InternLM 发布 InternLumina-U2，一个 16B-A1B 的 MoE 统一多模态模型，用同一套骨干和离散 token 接口覆盖文本问答、文生图、图像理解与编辑、视频理解和 3D 理解。该模型基于 LLaDA-2.0 MoE 扩散语言模型，采用 AToken 的 8 码本全离散视觉表示，输入侧拼接各码本嵌入，输出侧以空间并行去噪加码本深度自回归预测。目前仓库只放出推理代码，昇腾训练权重已在 Hugging Face 提供，NVIDIA 权重、训练代码和技术报告将后续发布。
匹配字段摘要
World Labs 发布 RTFM（Real-Time Frame Model）研究预览，这是一个随交互实时生成视频的生成式世界模型，可用于探索生成的 3D 世界和真实场景，并已在浏览器中开放体验。RTFM 基于自回归扩散 Transformer，不依赖显式 3D 表示，而是把输入帧转为 KV cache 作为隐式世界表示，并通过带位姿帧的空间记忆和 context juggling 实现长时间交互下的持久性。官方称其仅用单张 H100 GPU 即可达到交互级帧率，并预期更大模型随推理预算提升继续改进。
匹配字段摘要
World Labs 宣布其多模态世界模型 Marble 即日起向所有人开放，此前仅面向少量 beta 用户。Marble 支持从文本、图像、视频或粗略 3D 布局生成 3D 世界，并可交互式编辑、扩展和组合，生成结果可导出为 Gaussian splats、网格或视频。同时推出 Marble Labs 创作社区，提供案例研究、教程和文档。
匹配字段摘要
Meta Superintelligence Labs 发布第二代模型家族 Muse Wonder（代号 Watermelon），距实验室成立约 14 个月。Artificial Analysis 的 Intelligence Index v4.3 中 Wonder Full（max）得 56、Wonder（max）得 52，高于 Muse Spark 1.3 的 48，Opus 5.5 以 58 领先；提升最大的是智能体能力，Terminal-Bench 4.0 从 33% 升至 57%。规格为 1M 上下文，输入支持文本、图像、视频和音频，输出仅文本，定价为每百万 token 输入 4 美元、缓存输入 0.20 美元、输出 20 美元。
匹配字段摘要
Thinking Machines Lab 发布开源权重模型 Inkling，这是一个 975B 总参数、41B 激活的 MoE Transformer，支持最高 1M token 上下文窗口，预训练数据为 45 万亿 token 的文本、图像、音频和视频。官方称 Inkling 并非当前最强模型，但具备多模态、可控思考算力和可在 Tinker 上微调等特点，适合作为定制底座，并同步预览了 12B 激活参数的 Inkling-Small。Inkling 已在 Tinker 上线，提供 64K 和 256K 上下文选项，权重发布在 Hugging Face。
匹配字段摘要
OpenAI 发布 Sora 2 系统卡，介绍这款新的视频与音频生成模型在物理准确性、真实感、同步音频、可控性和风格范围上的能力提升，将先通过 sora.com 和独立 iOS 应用提供，未来登陆 API。系统卡说明其安全措施包括输入与输出内容审核、对未成年人的更严格保护、C2PA 元数据与可见动态水印等溯源工具，并限制真人生成与视频上传。OpenAI 称已与外部红队测试新风险，并采取邀请制逐步开放。
匹配字段摘要
Meta Superintelligence Labs 发布第二代模型家族 Muse Wonder 与 Muse Wonder Full，前者定位快速前沿模型，后者为完整版本，Meta 称其面向个人与专业智能体工作。Artificial Analysis 的 Intelligence Index v4.3 中 Wonder Full 得 56 分、Wonder 得 52 分，高于 Muse Spark 1.3 的 48 分，Opus 5.5 以 58 分领先。规格为 1M 上下文，输入支持文本、图像、视频和音频，输出仅文本，定价为每百万 token 输入 4 美元、缓存输入 0.20 美元、输出 20 美元。
匹配字段摘要
Cloudflare 发布开源权重多模态决策模型 Clef-omni，可在一次调用中对文本、图像、音频和视频打分，基于 Qwen3-Omni-30B-A3B-Instruct 后训练，采用 30B 总参数、3B 激活参数的 MoE 结构，Apache-2.0 许可，定价每百万 token 0.15 美元。它在意图分类任务上领先，CLINC150+OOS 达 97.7 macro-F1，但在推理与工作流评测上落后于 Clef，GPQA Diamond 为 47.4，而 Jev 为 78.3。同批更新将 Clef-flash 价格降至 0.038 美元，并把托管 Clef 迁移到 SGLang，中位延迟从 262 ms 降至 152 ms。
匹配字段摘要
Thinking Machines Lab 发布从零训练的开源权重模型 Inkling，采用 MoE 架构，总参数 975B、激活 41B，支持最高 1M token 上下文窗口，预训练数据为 45 万亿 token 的文本、图像、音频和视频。该模型原生支持文本、图像和音频推理，并可通过可控思考力度平衡性能与 token 效率，今日起在 Tinker 上开放微调，完整权重已上传 Hugging Face。官方同时预览了 12B 激活参数的轻量版 Inkling-Small，称其在多项基准上接近或超过 Inkling，测试完成后将发布完整权重。
匹配字段摘要
SpaceXAI 推出 Grok Imagine 视频家族的低成本模型 Grok Imagine Video 1.5 Lite，支持 1 至 15 秒、480p/720p/1080p 的文生视频与图生视频。在 Artificial Analysis Video Arena 中，它在 AA-Video-T2V v2.0 和 AA-Video-T2V-Silent v2.0 两个榜单均列第 17 名，领先 Google 的 Veo 3.1，价格约为后者的三分之一。其 1080p 定价为每秒 0.14 美元（每分钟 8.40 美元），是 Grok Imagine Video 1.5 的 56%，720p 与 480p 分别降至每秒 0.03 和 0.02 美元；生成 10 秒 1080p 片段的中位耗时 60.5 秒，为同质量水平中最快，可通过 SpaceXAI API、fal 和 Vercel AI Gateway 使用。
匹配字段摘要
Odyssey 发布基础世界模型 Odyssey-3，称其在 Physics-IQ Verified 的视频到视频基准上取得 66.1 的最高报告分数，该基准覆盖流体动力学、光学、固体力学、磁学和热力学。Odyssey-3 可从提示词实时生成交互式环境，学习物理、动力学与因果关系的表征，并可用于适配控制机器人、人形机器人、汽车和无人机等物理 AI 场景。官方表示该模型现已免费开放体验。
匹配字段摘要
Odyssey 发布基础世界模型 Odyssey-3，可实时根据提示词生成交互式环境，并从视觉观测数据中学习物理、动力学与因果关系。其中 Odyssey-3 Pro 在 Physics-IQ Verified 的视频到视频基准上取得 66.1，为目前报告的最高分；该模型还可被适配用于控制机器人、人形机器人、汽车和无人机等自主机器，官方称可免费体验。
匹配字段摘要
Odyssey 发布基础世界模型 Odyssey-3，可实时根据提示词生成交互式环境，并从视觉观测数据中学习物理、动力学与因果关系。其中 Odyssey-3 Pro 在 Physics-IQ Verified 的视频到视频基准上取得 66.1 分，为目前报告的最高分，该基准覆盖流体动力学、光学、固体力学、磁学和热力学。Odyssey 表示该模型可被物理 AI 开发者用于控制机器人、驱动人形机器人、汽车和无人机，也可让智能体在模型内部通过经验学习完成任务，目前可免费体验。
匹配字段摘要
Odyssey 发布基础世界模型 Odyssey-3，能根据提示词实时生成可交互环境，并从大量视觉观测数据中学习物理、动力学与因果关系的表征。其中 Odyssey-3 Pro 在 Physics-IQ Verified 的视频到视频基准上取得 66.1 分，为该基准报告的最高分，该基准覆盖流体动力学、光学、固体力学、磁学和热力学。Odyssey 表示该模型可被物理 AI 开发者用于控制机器人、人形机器人、汽车和无人机等自主机器，目前可免费体验。
匹配字段摘要
Vidu Q4 Preview 在 Artificial Analysis 的 AA-Video-I2V v1.0 榜单首次上榜即位列第 3，相比 Vidu Q3 Pro 的第 19 名上升 16 位。该模型今日发布，是 Vidu 在完整 Q4 版本前推出的新视频模型，可生成 3 至 16 秒、最高 4K 且带原生音频的片段，在 Reference to Video 中最多支持 15 个图像参考和 3 个音频参考。价格与 Vidu Q3 Pro 相同，1080p 带音频视频每秒 24 credits，按 Vidu 标准费率约每分钟 7.20 美元，可通过 Vidu API 和官网使用。
匹配字段摘要
Google 发布 EmbeddingGemma 2，这是其首个开源的原生多模态嵌入模型，采用 740M 参数的轻量模块化设计，可处理文本、代码、图像、视频和音频任务。官方称其与 Gemma 4 搭配适合离线、隐私优先的 RAG，性能超过部分参数量两倍以上的专用模型，权重已在 Hugging Face 开放下载。
匹配字段摘要
Google 发布开源多模态嵌入模型 EmbeddingGemma 2，可将文本、图像、视频、音频和代码转为向量，参数量 740M，Google 称其在多模态嵌入基准上超过参数量两倍的竞品。该模型无需 API key 即可本地运行，浏览器中通过 WebGPU 单次查询约 20 至 70 毫秒，仅需约 191MB 内存，本地向量数据库存储最多减少六倍；纯文本任务可用 270M 参数版本。搭配 Gemma 4 等小型开源模型可离线运行 RAG 应用，权重已在 Hugging Face 和 Kaggle 发布，并附开发者指南与文档。
匹配字段摘要
Google DeepMind 发布 EmbeddingGemma 2，一个基于 Gemma 4 架构的 740M 参数开源多模态嵌入模型，可将文本、代码、图像、视频和音频嵌入同一个 768 维空间，采用 Apache 2.0 许可，权重已上线 Hugging Face 和 Kaggle，并提供 Ollama、llama.cpp GGUF 和 LiteRT 版本。模型采用模块化设计，文本与代码主干 270M、视觉编码器 170M、音频编码器 300M 均可选，上下文窗口 8192 token，是上一版的 4 倍。Google 研究团队称其在 MTEB Code 和 MAEB 的 1B 以下多模态嵌入模型中领先，代码检索从 68.76 提升到 78.68；量化后在 Pixel 11 Pro 上纯文本约占 191MB 内存，全多模态约 567MB。
匹配字段摘要
Google DeepMind 发布 EmbeddingGemma 2，一个 740M 参数、Apache 2.0 许可的端侧多模态嵌入模型，原生将文本、图像、音频和视频映射到统一嵌入空间。它在 MTEB Code 上从 68.76 提升到 78.68，支持 8K token 上下文窗口，可处理约 5.5 分钟音频、29 张图像或 58 帧视频，并可通过 MRL 将向量从 768 维截断至 128 维。模型权重已在 Hugging Face 和 Kaggle 开放下载，支持 LiteRT、MediaPipe、transformers.js、vLLM、Ollama 等部署方式。
匹配字段摘要
Google DeepMind 发布 EmbeddingGemma 2，这是面向端侧的多模态嵌入模型，可将文本、图像、音频和视频映射到统一嵌入空间。模型基于 Gemma 4 架构，采用 Apache 2.0 许可，参数量 7.4 亿，文本任务最低 2.7 亿参数，可选视觉（1.7 亿）和音频（3 亿）编码器。它支持 8K token 上下文窗口，是 EmbeddingGemma 1 的 4 倍，可处理约 5.5 分钟音频、29 张图片或 58 帧视频；借助 MRL 可将输出向量从 768 维截断至 512、256 或 128 维，最多减少 6 倍存储占用。在 MTEB Code 上得分从 68.76 提升至 78.68，模型权重已在 Hugging Face 和 Kaggle 开放下载。
匹配字段摘要