Google AI 本周公布多项更新：Nano Banana 2.1 在视觉设计、主体一致性和精准局部编辑上实现跃升，可在不改动整图的前提下修改特定细节；EmbeddingGemma 2 是首个原生多模态开放模型，将文本、图像、视频、音频和代码统一到单一空间用于端侧嵌入向量。此外还有 AI 生成内容检测门户面向全球开放英文版、GoogleGemma 4 搭配植物 DNA 模型 BOTANIC-1、面向企业的 Gemini 智能体，以及 Gemini Live 的 Guided Vision 实时视觉辅助。
匹配字段摘要
LlamaIndex 发布面向财务团队的发票处理自动化指南，主张用基于 LLM 的文档智能体替代传统 OCR 和规则系统，完成提取、校验、审批路由、ERP 集成与异常处理。方案依托 LlamaParse 的多模态解析和 LlamaExtract 的 schema 驱动抽取，支持 JSON 或 Pydantic 自定义 schema、嵌套结构最深 3-4 层，并提供 invoice、resume、10K 等预置 schema。
匹配字段摘要
LlamaIndex 发文梳理文档智能的演进路径：从 OCR、NLP、NER 到由 LLM 驱动的 AI 文档解析，LLM 凭借零样本语义理解直接推断结构、含义与关系，无需模板调优或领域训练，并能用多模态能力解读图表与表格。但文章也指出，仅依赖标准 LLM API 解析复杂文档仍有局限，例如密集排版、合并单元格表格易出错或产生幻觉，且缺少置信度、边界框、来源溯源与审计日志等企业级元数据。
匹配字段摘要
LlamaIndex 发文解释 Agentic OCR：它不再是一次性提取，而是让系统对文档结构进行推理、按页面内容选择传统 OCR、视觉语言模型或语言模型，并通过自校正循环在结果流出前发现错误。多模态语言模型充当推理层，视觉定位用 bounding box 把每个抽取字段回溯到原文位置，文档类型识别无需按格式配置，因此无需模板即可适应新格式。
匹配字段摘要
月之暗面发布开源模型 Kimi K2.5，在 K2 基础上用约 15T 混合视觉与文本 token 继续预训练，原生多模态，主打编码与视觉能力。K2.5 可自主编排最多 100 个子智能体、执行最多 1500 次工具调用，相比单智能体设置最多缩短 4.5 倍执行时间，且无需预定义子智能体或工作流。模型已上线 Kimi.com、Kimi App、API 和 Kimi Code，Kimi.com 与 App 提供 K2.5 Instant、Thinking、Agent 和 Agent Swarm（Beta）四种模式，Agent Swarm 在 Kimi.com 处于 beta，高层级付费用户可获免费额度。
匹配字段摘要
DeepSeek 发布 DeepSeek-V3，采用 671B MoE 参数、37B 激活参数，基于 14.8T 高质量 token 训练，生成速度 60 tokens/秒，比 V2 快 3 倍，API 保持兼容并开源模型与论文。API 定价在 2 月 8 日前与 V2 相同，此后调整。官方表示后续将支持多模态等功能。
匹配字段摘要
在 iPhone Air 上跑到 37 tok/s 相当惊人。🚀 这正是小型、能力强的开源模型大放异彩之处：无需云端 GPU 即可拥有强大的多模态智能。很高兴看到 MiniCPM5-2B 在移动端流畅运行。
在 iPhone Air 上跑到 37 tok/s 相当惊人。🚀 这正是小型、能力强的开源模型大放异彩之处：无需云端 GPU 即可拥有强大的多模态智能。很高兴看到 MiniCPM5-2B 在移动端流畅运行。
匹配字段摘要
Mistral Large 4 预览版在 Agent Arena 的 5000+ 真实智能体会话中录得 -6.6% 净提升分，总排名第 43，比上一版 Mistral Medium 3.5（-12.60%）高 11 位。该模型为 1T 参数、原生多模态、49B 激活，开放权重预计 10 月底发布，按当前分数在开放模型中可排第 13。MistralAI 也是 Agent Arena 前 15 实验室中唯一的欧洲实验室。
匹配字段摘要
Step 5 Preview 现已在 OpenCode 上免费一周 - 1M 上下文 - 多模态 - 零数据保留
Step 5 Preview 现已在 OpenCode 上免费一周 - 1M 上下文 - 多模态 - 零数据保留
匹配字段摘要
AIhub 汇总了 2026 年 AAAI/SIGAI 博士论文联盟（Doctoral Consortium）的系列访谈，受访博士生来自 NTU、香港科技大学、IIT Hyderabad、俄勒冈州立大学、上海科技大学、新加坡管理大学、约翰霍普金斯大学、麦吉尔大学与 Mila 等机构。研究主题涵盖多模态学习与具身智能、强化学习驱动的零工交通劳动管理、可解释性与概念学习、因果决策系统、网络化多智能体系统、自动驾驶形式化验证、资源受限图像生成、心智理论、大语言模型理论基础、时间序列异常检测、负责任 AI 中的 multiplicity，以及提升 AI 系统透明度与可信度。
匹配字段摘要、正文
Axiom 的三位 AI 工程师把 OpenAI 的 GPT-6 Astra 接入一辆 2024 款丰田 Corolla 的摄像头与转向系统，让模型自己把车开到 In-N-Out 的取餐窗口，全程有安全驾驶员踩在刹车上待命。他们同时发布 DrivingBench 基准，在停车场简易赛道上只有 Astra 能跑完全程且速度很慢，Claude Fable 5.1 完成 45%，Grok 只完成 11%。工程师认为这种驾驶能力可能来自多模态规模扩展带来的涌现能力，而非专门训练。
匹配字段摘要
Perplexity 开源 pplx-embed-v2-late，包含 9B 和 0.6B 两个多向量嵌入模型，覆盖文本与图像并共享同一嵌入空间。9B 用于索引多模态数据，0.6B 用于端侧查询，还支持无需 OCR 直接检索 PDF 页面。该模型在 MADQA 上得分 92.4%，在 BrowseComp+ 上得分 64%，权重已在 Hugging Face 发布。
匹配字段摘要
Meshy 进入 a16z 消费级 AI 应用月收入 Top 50，是榜单中唯一的 AI 3D 公司。Meshy 构建用于 AI 驱动 3D 生成的多模态基础模型，可将文本和图像转化为游戏、电影和 3D 打印可用的生产级 3D 资产，目前全球注册用户超过 1500 万。该公司由 MIT 博士胡渊鸣创立，2026 年 7 月完成近 4 亿美元 B 轮融资，估值 15 亿美元。
匹配字段摘要、正文
IEEE Spectrum 发布白皮书，介绍边缘 AI 与物理 AI 如何让城市基础设施从被动监测转向感知、推理并实时行动。白皮书称边缘 AI 支持低延迟决策、把敏感数据留在城市边界内，并降低对中心化云的依赖；计算机视觉、多模态感知与生成式、智能体系统可协同支撑公共安全、出行和基础设施管理。文中还描述了一种分层边缘架构，在远边缘、区域和云层之间分配监测、规划与行动任务。
匹配字段摘要、正文
美国初创公司 Reflection AI 发布开源权重模型 Beam，采用 MoE 架构、5010 亿参数，面向编码、推理与智能体任务，训练数据为 23.8 万亿 token。Reflection 将其定位为对标智谱 GLM-5.2 的前沿开源权重模型，并获 Nvidia 8 亿美元股权投资及 GPU 支持。文章还提到 Mistral 于 10 月 6 日预览 1 万亿参数多模态模型 Mistral Large 4，称其计划月底发布权重。
匹配字段摘要
Google 发布 EmbeddingGemma 2 嵌入模型，可本地完成信息组织、搜索与关联，并推出 AI Edge Foresight Mac 应用演示其能力。该模型为 7.4 亿参数，基于 Gemma 4 架构，采用 Apache 2.0 许可；量化后在 Google Pixel 11 Pro 上纯文本权重约占 191MB 内存，完整多模态模型约 567MB。Foresight 可在会议中后台听取内容，把速记要点即时整理成完整笔记，转录与音频全部在设备本地处理，还能接入项目文件夹、参考资料、图表和日历进行问答检索。
匹配字段摘要
Mistral 发布 Mistral Large 4 公开预览版，模型拥有 1 万亿参数、其中 490 亿为激活参数，原生多模态，上下文窗口 100 万 token，API 已通过 Mistral Studio 开放，权重预计 10 月底发布。在 Artificial Analysis 的 Intelligence Index 上 ML4 得分 38，较前代 Mistral Large 3 的 9 分大幅提升，但落后榜首 Claude Opus 5.5 的 58 分。Mistral 强调其网络安全能力，在一项复现并修补开源软件漏洞的测试中得分 82%，并称 Claude Opus 5.5 与 GPT-6 Astra 因拒绝任务而接近零分；模型在 3800 块 Nvidia Grace Blackwell GPU 上于欧洲自有数据中心训练，预览期定价为每百万输入 token 0.68 美元、输出 2.09 美元。
匹配字段摘要
教程演示了围绕 NVIDIA Cosmos3-DROID 数据集构建端到端流式机器人学习流水线，无需下载其 707 GB 仓库：通过 HTTP byte-range 与 PyArrow 按行组、列读取 Parquet，并用基于 seek 的 PyAV/FFmpeg 只解码所需 AV1 视频窗口。随后将 episode 转为状态-动作轨迹，用数据集统计量归一化，构建 ACT 风格分块 PyTorch 数据集并训练多模态行为克隆策略。最后以开环 rollout 和时间集成评估，报告逐关节 MSE 与 R^2 并保存策略 checkpoint。
匹配字段摘要
新京报贝壳财经记者对豆包工作、千问办公、WorkBuddy 三款 AI 办公应用进行系列任务实测，分别使用豆包2.1 Lite0921、Qwen3.87-Max、Hy4 preview 模型。在《2026年AI办公赛道调研报告》长程任务中，豆包工作用20分46秒产出1万字，WorkBuddy用21分18秒产出2.5万字，千问办公耗时超1小时产出5万字，但消耗约1800 token，约为另两款的60倍，记者需充值78元购买会员。多模态测试中，豆包工作的海报与视频完成度最高，WorkBuddy 生成的3D模型最接近原手办，但生成漫画时把自己的图标认成青绿色小猪脸。
匹配字段摘要、正文
微软研究院推出实验性 AI 研究系统 Quine，构建覆盖基因组学、蛋白质、化学、RNA、细胞状态和生物成像的生物学多模态世界模型，并搭建连接模型、科学工具、文献和科研人员的交互式 harness 框架。微软已与麻省理工学院、哈佛大学共建的布罗德研究所合作，将 Quine 用于癌症生物学研究，一项案例中它在一个周末内完成数千种化合物对胰腺癌细胞状态影响的预测排序，节省数月实验工作，但该系统仍处早期研究阶段。此外，Anthropic 于 9 月 23 日成立生命科学研究团队和实验室，OpenAI 今年 4 月推出面向生命科学的 GPT-Rosalind，英伟达今年 1 月与礼来宣布共建 AI 创新实验室。
匹配字段摘要、正文