PyTorch 2.15 在 MPS 后端加入 FP8 支持，并让 MoE 模型解码速度比 2.14 快 5–6.5 倍：在 M3 Ultra 上配合 torch.compile，Qwen3.6-35B-A3B 从 9.4 tokens/s 提升到 61.3 tokens/s，LFM2.5-8B-A1B 从 23.6 提升到 123.6 tokens/s。Wan2.2 的 tiled VAE 视频解码峰值驱动内存从约 270 GiB 降到 8 GiB，Qwen-Image-2.1 的 VAE 编码在 MPS 上的图像损坏问题也随 padding 改动修复，编解码往返 PSNR 从 10.06 dB 升到 29.95 dB。该版本要求 macOS 15 或更高版本、Python 3.11 或更高版本。
匹配字段摘要、正文
小米技术宣布 Xiaomi MiMo-V2.6-Pro 正式上线 WorkBuddy，支持 1M 超长上下文、多智能体分工协作，以及图像、视频、音频、文本全模态联合理解。该模型在 Artificial Analysis 智能指数为 46 分，官方称全球开源第一。MiMo-V2.6 系列于 9 月 22 日发布并开源，含 Pro 与 Flash 两个原生全模态模型，Pro 定价为每百万词元输入 3 元、输出 6 元，并提供 99% 缓存折扣。
匹配字段摘要、正文
Viggle 发布 JST-2，将整套模型栈构建在 3D 空间，用携带 xyz 坐标、属性向量和动力学向量的 Physics-Native Token 表示世界，而非从视频像素中隐式推断物理规律。架构分为 JST encoder、JST generator 和 JST decoder 三部分，单次前向推理约 1 秒生成完整 3D 场景，成本低于 $0.01（B200），并支持最多 64 个输入视角作为空间上下文窗口。Viggle 公布的盲测人类偏好显示，角色生成对 Meshy 7.1 胜率 58.4%、对 Tripo H3.1 胜率 73.2%，视频生成运动对 DeepMotion 胜率 89.1%。JST-3 计划把学习到的动力学推广到物体交互。
匹配字段摘要、正文
蚂蚁 inclusionAI 在 GitHub 发布 vLLM-Omni 仓库，这是一个在 vLLM 基础上扩展全模态模型推理与服务的框架，支持文本、图像、音频、视频和动作数据处理，并支持 DiT 等非自回归架构。README 显示其已迭代至 0.30.0，对齐 vLLM 0.30.0，新增 MiniCPM-o 4.5 与 AURA 的全双工会话服务、Mooncake AR-to-DiT 跨阶段 KV 与多模态传输，以及在 NVIDIA Blackwell 和昇腾 950 上的 MiniMax H3 Turbo 实时推理。框架提供 OpenAI 兼容 API 服务、流式输出和分布式并行推理，并列出 Qwen3-Omni、MiniMax H3、Wan2.2、π0.5 等已支持模型。
匹配字段摘要
Kling AI 发布 4.0 版本，单次可生成最长 30 秒视频，支持最多 10 张关键帧图像输入，提示词理解扩展到 8,000 tokens。升级后的 Omni Reference 单次生成最多接受 15 个参考素材，包括 10 张图像、总时长不超过 30 秒的 5 段视频和 7 个元素。新版本加入双声道立体声音频和覆盖德语、英语、日语、韩语、西班牙语等十余种语言的口型同步，同时推出最高 720p、20 秒的轻量版 Kling 4.0 Flash，并可通过 MCP 和 CLI 接入自动化工作流。
匹配字段摘要
TwelveLabs 的 Pegasus 1.5 视频语言模型已在 Amazon Bedrock 上线，可把长视频转成带时间戳的结构化 JSON 元数据。新版本支持按用户定义的分段规则返回匹配片段、结合参考图像的多模态提示，以及无需预索引的即时处理，单次请求可分析最长 2 小时视频。模型通过 InvokeModel 和 InvokeModelWithResponseStream 调用，目前在美国西部（俄勒冈）区域提供。
匹配字段摘要
AI 世界模型公司 Odyssey 在 X 发布演示视频，称已将果蝇大脑模型接入旗下 Odyssey-3 世界模型，让数字果蝇在完全由 AI 生成的虚拟场景中自主飞行。Odyssey-3 于 10 月 8 日开放研究预览，采用自回归扩散 Transformer 架构，可根据历史画面及用户或智能体的动作预测后续状态，应用方向涵盖机器人控制、自动驾驶及 AI 智能体训练。Odyssey 此前披露以数十小时演示数据训练机械臂控制能力，并与 Flexion 合作开发人形机器人策略。
匹配字段摘要、正文
面壁智能宣布 MiniCPM-V 4.7 升至 Hugging Face Trending 第二位。该模型包含 35B-A3B MoE 版本，可在 iOS 和 Android 上以约 3GB 内存运行；1B 版本在 OCR、数学和视频理解上表现较强。官方同时给出了 Hugging Face 模型页和 GitHub 仓库链接。
匹配字段摘要
Google 将在未来几周把 Gemini 中用于单项任务的 Gems 改名为 Skills，并把今年春季推出的后台智能体 Gemini Spark 去掉独立名称，以 Tasks 的形式并入聊天窗口。Skills 支持在对话中通过斜杠或 @ 符号调用，并可组合多个技能，底层使用基于 Markdown 的 SKILL.md 标准，但 Canvas、Deep Research 以及视频和音乐生成暂不支持 Skills。私人账号的 Gems 将于 2026 年 11 月 17 日自动转为 Skills，Workspace 企业账号则从 2027 年 3 月 1 日起停用旧 Gems，教育机构为 2027 年 6 月 1 日；德国、奥地利和瑞士暂不开放云端 Tasks 及相关事件触发计划。
匹配字段摘要
Nvidia 在韩国推出搭载 RTX Spark SoC 的 AI 笔记本，Asus、Dell、HP、Lenovo、Microsoft 和 MSI 于 10 月 16 日开始销售，最便宜的 MSI Prestige N16 售价 579.9 万韩元。RTX Spark 是 Nvidia 6 月发布的 Windows PC SoC，将 Arm 架构 20 核 Grace CPU 与 Blackwell 架构 GPU 通过 NVLink-C2C 封装在一起，FP4 精度下 AI 算力达 1 PFLOP，TDP 约 80 瓦，支持最高 128GB LPDDR5X 内存，可在本地运行约 700 亿参数的开源模型和 AI 智能体。Nvidia 将高价归因于内存涨价，并称该芯片还支持 8K 视频编辑、90GB 大型 3D 场景渲染以及 2560×1440 分辨率下 100 FPS 以上的游戏。
匹配字段摘要
面壁智能宣布 MiniCPM-V 4.7 在 Hugging Face Trending 榜单上排名第 3。官方称 35B-A3B MoE 版本可在 iOS 和 Android 上以约 3GB 内存流畅运行，1B 模型在 OCR、数学和视频理解上表现较强，并给出了 GitHub 与 Hugging Face 链接。
匹配字段摘要
Elorian 发布首个视觉推理模型 Glimpse，用于比较视频中不同时间点的场景变化，并在变化细微或快速时回看原片段。Elorian 将这种基于帧的推理称为 visual thinking，Glimpse 在推理过程中可回到源视频、裁剪区域、抽取指定帧或运行代码来测量和比较所见内容，该机制被称为 visual scratch space。联合创始人 Andrew M. Dai 称其在关键公开视觉推理基准上具备与 Astra 竞争的前沿性能。
匹配字段摘要、正文
可灵AI 于10月15日深夜全量上线新一代视频生成模型 Kling 4.0，支持 4K、1080p 的 10-bit HDR 输出，单次最多输入 10 张图片、5 段视频及 7 个主体，单次生成视频最长 30 秒，并接入 MCP/CLI。10月16日快手股价开盘大涨超5%，而此前10月13日其市值约156.31亿美元，低于可灵独立融资180亿美元的投后估值。可灵已敲定30亿美元外部增资，投资方包括腾讯、百度、阿里云及多只国资基金，并正与中金、高盛、瑞银合作推进最快明年上市。
匹配字段摘要、正文
Meta 发布的开源权重模型 Muse Spark Open 已在 OpenRouter 上线，OpenRouter 称其为美国实验室最强的开源权重模型，面向智能体编码，支持 1M 上下文，可输入图像、视频、音频和 PDF，定价为每百万 token 输入 1.25 美元、输出 4.25 美元。据 Meta 官方介绍，该模型总参数 816B、激活参数 42B，原生支持文本、图像、视频和音频，擅长长周期任务、复杂软件工程与多步推理。OpenRouter 表示该模型在发布首日即上线，合作方包括 Baseten、Fireworks AI、Nebius 和 Together Compute。
匹配字段摘要
OpenRouter 宣布 Meta 的 Muse Spark Open 已在其平台上线，并联合 baseten、FireworksAI、nebiusai 和 togethercompute 在发布当天提供支持。该模型被描述为美国实验室最强的开源权重模型，面向智能体编码，支持 1M 上下文窗口，可输入图像、视频、音频和 PDF，定价为每百万 token 输入 1.25 美元、输出 4.25 美元。
匹配字段摘要
OpenRouter 上线 Black Forest Labs 的 FLUX 3 Image Klein，这是一款可在单张消费级显卡上运行的开源权重图像模型，支持 4K 图像生成，起价 $0.009/张。同时 FLUX Video Upscale 进入早期访问，可将已有视频重渲染为 4K，价格从 $0.59/s 降至 $0.28/s；FLUX 3 Video 支持从提示词或图像生成 4K 视频，价格 $0.41/s。
匹配字段摘要
OpenRouter 上线 bfl_ai 的三项新能力：FLUX 3 Image Klein 是新的开放权重图像模型，可在单张消费级显卡上运行，生成 4K 图像，起价每张 $0.009；改进版 FLUX Video Upscale 进入早期访问，可把已有视频重渲染为 4K，价格从 $0.59/s 降至 $0.28/s；FLUX 3 Video 现在可由提示词生成 4K 视频，从此前的 1080p 提升，价格为 $0.41/s。
OpenRouter 上线 bfl ai 的三项新能力：FLUX 3 Image Klein 是新的开放权重图像模型，可在单张消费级显卡上运行，生成 4K 图像，起价每张 $0.009；改进版 FLUX Video Upscale 进入早期访问，可把已有视频重渲染为 4K，价格从 $0.59/s 降至 $0.28/s；FLUX 3 Video 现在可由提示词生成 4K 视频，从此前的 1080p 提升，价格为 $0.41/s。
匹配字段摘要
OmniHuman V2 已在 fal 平台上线，可用单张图片和一段音频生成说话视频，并让唇部动作与表情跟语音同步。该版本还支持可选提示词来引导表演效果。
匹配字段摘要
可灵 Kling 4.0 现已全面开放，用户可通过改版后的创作界面使用，并支持通过 MCP 和 CLI 接入视频创作工作流。官方同时预告将推出 4K 和 1080p 的 10-bit HDR 视频输出，以及面向企业客户和开发者的 API 访问。
匹配字段摘要、正文
Google AI 发布演示，展示 Gemini 4 Argon 在 antigravity 中充当虚拟建造者，自主生成一座可完整探索的多层宝塔建筑场景，整个过程只需几分钟。视频由 Google DeepMind 的 GeokenAI 讲解。
匹配字段摘要