Google DeepMind 发布 Gemini Omni 1.1 Flash，面向开发者提供更强的生成视频控制能力，可通过 Google AI Studio 或 Gemini Enterprise Agent Platform 调用。新版本支持场景延长，可分析最多 10 秒前序上下文，以 10 秒为单位延长至累计 40 秒；还支持指定首尾帧生成过渡画面、1080p 与 4K 输出，以及 360p 轻量预览，官方称其生成速度最高快 60%、成本为 720p 的三分之一。
匹配字段摘要
Google DeepMind 发布多语种手语转文本模型 SL2T，并在 Pixel 11 的 Gboard 和 Live Transcribe 中上线手语听写功能，首批支持美国手语（ASL）转英文。该模型基于超过 50 种手语、逾 10 万小时数据训练，其中约四分之一为 ASL 数据，在 FLEURS-ASL（sd-test）上取得 70 BLEURT 的零样本成绩。为保护隐私，模型只接收 MediaPipe Holistic 在端侧提取的姿态关键点坐标，原始视频随即丢弃，并跳过 gloss 标注直接翻译为文本。
匹配字段摘要
Meta 推出可本地运行的开源多模态模型 Muse Glimmer，由 2B 视觉编码器和 28B 文本解码器组成，总参数量为 30B。它支持图像、无音频视频、多模态工具调用和目标检测，并获得 Transformers、llama.cpp 及基于 Transformers 后端的 vLLM 支持。可选的 DFlash 推测解码器能以增加内存占用为代价加快生成。
Meta 推出可本地运行的开源多模态模型 Muse Glimmer，由 2B 视觉编码器和 28B 文本解码器组成，总参数量为 30B。它支持图像、无音频视频、多模态工具调用和目标检测，并获得 Transformers、llama.cpp 及基于 Transformers 后端的 vLLM 支持。可选的 DFlash 推测解码器能以增加内存占用为代价加快生成。 · Meta released Muse Glimmer, a locally runnable open-source multimodal model with 30B parameters, comprising a 2B vision encoder and a 28B text decoder. It supports images, video without audio, multimodal tool calling, and object detection, with support in Transformers, llama.cpp, and vLLM using the Transformers bac
匹配字段摘要
Google DeepMind 发布 Gemini Robotics ER 2，定位为机器人的高层大脑，支持实时空间推理、多步任务规划和多机器人协作，可通过 Gemini API、Google AI Studio 或 Gemini Enterprise Agent Platform 调用。相比 ER 1.6，新模型能通过连续视频流跟踪任务进度并实时纠错，在进度分类任务上达到 57.4% 准确率，在 moment-finding 任务上达到 91.3% 准确率和 0.96s 平均绝对距离。官方还展示了其编排 Boston Dynamics Spot 的导航与机械臂 API 完成取物，并支持 Apptronik Apollo 2 与 Franka F3 Duo 协作，代码已在 GitHub 开源。
匹配字段摘要
Black Forest Labs 发布多模态基础模型 FLUX 3 并开启 Early Access，该模型基于 Self-Flow 在统一架构中同时学习图像、视频和音频，可单次生成最长 20 秒带原生音频的视频，并支持文生视频、图生视频、视频生视频、关键帧过渡和多语言对话等能力。早期评测中 FLUX 3 在最高 69% 的对比中优于 Grok Imagine Video，对 Runway Gen-4.5 和 Luma Ray 3.2 的偏好比例分别为 77% 和 93%，官方称结果仍属初步。后续将陆续开放 FLUX 3 Video、FLUX 3 Image 的 API 与私有权重，以及 FLUX 3 Dev 的开源权重，FLUX 3 Image 的早期访问将在接下来几周开放。
匹配字段摘要
蚂蚁灵波（Robbyant）结束 LingBot 2.0 发布周，4 天内共发布 6 款模型。其中包括面向空间感知的 LingBot-Vision 与 LingBot-Depth 2.0、让同一大脑适配多台机器人的 LingBot-VLA 2.0、用于实时交互的 LingBot-World 2.0、高效视频生成的 LingBot-Video，以及压轴的 LingBot-VA 2.0。官方称 LingBot-VA 2.0 从零预训练，围绕动力学建模、因果预测与实时执行等与物理世界交互的需求设计。
匹配字段摘要
Google DeepMind 发布 Nano Banana 2 Lite（gemini-3.1-flash-lite-image）和 Gemini Omni Flash（gemini-omni-flash-preview）两款模型。Nano Banana 2 Lite 主打速度与成本，官方建议用它替换第一版 Nano Banana（gemini-2.5-flash-image），并将登陆 Search 的 AI Mode、Gemini app、NotebookLM、Google Photos 等消费端产品。Gemini Omni Flash 通过 Gemini API 和 Google AI Studio 开放，支持文本、图像、视频输入的高质量视频生成与对话式编辑，定价为每秒视频输出 $0.10，与 Veo 3.1 Fast 相同。
匹配字段摘要
Qwen 团队发布 Qwen-Robot Suite，包含 Qwen-RobotNav、Qwen-RobotManip 和 Qwen-RobotWorld 三款面向物理世界智能的基础模型。Qwen-RobotNav 基于 Qwen3-VL，用 1560 万样本统一指令跟随、目标导航、目标跟踪与自动驾驶五类任务，在 VLN-CE RxR 上达 76.5% SR，并零样本部署到 Unitree Go2 四足机器人。Qwen-RobotManip 基于 Qwen3.5-4B VL 与 flow-matching DiT 动作头，用超过 38,100 小时开源数据训练，在 RoboChallenge Table30 v1 通用赛道取得第一。Qwen-RobotWorld 以自然语言作为统一动作接口，在 8.6M 视频文本对上联合训练 20 多种本体，在 EWMBench 等基准排名第一。
匹配字段摘要
MiniMax 正式发布 M3，采用自研 MSA 稀疏注意力架构，支持最高 1M token 上下文，并原生支持图像与视频输入、可操作桌面电脑。官方称 M3 是目前首个同时具备这三项能力的开源权重模型，在 SWE-Bench Pro 得分 59.0%、Terminal-Bench 2.1 得分 66.0%、MCP Atlas 得分 74.2%。M3 已通过 MiniMax Code、Token Plan 和 API 开放使用，官方表示将在未来 10 天内发布技术报告并开源模型权重。
匹配字段摘要
Google 发布 Gemini Omni，将 Gemini 的智能与 Veo、Nano Banana 的能力结合。官方称其支持跨场景角色一致性、文生视频编辑以及动态物理与环境表现，当天开始推送。
匹配字段摘要
Google DeepMind 推出 Gemini Omni，其首款模型 Gemini Omni Flash 可接收图像、音频、视频和文本输入，生成高质量视频，并支持通过多轮自然语言对话编辑。该模型正向 Gemini app、Google Flow 和 YouTube Shorts 推出，未来数周将通过 API 面向开发者和企业客户开放；初期音频输入仅支持语音参考，生成视频均含 SynthID 数字水印。
Google DeepMind 推出 Gemini Omni，其首款模型 Gemini Omni Flash 可接收图像、音频、视频和文本输入，生成高质量视频，并支持通过多轮自然语言对话编辑。该模型正向 Gemini app、Google Flow 和 YouTube Shorts 推出，未来数周将通过 API 面向开发者和企业客户开放；初期音频输入仅支持语音参考，生成视频均含 SynthID 数字水印。 · Google DeepMind introduced Gemini Omni, whose first model, Gemini Omni Flash, accepts image, audio, video and text inputs to generate high-quality videos and supports multi-turn editing through natural-language conversation. It is rolling out to the Gemini app, Google Flow and YouTube Shorts,
匹配字段摘要
Physical Intelligence 发布最新机器人模型 π0.7，可处理不仅说明做什么、还说明怎么做的多样提示词，包括丰富语言和视觉子目标图像等多模态信息，测试时这些图像可由轻量级世界模型生成。该模型展现出涌现的组合泛化能力，能把已学技能按提示词以新方式组合，例如学会用空气炸锅烤红薯；还能在没有该机器人洗衣折叠数据的情况下，控制新机器人 UR5e 折叠 T 恤。团队表示仍在探索 π0.7 的能力，更多细节见其博客、视频和完整研究论文。
匹配字段摘要
阿里 Qwen 团队发布 Qwen3.5-Omni，定位为向原生全模态 AGI 扩展的模型，旗舰版本 Qwen3.5-Plus-Omni 可通过阿里云 Model Studio 调用。官方演示覆盖视频合规审核、日常生活短视频解析、多语言歌曲逐段理解、BBC 音频理解、歌词字幕生成、音视频 Vibe Coding 与语音克隆等场景。Model Studio 支持离线调用和实时调用两种模式，实时模式模型名为 qwen3.5-omni-plus-realtime，并可通过 enable_search 参数开启联网搜索。
阿里 Qwen 团队发布 Qwen3.5-Omni，定位为向原生全模态 AGI 扩展的模型，旗舰版本 Qwen3.5-Plus-Omni 可通过阿里云 Model Studio 调用。官方演示覆盖视频合规审核、日常生活短视频解析、多语言歌曲逐段理解、BBC 音频理解、歌词字幕生成、音视频 Vibe Coding 与语音克隆等场景。Model Studio 支持离线调用和实时调用两种模式，实时模式模型名为 qwen3.5-omni-plus-realtime，并可通过 enable search 参数开启联网搜索。
匹配字段摘要
千问发布 Qwen3-VL-Embedding 与 Qwen3-VL-Reranker 系列模型，基于 Qwen3-VL 底座，面向多模态信息检索与跨模态理解，支持文本、图像、截图和视频输入，覆盖 30 多种语言。Embedding 采用双塔架构做高效初筛，Reranker 采用单塔 Cross-Attention 对（Query, Document）对联合编码输出相关性分数，两者串联构成两阶段检索流程。官方称 Qwen3-VL-Embedding-8B 在 MMEB-v2 上取得 SOTA，Reranker-8B 在多数任务上表现最佳，模型提供 2B 与 8B 两种规格、32K 序列长度并支持量化与自定义向量维度。
匹配字段摘要
NVIDIA Nemotron Nano 2 VL 开源视觉语言模型发布，面向视频理解与文档智能，并获 vLLM 推理支持。模型采用混合 Transformer–Mamba 架构，通过 EVS 剪除冗余视频帧以减少 token。vLLM 夜间版本支持以 BF16、FP8 和 FP4 精度部署 OpenAI 兼容的推理服务器。
匹配字段摘要
Qwen3-VL 已在 Ollama 云端上线，本地版本将很快提供。该模型支持操作 PC 和手机 GUI 的视觉智能体、从图像和视频生成 Draw.io/HTML/CSS/JS、原生 256K 上下文并可扩展至 1M，OCR 语言从 19 种增至 32 种。Ollama 同时给出 JavaScript、Python 库及 OpenAI 兼容 API 的调用方式。
匹配字段摘要
2026年10月23日,Kimi官方账号发布24秒的Kimi K3.1预热视频,画面中Kimi Code的模型栏显示“Model:Kimi K3.1”,但正式发布日期、参数规模和定价均未公布。次日,Moonshot在Kimi API上线Kimi K3.1 Pro,官方博客称其为K3.1系列首个模型、迄今最强的3T级开源权重模型,上下文窗口100万token,同时推出速度提升2至3倍的K3.1 Pro Highspeed,并已在Kimi.com、Kimi Work、Kimi Code和Kimi API上线,完整权重计划于11月4日发布。同日,Nathan Lambert撰文称Kimi K3.1 Pro在Artificial Analysis智能指数上得分55、排名第四。Tripo则表示其插件已在Kimi K3.1中原生支持。
匹配字段标题
Kling AI 发布新一代视频模型 Kling 4.0,主打更可控、更一致的视频生成。据可灵官方发布说明,Kling 4.0 已在 idea.ai 上线,支持用单条提示词生成 30 秒场景,角色在镜头之间保持一致,并可在真人、动漫和 3D 风格之间切换,输出电影级画质视频。Testing Catalog 报道称,其 Omni Reference 可在单个任务中组合最多 15 个图像、视频、主体或声音,单次生成最长 30 秒并支持最多 10 个关键帧。此后,Kling 4.0 陆续登陆多个平台:10 月 22 日可灵称其上线 OnSolo,可一次生成 30 秒原生视频,支持立体声、口型同步与 21:9 宽画幅;10 月 23 日 fal 宣布 Kling 4.0 在 fal 上线并向所有客户开放 API;同日可灵称 Kling 4.0 已在 Miora 上线。
匹配字段标题
腾讯混元于2026年10月24日推出开源交互式视频世界模型Hy-Nomas。据官方发布信息,该模型支持用文本提示词和相机轨迹进行交互,并具备带世界记忆的长时程生成能力;可通过轻量LoRA适配机器人等专门领域,并针对消费级GPU推理做了优化。官方同时给出了网站、GitHub、Hugging Face和演示入口。目前尚无后续发展事实。
匹配字段标题
腾讯混元于2026年10月24日推出开源交互式视频世界模型Hy-Nomas。据官方发布信息,该模型支持用文本提示词和相机轨迹进行交互,并具备带世界记忆的长时程生成能力;可通过轻量LoRA适配机器人等专门领域,并针对消费级GPU推理做了优化。官方同时给出了网站、GitHub、Hugging Face和演示入口。目前尚无后续发展事实。
匹配字段标题