Google 发布 EmbeddingGemma 2，这是其首个原生多模态嵌入模型，基于 Gemma 4 构建，采用 Apache 2.0 许可。它可将 100 多种语言、代码、图像、音频和视频嵌入同一个向量，支持 8,192 上下文，提供 740M omni、440M text+vision、570M text+audio 和 270M text-only 四种规格，在 MTEB Code 上提升 14%，并支持 768d、512d、256d、128d 的 Matryoshka 维度。模型已在 Sentence Transformers 和 LiteRT-LM 中提供。
匹配字段摘要
Google 发布 EmbeddingGemma 2，这是其首个原生多模态开源端侧嵌入模型，可在 0.5GB 内存下本地运行。该模型为 740M 参数、Apache 2.0 许可，由 270M 文本模型与 170M 视觉、300M 音频模块组合而成，将代码、图像、音频和视频统一到同一嵌入空间。Unsloth 提供了该模型的运行与训练支持，并附有 GGUF 与使用指南链接。
匹配字段摘要
Google 发布基于 Gemma 4 的 EmbeddingGemma 2，采用 Apache 2.0 许可，可将文本、代码、图像、视频和音频映射到统一的 768 维向量空间。模型支持模块化加载，参数量从纯文本与代码的 270M 到全模态的 740M，并借助 MRL 将维度截断至 128 维，在 bfloat16 精度下百万条 768 维向量约占 1.5 GB，截断到 128 维后仅需 250 MB。在 MTEB (Code) 上得分比 EmbeddingGemma 1 高 14%，同时新增图像、视频和音频检索能力。
匹配字段摘要
Google DeepMind 发布开放权重多模态嵌入模型 EmbeddingGemma 2，可将文本、图像、视频帧和音频映射到统一的向量空间，参数量 740M，文本权重在 Google Pixel 11 Pro 上仅需约 191MB 活跃内存，完整多模态模型约 567MB。该模型无需训练数据或微调即可作为端侧决策引擎，将用户输入直接与分类标签和描述匹配，实现毫秒级零样本意图路由。Google AI Edge Gallery 新增 Instant Media Search 和 Video Moments Finder 两个演示，Google AI Edge Foresight for Mac 也由 EmbeddingGemma 2 与 Gemma 4 驱动；未来数周内该模型将通过 ML Kit 以服务形式登陆 Android，并支持 NPU 加速。
匹配字段摘要
Cloudflare 于 2026 年 10 月 1 日以 Apache 2.0 许可证在 Hugging Face 上开源两款决策模型 Clef 与 Clef-flash，均托管在 Workers AI 上。Clef 基于 Qwen3.8-27B、为 27B 参数多模态模型，Clef-flash 基于 Qwen3.5-9B 训练，二者读取文本、JSON、图像和视频，一次前向传播即返回所有选项的概率，不生成自由文本。Cloudflare 称其威胁情报团队用 Clef 做网站域名分类，取得、渲染和分类耗时约为通用 LLM gpt-oss-120b 的一半，分类结果更细。
匹配字段摘要
Ai2 发布 MolmoMotion，输入视频帧、物体上的 3D 点和动作描述，即可预测这些点未来几秒在 3D 空间中的轨迹，性能强于现有预测方法。同时开源 MolmoMotion-1M 数据集（来自 1.16M 视频）和 PointMotionBench 基准（2.7K 视频片段），并公开模型权重。在仿真中，基于 MolmoMotion 的控制策略在抓取放置任务上成功率为 76.3%，高于基于 Molmo 2 的 56.0%。
匹配字段摘要、正文
Google 母公司 Alphabet 发布新模型 Gemini 4 Argon，可处理编码、研究和写作等任务，并针对防御性网络安全工作专门训练，公司称其能自主发现、验证并修补关键软件漏洞。该模型目前仅通过 Google 的 Fairwind Program 向部分网络安全合作伙伴开放，Google 内部员工已将其用于调试和代码库迁移，并称其能分析长视频和图表内容。Google 在博客中称 Argon 在多项 AI 基准上显著高于 OpenAI 的 GPT-6 Astra 以及 Anthropic 的 Fable 和 Opus 模型，并引用 Vals 的模型指数显示其当前领先。
匹配字段摘要
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，在 Gemini 3.8 Live 的实时对话能力上加入低延迟流式视频，让模型能边听、边看、边说。该功能支持精确唇形同步、自然表情与流畅轮次切换，并可在对话中无缝切换 97 种语言而不损失视频保真度。它已上线 Gemini Enterprise，支持后台异步工具调用，企业还可基于参考图定制专属形象，定制功能目前仅通过企业白名单开放。
匹配字段摘要
阶跃星辰发布旗舰模型 Step 5 Preview，在 Artificial Analysis 智能指数上得分 44，每任务成本 0.71 美元，官方称其把智能与成本的帕累托前沿向外推进。该模型为 600B 总参数、27B 激活参数的 MoE 架构，支持 1M token 上下文和文本、图像、视频输入，定价为每 100 万输入/输出 token 1 美元/2.70 美元，缓存输入 0.05 美元。目前通过阶跃星辰一方 API 提供，计划于 10 月 15 日开源权重。
匹配字段摘要
小米于9月21日发布 MiMo-V2.6 系列的 Pro 和 Flash 并公开模型权重，两者均为可处理文本、图像、视频和音频的多模态模型，通过扩大强化学习规模提升编码、PC 操作、3D 空间推理和内容制作等智能体能力。小米称 Pro 在多数智能体基准上达到 Claude Opus 5 和 GPT-5.6 Sol 的水平，在 Artificial Analysis Intelligence Index 上得分 46，为发布时开源模型最高，但与 Claude Fable 5.1、GPT-6 Astra 等顶级闭源模型仍有差距。权重和技术报告已在 Hugging Face 的 MiMo-V2.6 集合发布，同时公开 7000 多个强化学习任务环境、训练框架、轻量智能体运行基座 mini-harnesses，以及基于 Qwen3.5-9B 蒸馏的 MiMo-V2.6-Distill-Qwen-9B。
匹配字段摘要
Black Forest Labs 发布 FLUX 3 Action，一个从多模态 FLUX 3 主干衍生的 7B 开源权重世界动作模型，在 RoboLab-120 榜单上以不到此前最佳开源模型一半的参数量取得 38.3% ± 0.38 的成功率，速度最高提升 3.95 倍。该模型在图像、视频和音频数据上预训练，其中视频占训练 token 的 95% 以上，再通过联合视频-动作训练和针对目标本体的微调适配动作空间。报告还分析了将其与 GPT 6 Astra 等推理模型组合的混合方案，发现快速控制能让具身推理更省时省钱，每美元成功率最高提升 53.64%。
匹配字段摘要
小米 MiMo 发布 MiMo-V2.6 Pro 与 Flash 两款全模态模型，将代码、设计与工具调用整合到界面、幻灯片、SVG、视频和音乐等场景。官方称 Pro 在 Design Arena 上的表现与 Claude Opus 5、GPT-5.6 Sol 相当，在多数 agent 基准上与二者持平，并在 Artificial Analysis Intelligence Index 上得分 46。Pro 与 Flash 的权重、技术报告、7K+ RL 任务环境、端到端 RL 框架及 MiMo-V2.6-Distill-Qwen-9B 均已开源，API 定价与 V2.5 保持一致。
匹配字段摘要
小米 MiMo 发布 MiMo-V2.6 Pro 与 Flash 两款全模态模型，结合 3D 空间推理、多模态感知与 computer use，可把文本、图像或视频转成可玩的 3D 世界，并支持 Blender 场景创建、仿真中控制 Franka Panda 机械臂以及桌面工具操作。官方称 Pro 在多数智能体基准上与 Claude Opus 5、GPT-5.6 Sol 相当，Artificial Analysis Intelligence Index 得分 46，为开源模型最高，API 定价与 V2.5 持平。团队同时开源 Pro、Flash、MiMo-V2.6-Distill-Qwen-9B、技术报告、7K+ RL 任务环境、端到端 RL 框架与可组合 mini-harness，并上线 MiMo Desktop 与订阅方案。
匹配字段摘要
阿里千问发布 Qwen3.8-Omni-Flash，支持图像与音频输入，可通过 DashScope 兼容接口调用，并支持 enable_thinking 与 xhigh、medium、low 三档 reasoning_effort。同系列还提供 Qwen3.8-Omni-Flash-Realtime，支持 WebSocket 和 WebRTC 连接，可开启摄像头和麦克风进行实时音视频对话。官方同时开源 Qwen-MM-Plugins 多模态插件套件，支持 Codex、Claude Code、Qwen Code、Gemini CLI 等 agent harness，提供图像、音视频理解与长视频记忆等能力。
阿里千问发布 Qwen3.8-Omni-Flash，支持图像与音频输入，可通过 DashScope 兼容接口调用，并支持 enable thinking 与 xhigh、medium、low 三档 reasoning effort。同系列还提供 Qwen3.8-Omni-Flash-Realtime，支持 WebSocket 和 WebRTC 连接，可开启摄像头和麦克风进行实时音视频对话。官方同时开源 Qwen-MM-Plugins 多模态插件套件，支持 Codex、Claude Code、Qwen Code、Gemini CLI 等 agent harness，提供图像、音视频理解与长视频记忆等能力。
匹配字段摘要
阿里千问发布首个围绕智能体能力构建的全模态模型 Qwen3.8-Omni-Flash，原生支持音视频理解、推理与工具调用。官方称其音视频能力接近 Gemini 3.8 Flash，在 WildClawBench-MM 与 UniClawBench 上智能体表现平均提升 19.5 分；支持 1M token 上下文，在 OmniVideoBench 上比静态理解少用 51.8% token。视频输入成本较 Qwen3.5-Omni-Plus 降低约 89%，同时开源 Qwen-MM-Plugins，Qwen-Live Harness 即将推出。
匹配字段摘要
阿里千问发布 Qwen3.8-Omni-Flash，称其为 Qwen 首个围绕智能体能力构建的全模态模型，将原生音视频理解、推理与工具调用整合在一个模型中。官方称其在音视频能力上接近 Gemini 3.8 Flash，在 WildClawBench-MM 与 UniClawBench 上智能体性能平均提升 19.5 分；支持 1M token 上下文，在 OmniVideoBench 上比静态理解少用 51.8% token，视频输入成本较 Qwen3.5-Omni-Plus 降低约 89%。同时开源 Qwen-MM-Plugins，Qwen-Live Harness 即将发布。
匹配字段摘要
Suno 发布新一代音乐模型 v6，称其为迄今最好的模型，速度更快、表现力更强、质量更高，并与 Warner Music Group、BMG、Believe 等行业伙伴共同开发。v6 首次提供三款模型以覆盖专业音乐人、新兴创作者和音乐爱好者，支持用自然语言修改歌曲局部、跨曲目混搭、采样与分离音轨、按氛围或参考生成，以及用文本、音频、图像和视频创作音乐。Suno 表示 v6 铺开后旧模型将退役，平台整体迁移到 v6 代际，后续还将推出围绕单个艺人、艺人可选择参与并获得收益的新产品。
匹配字段摘要
蚂蚁百灵发布并开源百灵系列首个原生多模态大模型 Ling-3.0-flash-VL，基于 Ling-3.0-flash 的 MoE 架构拓展，总参数 124B、单次推理激活 5.5B，原生支持图像、文本与视频输入，上下文窗口 256K Token。官方称原生多模态联合训练使模型在 Artificial Analysis Intelligence Index v4.1.1 上较纯文本版本提升 4 分，并引入观察、行动、验证、修正的视觉反馈闭环用于前端复刻、GUI Agent 和医疗报告解读。模型已在 Ling Studio 上线免费体验，BF16 和 FP8 版本已在 Hugging Face 与 ModelScope 开源。
匹配字段摘要、正文
Runway 发布 GWM Worlds 2，这是 GWM Worlds 的下一代实时交互环境模型，可生成 720p、24 fps 视频与 48,000 Hz 音频，并支持生成音频以及主体和场景的丰富控制。模型基于 WorldPrompt 格式，将世界状态分为持久上下文（创世提示词、首帧、规则）与带时间戳的事件流（动作与相机输入），用户可用文本动作和连续相机运动实时操控世界，会话无预设时长。该模型为自回归扩散音视频模型，目前为研究预览，实时生成仍在保真度与速度之间取舍，快速旋转等困难相机输入会导致细节、纹理和几何退化，长期记忆也不完善。
匹配字段摘要
Runway 发布 Solaris，称其为首个 Interface World Model，可逐帧实时生成界面本身，无需先转成代码等中间表示。它基于 Gen-4.5 视频生成模型改造，通过自回归逐帧生成、少步蒸馏和自训练实现实时交互，并支持 720p 画质。在 250 名参与者、30 个交互示例的对比中，Solaris 在指令遵循上获 61% 偏好，在场景自然度上获 71% 偏好，对手为 Claude Opus 5 生成的编码界面。Runway 表示正与合作伙伴推进公开发布，并开放早期访问申请。
匹配字段摘要