Hugging Face 发布 Workflow1111，用 gr.Workflow 在单个画布上以 73 个节点重建了 AUTOMATIC1111 的 11 条媒体管线，涵盖文生图、hi-resolution fix、图生图、VLM 反推提示词、检测生成 inpaint 蒙版、ControlNet 风格 annotator、背景去除、PNG Info 和图生视频。
推荐理由：官方用 Gradio Workflow 在单个画布上复刻了 AUTOMATIC1111 的主要功能，读者可以对照它了解节点式工作流与 ComfyUI 的差异。
MiniMax M3 在 AMD Instinct MI355X 上的 vLLM 服务性能大幅提升：SemiAnalysis InferenceX 基准显示，并发 32 时 MXFP8 标准服务从 109.1 升至 342.4 output tokens/s/GPU（3.14×），中位 TTFT 从 1.46 秒降至 0.67 秒。
NVIDIA 技术博客解析了 Encode-Prefill-Decode（EPD）分离架构这一多模态模型推理优化技术，它将视觉编码器阶段与 prefill、decode 阶段分离。该方案对图像密集提示词、中短输出和量化 MoE 模型最有效，配合 NVIDIA Dynamo 可实现最高 5 倍加速。
Google DeepMind@GoogleDeepMindAI 评分3131
Apple 宣布为 Apple Watch 和 iPhone 推出升级的健康与健身体验。Apple Watch Series 12 和 Apple Watch Ultra 4 引入新 Health Sensing System。
推荐理由：官方新闻稿列出新健康传感系统、Longevity 标签页和在家运动评估等功能的设备要求，可帮助读者判断升级与自家设备的关联。
SiliconFlow@SiliconFlowAIAI 评分6262Google Research 与 HHMI Janelia 及剑桥等机构合作，在 Cell 发表论文，发布完整雄性果蝇脑与中枢神经系统连接组图谱，包含超过 166,000 个神经元和 1.25 亿个突触连接，是迄今按神经元数量计最大的脑图谱。
推荐理由：读者可了解 AI 重建如何把电子显微镜切片拼成完整脑图谱，以及这一资源对神经科学研究的用途。
Google DeepMind@GoogleDeepMindAI 评分4040WeatherNext 3 是我们在全球天气预报方式上的一项重大突破。⛅ 该模型与 @GoogleResearch 联合开发，直接从真实世界的实时观测中学习，从而更快地给出更本地化、高度准确的预测。🧵
H Company 发布 NeoMME 系列多语言多模态编码器，提供 260M 和 800M 两种规格，用单个双向 Transformer 处理文本和 32×32 图像 patch，以 masked discrete-diffusion 目标从零预训练，不依赖预训练视觉塔或因果语言模型。
Google 提出 MAPL-EMIT 深度学习框架，基于 EMIT 高光谱辐射数据自动检测、预测增强并定位全球甲烷羽流，在专家标注羽流上召回率达 84%。该模型采用 Swin-S 视觉 Transformer，同时完成增强量化、羽流分割与源定位三项任务，训练数据为注入真实 EMIT 场景的 360 万个合成甲烷羽流。
Google DeepMind 推出 agentic video understanding，覆盖 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite，通过智能体循环动态调用原生视频工具按需检索画面、音频和字幕，而非固定帧率静态处理。
推荐理由：原文给出了具体降本增效数字、适用模型和接入方式，开发者可据此评估是否切换视频分析流程。
上海人工智能实验室 InternLM 团队发布 InternLumina-U2，一个面向全视觉理解、图像生成与编辑的多码本扩散大语言模型。该模型将扩散生成能力与语言建模统一在同一框架内，可同时处理视觉理解与图像生成、编辑任务。
微软研究院联合华盛顿大学和 Providence 发布 GigaPath-Flash 与 GigaTIME-Flash，两者均以 Apache 2.0 许可在 Hugging Face 开放权重。
Hugging Face 与 Voice Arena 合作，在 Open ASR Leaderboard 引入 Monsoon en-IN 和 Monsoon hi-IN 两套评测集，其中印地语是该多语言榜单首个印度语言。
Google 在 Earth AI 之下推出实验性研究能力行星预测引擎（PPE），从自然语言查询出发自主完成数据发现、特征工程、模型训练与评估的全流程。
Google DeepMind 发布 Gemini Omni 1.1 Flash，通过 Gemini API 和 Google AI Studio 面向开发者提供新的创意控制与生成式视频能力。
推荐理由：原文来自官方，列出了各能力具体参数、速度和价格差异，开发者可据此评估是否接入自己的视频工作流。
Saining Xie@sainingxieAI 评分4343🚀 What if video generators could build on representations that already understand the visual world? We are excited to introduce V-RAE: Rethinking Video Latent Spaces for Generation. Recent progress in image generation has begun to move beyond conventional VAE latents, exploring both direct pixel-space and representation-based approaches. Video generation, however, still depends heavily on latent compression, as the scale and redundancy of spatiotemporal data make direct modeling prohibitively expensive. However, most video VAEs are optimized for pixel reconstruction, and a latent space that reconstructs well is not necessarily easy to generate. V-RAE takes a different approach: it directly uses representations from frozen vision foundation models as the generative latent space, rather than as auxiliary supervision. We study DINOv3, SigLIP2, EUPE, and V-JEPA 2.1. A lightweight temporal attention pooling module compresses their dense features by 4×, followed by a spatiotemporal Transformer decoder. Under matched generation backbones, latent budgets, and training settings, V-RAE achieves: 🏆 2.13 rFVD on Kinetics-600 🎬 117.86 gFVD on UCF101 and 19.16 gFVD on Kinetics-600 ⚡ Up to 6× faster convergence than VAE-based latent spaces 🧠 90.92% semantic probing accuracy on UCF101 🌍 Better future prediction on Cityscapes, reducing gFVD from 144.47 to 111.36 Our experiments also reveal a broader finding: Good Reconstruction ≠ Good Generation. During generation, predicted latents inevitably deviate from real encoding trajectories. If the latent space is not sufficiently smooth, small errors can be amplified into visible artifacts. We therefore introduce tFVD to evaluate temporal smoothness and robustness to latent prediction errors. It correlates much more strongly with downstream generation quality, reaching 0.919 on Kinetics-600. The takeaway: A latent space is not merely where videos are compressed—it determines what the generator must learn. When semantics and temporal structure are already organized in the representation, generation becomes easier to learn. Representation first. Generation follows. Many thanks to my mentors, @ScottNLP and @SQWu_Tori, for their continuous guidance and support. I am also deeply grateful to @sainingxie for his valuable guidance and invaluable feedback, which greatly helped shape V-RAE. 🙏 Hi @_akhaliq, we would truly appreciate your help in sharing V-RAE with the broader AI research community. Thank you! 🙏 📄 Paper: https://arxiv.org/abs/2608.13556 💻 Code: https://github.com/V-RAE/V-RAE 🤗 Models: https://huggingface.co/Guomh0707/V-RAE-Models 🌐 Project: https://v-rae.github.io #VideoGeneration #GenerativeAI #ComputerVision #WorldModels #RepresentationLearning #RAE
Google 发布 GlucoFM，一个采用双流设计的自监督基础模型，将血糖的缓慢基线趋势与短期波动分离，并保留时间与缺失信息。模型在 109,066 小时无标注 CGM 数据上预训练，覆盖 477 条受试者/记录，在 4 个队列、7 项临床任务共 14 组评估中平均 PR-AUC 比最强 GluFormer 变体高 5.8 个百分点。
Z.ai@Zai_org精选AI 评分7575智谱（Z.ai）发布 GLM-5.3-Flash，为原生多模态模型，拥有 1M-token 上下文窗口，参数规模 320B-A18B，以 MIT 许可开源权重。
推荐理由：官方公布了定价定位、1M 上下文、MIT 许可和国产芯片适配等关键细节，可帮助读者评估这款轻量模型的实际可用性。
Google 在 CHI 2026 发布研究原型 AgentHands，让 XR 中的 AI 智能体在说话时同步做出与语音对齐的手势，把抽象指令变成空间中的实体演示。
Google Research 提出 Mobility-Embedded POIs（ME-POIs）框架，将匿名化移动性数据与文本描述结合，为地点生成同时编码身份与动态功能的嵌入向量。
DeepSeek@deepseek_aiAI 评分6363Hugging Face 发布研究，用三类测试量化 ASR 模型的基准优化（benchmaxxing）现象，评估了 11 个开源模型。
推荐理由：研究用三类探针量化语音识别模型的基准优化行为，并给出模型选型与基准设计的具体建议。
VeRL-Omni v0.2.0 发布，通过 vLLM-Omni 的请求级批处理让 Qwen-Image FlowGRPO rollout 的 GPU 利用率从约 80% 升至约 100%，单次生成时间从 226s 降至 108s，减少 52%。
NVIDIA 发布技术博客，介绍如何用 NVIDIA FLARE 构建联邦多模态 AI 工作流，在数据无法集中到一处的情况下跨数据本地站点协调视觉语言模型（VLM）训练。VLM 可支持视觉问答、图像描述和图文推理等任务，而联邦学习为这类分布式数据场景提供了训练协调方案。
Google Research 推出研究性深度学习框架 PhotoScan，从标准 2D 手机照片估算体脂率（BF%）、A/G 比和 V/S 比三项三维体成分指标。
vLLM-Omni 团队发布 Distributed Layerwise Offload，让超过单卡 HBM 的视频生成模型（如 Cosmos3-Super 64B / 124 GB）可在多块 NPU 或 GPU 上运行。
AllenAI 的 OlmoEarth Studio 现已支持计算并导出 OlmoEarth 开源基础模型的 embedding 向量，源代码、模型权重和研究论文公开可查。
微软研究院推出 MindTopo 基准，从连续性、分离、顺序、包围、绳结五类拓扑关系评估多模态大模型的推理与规划能力。测试显示，模型在静态图像识别上表现明显优于交互式规划任务，失败多发生在规划阶段而非感知阶段，且整体远低于人类水平。图像与视频生成仅在单帧关系可见时偶有帮助，跨多步动作时难以维持拓扑约束。
Google DeepMind 发布大规模多语言手语转文本模型 SL2T，为 Gboard 和 Pixel 11 的 Live Transcribe 带来手语转文字听写，首先支持 ASL 转英语，后续将扩展更多语言和设备。
推荐理由：原文解释了手语翻译的两类核心难题和 SL2T 的技术取舍，并给出基准分数与隐私设计，读者可了解可用手语 AI 的实现路径。
Google Research 推出基于 Gemini 和 Project Astra 的 AMIE (Video)，可进行实时视频临床问诊，感知非语言视觉和听觉线索并引导虚拟体格检查。
推荐理由：原文给出三智能体架构和随机对照结果，读者可以据此了解实时视频问诊 AI 的设计思路与评估方法。
Microsoft Research 发布研究模型 CARE-X，一个统一胸部 X 光视觉语言模型，同时支持报告生成与结构化预测，并用强化学习（DAPO）在多任务设置下奖励临床正确性。
NVIDIA 发布 Magpie Multilingual TTS 开放权重模型（364M 参数），支持 12 种语言，新增现代标准阿拉伯语、韩语和巴西葡萄牙语，可在自有基础设施部署并微调。
Meta 发布 30B 参数多模态开源模型 Muse Glimmer，由 Muse 蒸馏而来，采用 Apache 2.0 许可，主打本地智能体用途如编码、文档分析和个人助理。
推荐理由：发布方提供了架构细节、完整基准对比和多种部署路径，读者可以据此评估它在本地智能体场景的适配性。
Mistral 发布 Shieldstral，一个 3B 开源权重多模态安全分类器，将内容审核建模为策略自适应的问答任务，在推理时接受自然语言策略，无需重训即可适配文本与图像审核。它以 Apache 2.0 协议开放权重，在文本安全上匹敌最大 7 倍于其体积的开放审核模型，可在单张 16GB NVIDIA GPU 上运行，并输出经校准的连续安全分数。
推荐理由：原文说明了将审核策略写成自然语言问题即可在推理时切换的机制，读者可据此评估它替代固定分类审核模型的可行性。
Thinking Machines@thinkymachines精选AI 评分6969推荐理由：原文给出参数规模、权重开放和在 Tinker 上微调与对话的入口，读者可评估其部署与使用路径。
Google DeepMind 发布 Gemini Robotics ER 2，面向机器人的具身推理模型，支持视频理解、任务进度跟踪、工具编排与多机器人协作，并可将执行交给下层 VLA 模型。
推荐理由：官方发布给出进度分类、moment finding 等具体数字和公开 API 入口，读者可以据此评估其机器人编排与视频理解能力。
Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和 3.5 Flash Cyber 三款模型，面向大规模 AI agent 构建。
推荐理由：官方发布三款 Gemini Flash 模型，给出具体价格、token 效率与多项基准对比，读者可据此评估 agent 工作流的成本与选型。
DharmaOCR 在葡萄牙语专用基准上以 0.925 分领先 Mistral OCR4 的 0.798 和 Unlimited-OCR 的 0.7587。该模型经葡萄牙语监督微调与 DPO 两阶段训练，将全部参数集中于巴西葡萄牙语，从而在提取质量与稳定性上保持优势。
