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。
多模态
全部主题文本之外的能力：视觉理解、图文混合、音视频输入输出的模型与产品进展。
最新精选
第 61–74 条 · 共 74 条Thinking Machines Lab：官方博客（RSS）精选AI 评分7070
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。
Ethan Mollick：One Useful Thing（RSS）精选AI 评分7676 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。
推荐理由：作者以一手实测展示 GPT-5.5 在编码、图像生成和完整研究流程上的进步，同时指出长篇写作等短板仍在。
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。
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。
Google Research精选AI 评分6161 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。
推荐理由：原文给出方法细节与验证准确率，读者可以据此了解用 LLM 把新闻转成灾害历史数据的可行路径。
Mistral AI：News（网页）精选AI 评分8080 Mistral 发布 Mistral 3 系列：含 Mistral Large 3 与 Ministral 3 小模型，全部 Apache 2.0 开源
Mistral 发布新一代模型系列 Mistral 3，包括 Mistral Large 3（41B 激活、675B 总参数的 MoE 模型）和 Ministral 3 的 3B、8B、14B 三种小模型，全部以 Apache 2.0 许可开源。
推荐理由：官方发布了完整模型规格、开源许可和部署路径，读者可以据此评估这批开源模型在自己的场景中是否可用。
通义 QwenAudio：原创语音项目精选AI 评分6868 阿里云 Qwen 团队发布全模态模型 Qwen3-Omni
阿里云 Qwen 团队发布端到端全模态大语言模型 Qwen3-Omni，可理解文本、音频、图像和视频，并能实时生成语音。项目链接：https://github.com/QwenLM/Qwen3-Omni
推荐理由：作者以官方身份说明 Qwen3-Omni 的模态覆盖和实时语音生成能力，可帮助读者判断其适用场景。
Mistral AI：News（网页）精选AI 评分7171 Mistral AI 发布首个推理模型 Magistral，含开源 24B 版本
Mistral AI 发布首个推理模型 Magistral，分为 Magistral Small（24B 参数，Apache 2.0 开源）和 Magistral Medium（企业版）两个版本。
推荐理由：官方发布同时给出开源小模型和 AIME 等基准分数，读者可以据此比较两个版本的能力与部署选择。
Mistral AI：News（网页）精选AI 评分6565 Mistral AI 发布 Mistral Medium 3，主打低成本与企业可部署性
Mistral AI 发布 Mistral Medium 3，定位为以约八倍更低的成本提供 SOTA 性能的新级别模型。
推荐理由：原文给出基准对比、定价和部署方式，读者可以据此评估它在企业场景里的性价比定位。
Mistral AI：News（网页）精选AI 评分6161 Mistral 发布 Mistral Small 3.1：24B 多模态开源模型，支持 128k 上下文
Mistral AI 发布 Mistral Small 3.1，改进文本性能、新增多模态理解，上下文窗口扩展至 128k tokens，推理速度达每秒 150 tokens，并以 Apache 2.0 许可开源。
推荐理由：官方给出基准对比与部署门槛，读者可以据此评估它在小参数量开源模型中的实际位置。
Mistral AI：News（网页）精选AI 评分6868 Mistral 发布 OCR API mistral-ocr-latest，主打复杂文档理解
Mistral 发布光学字符识别 API Mistral OCR（mistral-ocr-latest），可将图像和 PDF 提取为交错的文本与图像，定价 1000 页 / 美元，批量推理约翻倍。
推荐理由：官方给出完整基准对比、定价和多语言成绩，读者可以据此判断它在文档理解场景中的实际位置。
Sam Altman：Blog（RSS）精选AI 评分8787 Sam Altman 谈 GPT-4o 发布：免费提供最强模型并强调新语音模式体验
Sam Altman 发文点评 OpenAI 当日发布的 GPT-4o，强调两点：一是把世界最强模型免费开放给 ChatGPT 用户，无广告，未来靠其他付费项目支撑，希望让数十亿人用上优秀 AI 服务；二是新语音（和视频）模式是他用过最好的计算机界面，达到接近人类水平的响应时间和表达力，感觉像电影里的 AI。他提到未来将加入可选的个性化、访问用户信息和代为执行操作等能力。
推荐理由：作者作为当事方说明 GPT-4o 免费开放的初衷和新语音模式的使用感受，读者可了解 OpenAI 对这两点的官方表态。
Lilian Weng：Lil'Log（RSS）精选AI 评分6464 Lilian Weng 综述广义视觉语言模型（VLM）的四类实现路径
Lilian Weng 在 Lil'Log 发表长文综述视觉语言模型，把让预训练语言模型消费视觉信号的方法分为四类：图像与文本联合训练、学习图像嵌入作为冻结语言模型前缀、用交叉注意力融合视觉信息、以及不做任何训练地拼接模型。
推荐理由：原文系统梳理了让预训练语言模型处理视觉信号的四类方法，覆盖 VisualBERT、Flamingo、CoCa 等代表工作及其训练设计与数据集。