MIT 与 IBM 等提出 GIFT：让视觉语言模型自动把 2D 设计转成 CAD 程序
MIT 与 IBM 等机构的研究者提出 GIFT（Geometric Inference Feedback Tuning），可让视觉语言模型自动把 2D 设计图转成可执行的 CAD 程序，精度更高且仅需约 20% 的计算量。
#多模态
#多模态
今日 2 条MIT News（RSS）AI 评分3737 
Mira Murati@miramurati精选AI 评分7272引用Thinking Machines@thinkymachinesToday, we are introducing Inkling. Inkling reasons efficiently across text, image, and audio modalities. We are making the full weights available. https://thinkingmachines.ai/news/introducing-inkling/ Available today for fine-tuning on Tinker. Play with it in the Inkling Playground. 🧵
推荐理由：Thinking Machines 发布首个模型 Inkling，开放全部权重并支持 Tinker 微调，可关注其跨模态推理的落地方式。
Thinking Machines@thinkymachines精选AI 评分6767推荐理由：原文给出多模态能力、开放权重和两个可用入口，读者可以据此了解获取和试用方式。
Together AI 研究与产品博客（RSS）精选AI 评分7777 Together AI 首日上线 Thinking Machines Lab 新模型 Inkling
Thinking Machines Lab 发布多模态 MoE 模型 Inkling，Together AI 在发布当天通过 Serverless 提供托管推理，支持 1M 上下文窗口和 OpenAI 兼容 API。
推荐理由：原文给出 Inkling 的架构细节、参数规模和初步评测数据，读者可以据此判断其推理与多模态能力是否适合接入。
vLLM 官方博客（RSS）精选AI 评分8080 vLLM 实现 TML Inkling Day-0 支持：1T 参数多模态模型最高 380 tok/s/user
vLLM 宣布 Day-0 支持 Thinking Machines Lab 的 1T 参数多模态模型 TML Inkling，提供 thinkingmachines/Inkling-NVFP4 和 BF16 两个版本。
推荐理由：官方详解了 Day-0 支持背后的 sconv 缓存、TP 分片和 MTP 处理等优化，读者可迁移到类似新架构的推理部署。
Hugging Face：Blog（RSS）精选AI 评分8181 Thinking Machines 发布 1T 参数多模态开源模型 Inkling 及 Inkling-Small
Thinking Machines 在 Hugging Face 上发布开源多模态模型 Inkling，共 975B 总参数、41B 激活参数，支持 1M 上下文，原生接收图像、文本和音频输入，训练数据为 45 万亿 token，并同时发布 276B 总参数、12B 激活参数的 Inkling-Small。
推荐理由：文章给出了 Inkling 的架构细节、各档位 VRAM 需求和多条部署路径，便于读者评估在自己的硬件上运行哪种变体。
- Mira Murati@miramuratiAI 评分6161引用Mira Murati@miramurati
Thinking Machines Lab exists to empower humanity through advancing collaborative general intelligence. We're building multimodal AI that works with how you naturally interact with the world - through conversation, through sight, through the messy way we collaborate. We're excited that in the next couple months we’ll be able to share our first product, which will include a significant open source component and be useful for researchers and startups developing custom models. Soon, we’ll also share our best science to help the research community better understand frontier AI systems. To accelerate our progress, we’re happy to confirm that we’ve raised $2B led by a16z with participation from NVIDIA, Accel, ServiceNow, CISCO, AMD, Jane Street and more who share our mission. We’re always looking for extraordinary talent that learns by doing, turning research into useful things. We believe AI should serve as an extension of individual agency and, in the spirit of freedom, be distributed as widely and equitably as possible. We hope this vision resonates with those who share our commitment to advancing the field. If so, join us. https://thinkingmachines.paperform.co/
vLLM 官方博客（RSS）AI 评分4848 vLLM-Omni 如何服务多阶段 Qwen3-Omni：经验与教训
vLLM-Omni 将 Qwen3-Omni 拆成 Thinker、Talker、Code2Wav 三阶段流水线，并通过 OpenAI 兼容的 /v1/chat/completions 提供文本与语音生成。
Google DeepMind：Blog（RSS）精选AI 评分6868 Google DeepMind 发布 Nano Banana 2 Lite 并向开发者开放 Gemini Omni Flash
Google DeepMind 发布 Nano Banana 2 Lite（gemini-3.1-flash-lite-image），称其为 Nano Banana 家族中最快。
推荐理由：官方同时推出 Nano Banana 2 Lite 与 Gemini Omni Flash，给出了价格、延迟和限制等可核对的发布细节。
Mistral AI：News（网页）精选AI 评分6565 Mistral 发布 OCR 4：支持边界框、块分类和置信度分数
Mistral 发布 OCR 4 文档解析模型，除提取文本外返回边界框、块类型分类和逐词置信度分数，支持 170 种语言，可单容器自托管部署。
推荐理由：官方说明新模型的结构化输出能力、定价和基准局限，读者可据此判断它在文档解析流程中的适配场景。
Google ResearchAI 评分4141 Google Earth AI 如何用高分辨率深度学习框架绘制英国乡村树篱与林地
Google Research 发布矢量化数据集，将 Farmscapes 2020 的高分辨率栅格地图转化为可操作的树篱、石墙与林地清单，覆盖英国超 13 万平方公里。
上海人工智能实验室 InternLM：原创项目AI 评分3232 InternLM 发布 RNGBench：评估多模态大语言模型在可控非马尔可夫博弈中的表现
上海人工智能实验室 InternLM 项目开源 RNGBench，用于在可控非马尔可夫博弈中评估多模态大语言模型，相关论文已被 EMNLP 2026 收录。该基准聚焦"超越当前观测"的评测场景，官方实现已随项目公开。
Google ResearchAI 评分5353 Google Research 发布 AI 辅助皮肤病理解研究
Google Research 发布关于 AI 帮助用户理解皮肤状况的研究，包括本周发表于 JAMA Dermatology 的大规模定量研究和此前发表于 ACM CHI 的混合方法研究。
vLLM 官方博客（RSS）精选AI 评分7575 vLLM 发布 MiniMax M3 day-0 支持，覆盖 1M 上下文与多模态推理服务
vLLM 宣布对 MiniMax M3 家族的 day-0 支持，涵盖 MiniMaxAI/MiniMax-M3 与 MiniMax-M3-MXFP8 两个检查点，支持 1M token 上下文和图像、视频多模态输入。
推荐理由：vLLM 团队自己拆解了 day-0 支持背后的 MSA 内核、缓存和部署细节，读者可以按需套用其部署配方。
Google DeepMind：Blog（RSS）精选AI 评分7777 Google DeepMind 发布 Gemma 4 12B：无编码器统一多模态模型，可在 16GB 内存笔记本本地运行
Google DeepMind 发布 Gemma 4 12B，定位于在笔记本上本地运行的智能体多模态模型，性能接近其 26B MoE 模型而内存占用不到一半。
推荐理由：官方介绍了无编码器统一架构和 16GB 内存本机运行等细节，适合关注端侧多模态部署的开发者参考。
Google Research精选AI 评分7171 Google Research 发布 PHRM 系统用手机前置摄像头被动监测心率与静息心率
Google Research 在 Nature 发表 PHRM 研究系统，利用人脸解锁后的前置摄像头视频在日常用机时后台估计心率与每日静息心率。
推荐理由：这项研究覆盖近700名不同肤色的参与者并在真实生活场景验证，读者可以据此了解手机摄像头被动测心率的精度与局限。
Saining Xie@sainingxieAI 评分4242大脑如何从（可能不完整且有噪声的）视觉观察中构建并追踪世界的内部状态？ 我相信视觉状态追踪将成为未来几年视觉领域的重大挑战，我希望这个基准能成为一个有用的起点。enjoy！
引用Sihyun Yu@sihyun_yuCan MLLMs actually track what's happening in a video? Introducing VSTAT 🎯, our new benchmark for visual state tracking. The tasks are simple: count cups, read typed words, count page flips. Humans solve them easily. MLLMs don't. https://vision-x-nyu.github.io/vstat-site/ 🧵 [1/11]
vLLM 官方博客（RSS）AI 评分4848 vLLM-Omni 集成 Intel AutoRound 量化：W4A16 加速多模态推理
Intel 的 AutoRound 训练后量化算法已完整集成进 vLLM-Omni，支持 W4A16 量化并实现"一次量化、直接部署"流程。Qwen3-Omni-30B-A3B 的 checkpoint 从 66 GB 降至 25 GB，体积减少最多 62%，其 W4A16 版本在 OmniBench 上得分略优于 BF16 参考，文生图质量漂移仅约 1.3%。
Together AI 研究与产品博客（RSS）AI 评分5656 Together AI 解析 MiniMax M3 高效推理：1M 上下文与多模态的工程优化
Together AI 详细解析其为 MiniMax M3 做的生产级推理优化，M3 支持 1M token 上下文窗口、原生多模态和 MiniMax Sparse Attention（MSA）架构，MSA 使 prefill 提速超过 9x、decode 提速超过 15x。
上海人工智能实验室 InternLM：原创项目AI 评分3434 InternLM 发布 OVO-S-Bench：多模态 LLM 流式空间智能分层基准
上海人工智能实验室 InternLM 团队开源 OVO-S-Bench，一个面向多模态 LLM 流式空间智能的分层评测基准，论文已被 EMNLP 2026 接收为 Oral。该基准用于评估模型在流式输入下的空间理解能力，官方实现已同步放出。
- Saining Xie@sainingxieAI 评分4444引用Jihan Yang@jihanyang13
Camera pose matters for video understanding! Today's MLLMs excel at recognizing activities, but still struggle with the underlying space and ego/object dynamics in video. We trace this gap to a missing piece: camera pose. Introducing Cambrian-P: a multimodal LLM natively grounded in camera pose. (1/n)
- Saining Xie@sainingxieAI 评分4545引用Jaskirat Singh@1jaskiratsingh
In Oct last year, Representation Autoencoders provided an elegant solution to unified tokenization for understanding and generation. Today we make them a bit more simple. a bit more general. Result: >10x faster convergence, better reconstruction, better generation. And yes we test them on T2I and world models :) Introducing RAEv2
Google DeepMind：Blog（RSS）AI 评分5656 Google DeepMind 为 Project Genie 接入 Street View 并向 Google AI Ultra 订阅者开放
Google DeepMind 在 Project Genie 中推出 Street View grounding 能力，用户可通过地图图钉选择美国地点并叠加 Ocean World 等风格生成世界，底层技术为 Maps Imagery Grounding。
Google DeepMind：Blog（RSS）精选AI 评分8080 Google DeepMind 发布 Gemini Omni Flash，支持多模态输入生成与对话式编辑视频
Google DeepMind 发布 Gemini 家族首个模型 Gemini Omni Flash，可将图像、音频、视频和文本组合作为输入，生成高质量视频，并支持通过自然语言多轮编辑视频、保持角色和场景一致。
推荐理由：原文介绍了 Gemini Omni Flash 的多模态输入、对话式视频编辑能力和开放范围，读者可以判断它对视频创作流程的影响。
Google DeepMind：Blog（RSS）精选AI 评分6565 Google 扩展内容溯源工具：SynthID 验证进入 Search 与 Chrome，并推出 AI Content Detection API
Google 扩展内容透明与验证工具：Gemini 应用的 SynthID 图像、视频和音频验证已被使用 5000 万次，该能力今日扩展至 Search，未来几周进入 Chrome。
推荐理由：原文汇总了内容溯源验证工具在 Search、Gemini、Chrome、Pixel 与 Cloud 的具体落地范围和开放伙伴，读者可据此了解可用入口。
Google DeepMind：Blog（RSS）精选AI 评分8585 Google DeepMind 发布 Gemini 3.5，率先推出 3.5 Flash
Google DeepMind 发布 Gemini 3.5 模型系列，首发的 3.5 Flash 已在 Gemini 应用、Search AI Mode、Google Antigravity、Gemini API 和 Gemini Enterprise 上线。
推荐理由：官方发布稿给出了具体基准成绩、速度倍数和开放渠道，读者可以据此评估 3.5 Flash 在智能体和编码场景的可用性。
Together AI 研究与产品博客（RSS）AI 评分6262 Together AI 开源视频翻译工具 Violin，支持视频对话助手
Together AI 发布完全开源的视频翻译工具 Violin，基于 Together API 提供 Web 应用、CLI 和 Agent Skill 三种形态，代码以 MIT 协议开源。
Thinking Machines Lab：官方博客（RSS）精选AI 评分7070 Thinking Machines Lab 发布 TML-Interaction-Small 交互模型研究预览
Thinking Machines Lab 宣布 interaction models 研究预览，让模型原生处理实时音频、视频和文本交互，而非依赖外部 harness。
推荐理由：原文由当事团队给出架构设计、能力演示和基准数字，读者可以据此了解交互能力如何内置于模型本身。
上海人工智能实验室 InternLM：原创项目AI 评分3939 上海人工智能实验室 InternLM 推出 ETCHR：面向 MLLM 的推理感知图像编辑器
上海人工智能实验室 InternLM 项目发布 ETCHR，一个以问题为条件、具备推理感知能力的图像编辑器，定位为多模态大语言模型（MLLM）的解耦式视觉推理助手。该工具通过解耦设计为 MLLM 提供独立的视觉推理支持。
Google DeepMind：Blog（RSS）精选AI 评分6464 Google DeepMind 发布 AI co-clinician 医疗协作智能体研究
Google DeepMind 宣布 AI co-clinician 研究计划，探索在医生临床监督下辅助患者照护的 AI 智能体。在 98 个真实初级保健问题的盲评中，该系统在 97 例中零关键错误，优于两种医生广泛使用的 AI 系统；在 OpenFDA RxQA 开放式用药问答上超越其他前沿模型。
推荐理由：原文给出盲评与模拟问诊的测试结果和局限，读者可以了解医疗 AI 在辅助医生与患者场景中的实际表现边界。
Together AI 研究与产品博客（RSS）AI 评分5151 NVIDIA Nemotron 3 Nano Omni 上线 Together AI，开放权重支持多模态推理
NVIDIA Nemotron 3 Nano Omni 现已在 Together AI 平台可用，Together AI 提供首日（Day 0）接入与 Dedicated Inference 部署。
Google DeepMind：Blog（RSS）AI 评分5353 Google DeepMind 与韩国科学技术信息通信部达成合作，将设立首尔 AI Campus
Google DeepMind 宣布与韩国科学技术信息通信部（MSIT）建立新合作，属于其 National Partnerships for AI 计划的一部分。
蚂蚁 inclusionAI：GitHub 新仓库AI 评分2626 蚂蚁 inclusionAI 发布 LLaDA2.0-Uni：理解与生成世界
蚂蚁 inclusionAI 在 GitHub 新建仓库 LLaDA2.0-Uni，定位为"理解与生成世界"。该仓库目前仅公布名称与这一句定位描述，未披露参数规模、上下文长度、benchmark 分数或开源许可等具体信息。
Google DeepMind：Blog（RSS）AI 评分5858 Google DeepMind 发布 Gemini Robotics-ER 1.6，强化机器人具身推理
Google DeepMind 发布 Gemini Robotics-ER 1.6，相比 Gemini Robotics-ER 1.5 和 Gemini 3.0 Flash 提升了空间与物理推理能力，包括指向、计数、成功检测和多视角理解。
Google DeepMind：Blog（RSS）精选AI 评分6464 Google DeepMind 推出由 Gemini 驱动的 AI 指针交互
Google DeepMind 发布 AI 指针实验方案，让指针借助 Gemini 理解所指内容与用户意图，并提出保持流、看即说、用 this/that、像素变实体四条交互原则。用户已可在 Google AI Studio 和 Gemini in Chrome 中通过指向加语音操作网页，Googlebook 将推出 Magic Pointer。
推荐理由：原文给出 AI 指针的四条交互原则及其在 Chrome 和 Googlebook 中的落地入口，读者可据此理解指向加语音的新交互方式。
Google ResearchAI 评分5050 Google 推出 Vibe Coding XR：用 Gemini 和 XR Blocks 加速 AI + XR 原型开发
Google 发布 Vibe Coding XR 工作流，结合 Gemini 的长上下文推理与基于 WebXR、three.js、LiteRT.js 的 XR Blocks 框架，可将自然语言在 60 秒内转化为可运行的 Android XR 应用。
Google ResearchAI 评分4040 Google Research 推出 S2Vec：用自监督嵌入学习城市建成环境
Google Research 发布自监督框架 S2Vec，将道路、建筑、商业设施等建成环境特征栅格化为多层图像，再用掩码自编码（MAE）学习通用嵌入向量。在 US-wide 人口密度、收入中位数等社会经济预测的零样本地理外推任务中，S2Vec 通常是最佳单一模型，与图像嵌入做多模态融合后效果普遍优于任一单模态；但在树木覆盖、海拔等环境任务上仍需改进。
Together AI 研究与产品博客（RSS）AI 评分5555 Together AI 微调服务新增工具调用、推理与视觉模型支持，训练吞吐最高提升 6×
Together AI 扩展 Together Fine-Tuning，新增工具调用、推理和视觉语言模型（VLM）微调支持，训练栈升级后支持 100B+ 参数模型，吞吐最高提升 6×，数据集支持最大 100GB。
Google ResearchAI 评分4949 Google Research 在 The Check Up 展示医疗 AI 进展：从个性化健康到临床落地
Google Research 在 The Check Up 活动上公布多项医疗 AI 进展，包括与 Fitbit 合作研究的 Personal Health Agent（PHA），可整合数据科学家、领域专家与健康教练角色提供长期健康支持。
Mistral AI：News（网页）精选AI 评分7070 Mistral 发布开源模型 Mistral Small 4，统一推理、多模态与编码能力
Mistral 发布 Mistral Small 4，首个将 Magistral 的推理、Pixtral 的多模态和 Devstral 的智能体编码能力统一到单一模型的开源版本，采用 Apache 2.0 许可证。
推荐理由：官方发布文给出完整架构参数、性能对比和部署门槛，可以了解这款统一推理与多模态的开源模型是否适配自己的场景。