studio 将迎来新更新
Apple Creator Studio 将推出全新模板、端到端电影级视频功能及多项提效特性。Freeform 新增自动适配深色模式、文件夹分组协作，Writing Tools 借助 Apple Intelligence 可改写、校对和摘要手写笔记，并支持通过 Shortcuts 自动添加内容。
Google Blog：AI（RSS）AI 评分2828 Google Arts & Culture Lab 驻地项目：Xin Liu 与 Eunjo Lee 用 Google AI 工具创作新作
Xin Liu 与 Eunjo Lee 在 LAS Art Foundation 与 Google Arts & Culture Lab 合作的线上艺术家驻地项目中，用 Google AI 工具创作了《nom nom》和《In Your Eyes, Before My Own》两件作品，探索哲学、心理学与 AI。
Microsoft Research 博客（RSS）精选AI 评分6666 微软研究院推出面向生物学复杂性的 AI 研究系统 Quine
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。该系统与 Broad Institute 合作用于胰腺导管腺癌研究，预测并排序数千种化合物以推动肿瘤细胞状态转变，最高排名化合物在湿实验中产生了最大的预期转变，从缩小化合物搜索空间到选出候选验证仅用一个周末。
推荐理由：微软研究院公开 Quine 的多模态世界模型与实验闭环设计，读者可了解 AI 参与生物实验设计与验证的具体路径。
ModelScope@ModelScope2022AI 评分4444