Google AgentHands：为 XR 空间智能体对话生成同步手势

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。

QwenLM 发布 Qwen-Drive-1.0：面向自动驾驶的视觉语言基础模型

QwenLM 推出 Qwen-Drive-1.0，作为面向自动驾驶的视觉语言基础模型迈出的第一步。该模型定位为自动驾驶领域的视觉语言基础模型，具体参数规模、benchmark 分数与开放方式尚未在原文中披露。

Google 研究：如何用移动性数据让语言模型更深入理解地点

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6363

DeepSeek 宣布实验性多模态模型 DeepSeek-V4-Flash-Vision-Exp 上线 DeepSeek API 平台，可通过 model='deepseek-v4-flash-vision-exp' 调用。

Hugging Face 研究量化语音识别中的基准优化现象

Hugging 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。

VeRL-Omni v0.2.0 发布：更快的扩散模型 RL 与稳定的全模态训练

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%。

用 NVIDIA FLARE 构建联邦多模态 AI 工作流

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。

VAST 创始人宋亚宸谈生成式 3D：从 Tripo AI 到世界模型 Project Eden

VAST 创始人兼 CEO 宋亚宸在播客中讲述其从商汤、MiniMax 到创办 VAST 的路径，公司核心 3D 创作产品 Tripo AI 可从文字或图片生成 3D 模型。

Google AI Developers@googleaidevsAI 评分3131

从一句提示词到完整动画视差落地页。🤯 看看 Gemini 3.7 Flash 结合 Nano Banana 和 Omni，如何一次性构建交互式网站。底层上，3.7 Flash 调用合适的工具来生成文案、图像参考，并渲染可用于视差的 Omni 视频。

Google AI Developers@googleaidevsAI 评分2626

用 Nano Banana 和 Gemini Omni 把网络变成交互式视觉百科。🌐✨ 我们在 @Antigravity 中用 Gemini 3.7 Flash 构建了一个 Chrome 扩展，让你在浏览时高亮任意文本，即可快速生成丰富的视觉化定义，助力深度学习。 查看演示 ↓

Google AI Developers@googleaidevsAI 评分3131

我们向 Gemini 3.7 Flash 输入了一本维多利亚时期植物插画书中的数百份 PDF，让它用现代 APG IV 分类系统提取并分类这些历史植物。🌳 💻 看看它如何在 @Antigravity 构建的交互式可视化中将自己的理解生动呈现：

Google Research 发布 PhotoScan：用智能手机照片估算体成分并预测胰岛素抵抗

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 推出分布式逐层卸载，可在多卡上高效运行 200B+ 级 DiT 模型

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。

OlmoEarth Studio 推出自定义 embedding 导出用于下游分析

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。

MindTopo 揭示多模态大模型的空间推理能力短板

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 发布手语转文本模型 SL2T，落地 Gboard 与 Live Transcribe

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。

Google Research 发布 AMIE (Video) 实现专家级音视频临床问诊

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。

Microsoft Research 推出 CARE-X：面向临床放射学的统一胸部 X 光 VLM

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，支持 12 种语言

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 发布开源多模态模型 Muse Glimmer-30B，面向本地智能体场景

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。

Mistral 发布 3B 开源多模态安全分类器 Shieldstral，Apache 2.0 开放权重

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。

Andrej Karpathy@karpathyAI 评分5555

Andrej Karpathy 给 Opus 5 一段《魔戒》开篇、1M token 预算（约 $10）并要求用 three.js 渲染，模型耗时约 2 小时写出 5500 行代码程序化渲染故事，效果粗糙但可运行。他认为这类任务体现 LLM 从“没人会花时间做”到“几乎免费就能做”的变化，并指出 LLM 无法高效原生感知视频或玩游戏，只能靠反复截图自查，多模态与游戏交互能力仍然欠缺。

Thinking Machines@thinkymachines精选AI 评分6969

Thinking Machines 发布 Inkling-Small，以四分之一体积达到与 Inkling 相当的性能，总参数 276B、激活 12B，并开放完整权重。用户可在 Tinker 上微调，或在 Tinker Playground 进行文本、图像和音频对话。

Google DeepMind 发布 Gemini Robotics ER 2，强化视频理解、任务编排与多机器人协作

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。

QwenLM 发布 Qwen-MM-Plugins，让任意 agent harness 原生支持多模态

QwenLM 推出 Qwen-MM-Plugins，目标是让任意 agent harness 实现多模态原生支持。该插件项目来自通义 QwenAudio 相关原创语音项目方向，正文未披露具体模型版本、参数规模或可用方式。

Kimi.ai@Kimi_MoonshotAI 评分3434

Kimi 发布 PerceptionBench，一个将视觉感知拆解为原子能力来单独评测的基准。该基准从 42 个基准上的前沿模型失败案例中归纳出 10 项原子感知能力，构建了 3,000 道经核验的题目，每题只考察单一能力，仅靠"看"即可作答，无需推理或外部知识。

Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 与 3.5 Flash Cyber

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。

新模型来了，DharmaOCR 在巴西葡萄牙语 OCR 上仍领先 Mistral OCR4 与 Unlimited-OCR

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。

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。

Lilian Weng@lilianwengAI 评分7171

Thinking Machines 推出开放权重模型 Inkling，作者 Lilian Weng 称其定位为在广泛能力类别上表现扎实、便于实际使用和定制的基础模型。Inkling 可跨文本、图像和音频模态高效推理，完整权重已开放下载，今日起可在 Tinker 上微调，并在 Inkling Playground 中体验。

Mira Murati@miramurati精选AI 评分7272

Mira Murati 宣布 Thinking Machines 的首个模型 Inkling，从零训练且权重开放。Inkling 可跨文本、图像和音频模态高效推理，官方放出全部权重，今天起可在 Tinker 上微调，并可在 Inkling Playground 体验。

Thinking Machines@thinkymachines精选AI 评分6767

Thinking Machines 推出多模态模型 Inkling，可在文本、图像和音频模态间高效推理，并开放全部权重。模型即日起可在 Tinker 上微调，也可在 Inkling Playground 中试用，详情见 https://thinkingmachines.ai/news/introducing-inkling/。

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。

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。

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。

Mira Murati@miramuratiAI 评分6161

Mira Murati 发文回顾 Thinking Machines Lab 成立一周年，称公司聚焦多模态 AI、自定义模型和开放科学。她提到已预览了像人一样协作的交互模型，Tinker 让任何人都能训练自己的开放权重模型，并发布了关于 Connectionism 的研究。其引用内容补充称公司已完成 20 亿美元融资，由 a16z 领投，NVIDIA、Accel、ServiceNow、CISCO、AMD、Jane Street 等参投，并将在未来几个月分享首个包含重要开源组件的产品。

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 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。

OpenAI 发布 ChatGPT 鸟类识别项目 birdingpal

OpenAI 在 GitHub 新建仓库 birdingpal，这是一个由 ChatGPT 驱动的鸟类识别助手。该仓库目前仅有一句说明，称 BirdingPal 是用于识别鸟类的 ChatGPT 伙伴，未披露模型版本、参数规模或可用方式等细节。

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。