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。

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 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 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。

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。

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。

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！

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 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。

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

📸cambrian系列最新作品：cambrian-p，p代表pose。 我认为pose可能是我们需要的、用于稳健视频多模态模型的最小充分3D信号（而且很容易获取！）——联合建模帧和pose，将图像序列转变为全局有根基的结构。

Saining Xie@sainingxieAI 评分4545

来看看 Jas 主导的 RAEv2。通过大量实验，我们发现了一些非常有趣的行为，说明为什么强大的表征编码器对像素解码器至关重要。 剧透：关键不在于爬 FID 的坡；像 ep@fid-k/fdr^k 这样的新指标表明，还有更多值得探索的空间！

FireRedTeam 发布 ReMatch：面向多模态检索的匹配增强表征方法

FireRedTeam 开源了论文《ReMatch: Boosting Representation through Matching for Multimodal Retrieval》的官方实现，该工作已被 CVPR 2026 收录。ReMatch 通过匹配机制增强多模态检索的表征能力。

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 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。

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。

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。

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。

Lilian Weng@lilianwengAI 评分3939

过去几个月，我们经历了许多乐趣（和压力😅），在训练运行日志中产出了 12 个版本（以及许多子版本）和 137 页内容。 事实证明，人与人之间的协作对于改善人机协作很重要。😊

Andrej Karpathy@karpathyAI 评分6565

Andrej Karpathy 分享技巧：在查询末尾要求 LLM "structure your response as HTML"，再用浏览器查看生成的文件，也可要求输出为幻灯片。他进一步提出，音频是人类偏好的输入而视觉是 AI 偏好的输出，输出形式将从文本、markdown 演进到 HTML，最终可能是扩散神经网络直接生成的交互式视频；输入端还缺少指向屏幕等交互方式。

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。

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 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。

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。

Fuli Luo@_LuoFuliAI 评分6565

小米 MiMo 团队开源两款模型：MiMo-V2.5-Pro（Code Agent，总参数 1T）和 MiMo-V2.5（多模态 Agent，总参数 310B）。采用 MIT 许可证，支持商用部署、继续训练和微调，两款模型均支持 1M token 上下文窗口；官方称 MiMo-V2.5-Pro 在开源模型中 GDPVal-AA 和 ClawEval 排名第一。开发者还可申请 100T 免费 token（http://100t.xiaomimimo.com），权重在 Hugging Face 提供。

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。

Ethan Mollick 实测 GPT-5.5：能力提升明显但前沿依然参差

Ethan Mollick 拿到 GPT-5.5 早期访问权并实测后认为它是一次明显进步。编码任务中只有 GPT-5.5 Pro 生成了真正演化的海港小镇模拟。

阿里开源 OSWorld：面向真实计算机环境的开放任务多模态智能体基准

阿里巴巴发布 OSWorld，一个用于评测多模态智能体在真实计算机环境中完成开放式任务的基准，论文入选 NeurIPS 2024。该仓库为贡献用 Fork，所有改动计划提交上游 PR。

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 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 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。

OpenBMB 发布 OmniEvalKit：全模态大模型评测框架

OpenBMB 推出 OmniEvalKit，一个面向全模态大语言模型的评测框架，聚焦音频与音视频理解。基于该框架可快速复现 benchmark、接入自有模型或数据集，并与其他开源模型进行公平对比，MiniCPM-o 即使用该框架完成评测。

美团 LongCat 开源 LongCat-Next 原生多模态模型

美团 LongCat 团队开源原生多模态模型 LongCat-Next，基于 LongCat-Flash-Lite MoE（A3B），在单一自回归框架内统一文本、视觉和音频处理，采用 DiNA 离散原生自回归范式，结合 SAE 与 RVQ 构建语义完整的离散视觉表示，并提出 dNaViT 视觉接口。

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 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 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 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 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。

Google 在 Flood Hub 上推出基于 AI 的城市山洪预报

Google 宣布在 Flood Hub 上推出城市山洪预报，可提前最多 24 小时预测城市山洪风险，属于 Google Earth AI 家族并支持 Crisis Resilience 工作。

Google 发布 Groundsource：用 Gemini 把新闻报道转为历史洪水数据

Google Research 推出 Groundsource，利用 Gemini 从 80 种语言的新闻报告中提取结构化历史洪水事件，建成覆盖 150 多个国家、2000 年至今的 260 万条记录的开源数据集。