搜索“多模态”

同界面子集上，MMFold的Top-1高质量成功率达39.4%，高于OpenDDE报告的33.0%与Protenix-v2报告的28.2%；Top-5高质量成功率进一步达45.0%，整体成功率78.8%。 结构预测的价值不在排名本身，而是让候选分子的评估与优选有了更扎实的计算依据。 结构看得更准，分子设计者才能更快从庞大的计算空间里锁定少数值得实验的候选。 多模态蛋白质基础大模型NewOrigin（达尔文）提供底层能力，MMDesign承担从头生成与候选优选，MMFold专注结构预测，QuantaMind进行动态模拟，AI原生研发操作系统MoleculeOS则把模型工具与研发流程串成“生成-计算-实验-迭代”的闭环。 分子之心创始人许锦波表示： 这次扩展评估的重要意义，在于将一次性的设计成功，逐步转化为可重复、可扩展的研发能力。AI生物药研发的长期价值，不只是单个模型的性能突破，更在于通过自主底层模型与生成、评估、实验验证的协同，让精准分子设计成为能够持续解决不同研发问题的技术基础设施。 从单点命中到跨靶点、跨模态的系统性验证，从底层模型突破到可复用的研发工作流，MMDesign的最新

匹配字段正文

nie 4？ Genie 4 是 Google DeepMind 的世界模型，逐帧模拟交互式环境。它不是视频片段生成器。每一帧都会在用户输入到达时作出响应。 TEXTTABLELAYOUT你的 PDF 解析器真的解析正确了吗？omni parse bench · 对文本、表格和布局评分 · 开源在 GitHub 上加星→赞助 DeepMind 表示该模型原生多模态。音频、音乐和对话与视觉内容一同生成。这是 DeepMind 首个原生生成音频的实时世界模型。 它接替了 2025 年 8 月发布的 Genie 3。Genie 3 以 720p 和每秒 24 帧运行，视觉记忆可回溯 1 分钟。 Genie 4 如何使用 Gemini？ Genie 4 借鉴了 Gemini 家族的两个部分。Gemini Omni 锚定每个世界的外观和行为。其他 Gemini 模型负责保持仿真连贯性的推理。 运行时循环的工作方式如下： 解读：当你输入提示时，Gemini 会调整提示以适配正在运行的场景。 规划：Gemini 3.8 Flash 将目标拆解为一系列步骤。 验证：它检查传入的帧，以确认每一步都成功。

匹配字段正文

有了一个看得见的样本，后面的流程照着它来就行。 当然，你也可以在 fhxqtech.com 查看我们的案例。 来源：公众号：智昊今天玩什么 www.smartcity.team 声明：转载请注明来源于“智慧城市行业分析(www.smartcity.team)”及相关作者。本站信息除原创外，部分信息来自于互联网，如相关内容涉及到侵害权益，请联系底部联系方式删除。 【数字科技专题研究】社群 同行深度交流，专注智慧城市与数字科技行业研究、资料沉淀。 持续更新最新行业白皮书、产业研究、政策动态与落地解决方案，帮助行业从业者高效积累知识、共享经验。 海量精华内容持续迭代，提供前沿视野，对接行业人才，开展案例共创与资源互通，共建高质量行业交流氛围。 post- 为您推荐 【FDE 实战案例】美妆企业落地实践：通过数据清洗把海量多模态数据洗成一套可信数据 锐普企业介绍 GPS 方法论：为什么你的企业介绍 PPT 内容很全，客户却听不进去？ 一文看懂：什么是数据库、数据湖、数据仓库、湖仓一体、智能湖仓？ 【架构师漫谈】当我们在谈化业务架构的时候，我们在谈论什么？——业务、管理、能力、技术视角分别看架构

匹配字段正文

向。从传统机器学习到深度学习，他几乎踩着AI最热闹的鼓点走完了求学路，却在毕业这年，听见鼓点停了。 2024年，刘睿加入华为。这一次，他想换一种做技术的方式：不再把算法卖给客户，而是直接把它交到用户手里。 此前在商汤未能立项的对话式修图，被他推上了2025年华为Mate 80的发布会；年底，小艺大模型应用实验室成立，刘睿出任首任主任，研究范围涵盖大语言模型、多模态智能、Agent与具身智能。做研究与做产品，在他手里第一次合流。 也正是在这个时候，2022年那个“坏时候”显出了另一副面孔：如果他像同学一样延期一年、守在实验室里等风停，等来的不会是避风港，只会是又一场追赶。所谓坏时机，不过是旧浪退去、新浪未至的间隙——有人站在岸边等，有人先下了水。 现在，刘睿关心的不再是追不追得上技术，而是另一个问题：模型能做的，和用户要的，之间还差什么。 以下是雷峰网左林右狸频道与刘睿（华为小艺大型模型应用实验室创始主任）的对话，经编辑。 01 商汤往事，大模型颠覆算法生意 左林右狸频道：2018年，你在本科大四下学期去商汤科技研究院做实习生，是什么契机？刘睿：2017年7月，我参加香港中文大学MMLa

匹配字段正文

2026年10月27日 模型Genie 4：新一代世界模拟 Raia Hadsell、Diego Rivas 和 Hang Qi 加入 Genie 4 等候名单 分享 今天，我们发布 Genie 4，这是我们全新的世界模型，它带来了前所未有的真实感，并改进了实时交互式模拟。Genie 4 原生支持多模态，能够与世界同步生成类音乐的音频、环境噪声和交互式对话。 Genie 4 模型融合并拓展了 Gemini 系列的能力：Gemini Omni 让模拟在真实世界的外观与行为上有据可依，而其他 Gemini 模型则提供维持模拟连贯性与连续性所需的复杂推理能力。 有了这一基础，你可以启动一个事件，Genie 4 会模拟接下来发生的一切：世界如何响应、听起来如何，以及其中的人如何移动、反应和说话。 理解和模拟世界是构建 AGI 的关键一环。Genie 4 提升了我们创建安全、可无限变化的模拟的能力，这些模拟可助力从为机器人和智能体开发训练环境，到开启全新交互体验创作的一切工作。 我们已开始将 Genie 4 作为研究预览版向可信测试者逐步开放——在向消费者和开发者发布之前收集反馈，首批对象包括

匹配字段正文

难度长程任务 Carbon 旨在应对更困难、更长程的工程问题，专为持续的智能体工作流而打造。在内部，我们的团队已看到 Carbon 连续运行数天，在走入死胡同后仍能坚持推进，完成复杂多步骤工程任务，例如在大型代码库和底层系统中定位并修复隐蔽缺陷的根本原因。 基于用户反馈，我们重点提升了模型在多个领域的表现，包括编程、智能体和科学任务，以及全栈 Web 开发和多模态理解。随着 Web 开发中输出质量和产物的提升，Carbon 跃升 +89 elo 分，以第 4 名（1768 分）登上 WebDev Arena. 最先进的网络安全性能，助力构建安全系统 Gemini 4 Carbon 在网络安全能力上实现了重大飞跃。它在网络安全防御全生命周期——漏洞检测、验证和修复——均达到最先进水平。 我们的团队已在网络防御中看到显著提升。在内部基准测试中，Carbon 在生成安全代码方面的成功率相比 Argon 提升超过 2 倍。另一个例子是，Chrome 团队报告称，在生成高质量补丁时，Carbon 的表现比另一家实验室的大型前沿模型好 10 倍以上。我们领先的云安全平台 Wiz 也观察到，Carb

匹配字段正文

高 6 分，比 Gemini 4 Argon（46）高 8 分。准确率（% 正确）较 Argon 提升 10 分至 58%，而幻觉率从 4% 上升至 11%。这仍是所有模型中第二低的，仅次于 Argon，相比之下 Claude Opus 5.5（max）和 GPT-6 Astra（max）均为 50% 关键模型详情： ➤ 上下文窗口：1M tokens ➤ 多模态：文本、图像、视频和语音输入，文本输出 ➤ 定价：每 1M 输入/输出 tokens 4/20 美元，与 Gemini 4 Argon 的标准定价相同，并提供 50% 折扣。缓存输入 tokens 享受 95% 折扣（标准定价下每 1M 0.20 美元） GitHub Copilot Fusion 编排 Anthropic 和 OpenAI 模型，以平衡性能与成本 GitHub 已在 GitHub Copilot 中发布 Copilot Fusion，它在 Anthropic 和 OpenAI 模型之间进行编排。在 Coding Agent Index 上，它在 Claude Code 中比 Opus 5.5 低 2 分，而每

匹配字段正文

，交付的代码量增加了35%，错误减少了30%。 Argon只是Gemini 4系列的开端。今天，我们发布了Carbon。它是我们最强的前沿模型，具备最先进的网络安全能力和长时程能力。在最近更新的Artificial Analysis Intelligence Index上，它以59分排名第一。 Carbon在几乎所有领域都优于Argon，例如全栈Web开发、多模态理解、复杂知识工作和科学推理。 我们首先向部分可信的网络防御者推出Carbon，然后再扩大访问范围，目前它正由美国政府进行测试。 除了Gemini 4系列，昨天我们还发布了Genie 4，这是我们迄今最先进的世界模型，能够实时模拟安全、逼真、可交互的世界并带有原生音频。这是训练机器人和智能体的重要基石。 这一快速进展凸显了我们惊人的模型发展势头。我们已经到了AI帮助我们提高训练和发布速度的阶段。我预计未来12个月将因RSI而持续加速。我们很快会推出更多模型，包括更高效的版本，帮助开发者优化速度和成本，并部署到我们的数十亿用户中。 搜索 搜索正在将AI的好处带给世界上比任何其他产品都多的人。就像十多年前我们向移动端转型一样，我们

匹配字段正文

能力 Carbon 专为应对难度更高、周期更长的工程问题而设计，旨在支撑持续性的智能体工作流。在我们的内部团队中，Carbon 曾连续运行数天，在屡屡碰壁后仍坚持推进，以完成复杂的多步骤工程任务，例如在大型代码库和底层系统中对隐蔽缺陷进行根因定位与修补。 基于用户反馈，我们重点提升了模型在多个领域中的表现，包括编程、智能体与科学任务，以及全栈 Web 开发和多模态理解。随着 Web 开发中输出与产物的质量提升，Carbon 跃升 +89 Elo 分，以 1768 分位列 WebDev Arena. 最先进的网络安全性能，助力构建安全系统 Gemini 4 Carbon 在网络安全能力上实现了重大飞跃。它在网络安全防御全生命周期——漏洞检测、验证与修复——中均达到最先进的性能。 我们的团队已经在网络防御方面看到了显著收益。在内部基准测试中，Carbon 在生成安全代码方面的成功率相比 Argon 提升超过 2 倍。再举一个例子，Chrome 团队报告称，在生成高质量补丁方面，Carbon 的表现比另一家实验室的大型前沿模型好 10 倍以上。我们领先的云安全平台 Wiz 也观察到，Carb

匹配字段正文

半价折扣，输入2美元/百万Token、输出10美元/百万Token，账面单价仅为Opus 5.5（$4/$20）的一半。 并且针对Agent任务高频使用的缓存命中输入（cached input）给出了95%的骨折价优惠（低至0.2美元/百万Token）。 超越Opus 5.5，还能连肝数日死磕底层Bug 两周前发布的Gemini 4 Argon虽然在长文本和多模态上表现惊艳，但在综合智能指数（53分）和部分硬核终端任务上，依然被Opus 5.5压了一头。 这一次，Gemini 4 Carbon精准补齐了最后一块拼图，直接将能力推向了“全天候自主工程师”的形态。 在谷歌内部的实战编程环境中，研发团队观察到令人瘫坐的一幕： Carbon能够连续运行好几天，在庞大复杂的代码库和底层系统中自己摸索；哪怕中途多次撞上“死胡同”（dead ends），它也能持续死磕到底，独立完成复杂的多步工程任务。从顺藤摸瓜定位极其隐蔽的Bug根因，到最终写出修复补丁，一气呵成。 这种长线执行能力直接体现在了多项硬核指标的反超上： 命令行与终端工程 在Terminal-Bench 4.0（AA测试集）中，Carb

匹配字段正文

10倍以上。 Carbon的工程目标明确指向长时程、多步骤、可持续运行的Agent工作流。谷歌表示，内部团队已经观察到Carbon“连续运行数天”以攻克复杂工程问题，例如在大型代码库和底层系统中定位并修补隐蔽缺陷。 在前端与全栈开发场景中，Carbon在WebDevArena排行榜上以1768分位列第四。谷歌表示，这一提升来自输出质量与Web开发产物质量的同步改善，同时模型在编码、Agent任务、科学任务以及多模态理解方面也做了针对性优化。 在行为可靠性上，Carbon也做了工程调整，将无依据主张减少了约一半，过度越界行为下降26%，服务不足行为下降29%，目标是在多步骤计划执行中做到不越界、不缺位。 定价方面，目前Carbon在试用期沿用Argon价格，每百万输入token花费2美元，每百万输出token花费10美元，缓存输入token享受95%折扣。试用期结束后，标准价格将调整为每百万输入token 4美元、每百万输出token 20美元。责任编辑：宦艳红图片编辑：沈轲校对：张艳澎湃新闻报料：021-962866澎湃新闻，未经授权不得转载+1收藏我要举报 谷歌 Gemini查看更多

匹配字段正文

模型面向艰难、长时间运行的工程工作。内部团队看到 Carbon 在单个任务上运行数天。示例包括在大型代码库和底层系统中对细微缺陷进行根因分析和修补。 TEXTTABLELAYOUT你的 PDF 解析器真的解析正确了吗？omni parse bench · 对文本、表格和布局评分 · 开源在 GitHub 上加星→赞助 Google 还针对全栈 Web 开发和多模态理解对 Carbon 进行了调优。在 WebDev Arena 上，Carbon 提升了 89 Elo 分，以 1769 分达到第 4 名。 Gemini 4 Carbon 在基准测试中表现如何？ Google 在其发布文章中发布了 17 行对比。Carbon 以最高思考设置运行。根据 Google 的评估方法，大多数竞争对手的数字由各提供商自行报告。 智能体编码：Carbon 在 Terminal-Bench 4.0 (AA) 上得分 65.2%，领先于 Opus 5.5 的 59.6%。它在 SWE-sweep 上达到 9.6%，略高于 GPT-6 Astra 的 9.5%。在 FrontierSWE 上，GPT-6 As

匹配字段正文

关性。 此举建立在Google 5月宣布的新Gemini驱动广告形式之上，包括响应用户提问的对话式发现广告，以及整合到AI生成答案中的赞助推荐。 Google首席执行官桑达尔·皮查伊还表示，搜索查询量实现了五年来最快的同比增长，但他没有透露具体增长率。他将这一变化归功于AI功能改变了人们使用搜索的方式，包括促使人们输入更长、更复杂的查询。 皮查伊表示，AI模式下的查询平均长度是传统搜索的三倍，而全球每五次AI模式搜索中就有一次涉及语音、图像或文档。Google每月的视觉搜索量也已突破500亿次。 “[搜索]正在将AI的好处带给世界上比任何其他产品都多的人，”皮查伊对投资者表示。“人们正在更多地使用我们的AI功能，以全新的方式搜索。他们的查询更长、更个性化，并且是多模态的。” Alphabet旗下包括搜索在内的Google服务部门创造了963亿美元收入，同比增长11%。Google Cloud收入激增103%，达到307亿美元。 这一业绩发布之前，Google经历了繁忙的一个季度，包括发布Gemini 4 Argon、Gemini应用月活跃用户增长至10亿，以及推出Pixel 11系列。

匹配字段正文

元 (DNPU)。Ara240 DNPU可支持实时生成式AI、工业自动化系统、自主机器人、智能基础设施、先进的机器界面 (HMI) 平台或边缘应用。 Ara240 DNPU结合了均衡的计算能力和高片外带宽，可高效地执行大型语言模型 (LLM) 和视觉语言模型 (VLM)，同时还具备低延迟、低运营成本以及增强数据隐私等特性。Ara240采用创新架构以支持先进的多模态和基于Transformer的工作负载，可实现高达40 eTOPS（等效每秒万亿次运算）的算力，并支持高达16GB的LPDDR4内存。此功能支持在边缘设备上直接平稳地运行大型复杂模型，而无需依赖昂贵的云端计算资源。 凭借集成的安全启动和硬件信任根处理器，Ara240 DNPU为工业、企业和嵌入式部署环境提供了强化安全。其PCIe Gen4和USB 3.2主机接口可轻松集成到边缘计算平台、PC/笔记本电脑和AI嵌入式系统中。无论是设计工业自动化系统、自主机器人、智能基础设施、先进的人机界面 (HMI) 平台还是边缘服务器，Ara240 DNPU都能提供所需的性能余量，直接在边缘运行现代AI工作负载。 Ara240 DNPU配套功

匹配字段正文

的全栈具身智能公司，成立于 2025 年，总部位于北京。 公司面向消费电子、半导体微组件、汽车零部件等高精度制造场景，构建从机器人本体、视触觉感知到具身操作模型的软硬件一体化自研能力，致力于让机器人进入真实工业世界，成为可靠生产力。 面向工业精密制造场景，瞬恒智能打造高性能精密操作具身智能平台：自研双臂轮式人形机器人 SynDexy C1；自研视触觉传感器与多模态感知算法，具备微米级空间分辨率、高动态精细感知与优异鲁棒性、稳定性，为机器人灵巧抓取与柔性操作提供实时感知输入。全球首创视触力三态融合操作模型SynDexy M1，持续提升机器人在真实环境中的感知、理解与精细操作能力。 瞬恒智能首席科学家方斌教授，北京邮电大学人工智能学院教授，专注具身智能感知、交互与灵巧操作研究十余年，是国内该领域的早期探索者与领军者之一。公司核心研发团队来自清华大学、北京航空航天大学、哈尔滨工业大学、北京邮电大学等高校，以及华为、大疆、腾讯等科技企业，研发人员占比 90% 以上。 未来，瞬恒智能将持续深耕机器人灵巧操作赛道，深化本体、感知、数据与模型的全栈技术能力，推动机器人在更多真实工业场景承担复杂精细任

匹配字段正文

控测试中，OpenAI 的 GPT-6.1 Terra 在 29.6% 的运行中绕过了限制 TNS：现在我们来谈谈 Decisions API 的开发和影响。 VS：Decisions API 是在 DevDay 前四五天成形的。一个四五人的团队为 DevDay 交付了一个生产就绪的预览版 API，几天后又推出了 beta 版。Decisions API 是多模态的：它对文本和图像进行分类，并快速返回结构化输出。传统上，你会给 LLM 一个 schema 并要求结构化输出。现在它在相同准确率下快了 10 倍，每百万未缓存输入 token 收费 0.10 美元。 OpenAI dots 如何运作 TNS：最后，我们来谈谈 DevDay 的主要公告之一：OpenAI dots。 VS：dot 是一个持久的、始终在线的智能体，它会查看你授予它访问权限的工具、插件和其他界面。它识别出需要你关注的事情，并编排工作以完成它。 TNS：dot 如何在没有被要求的情况下决定要处理什么，当它代表用户做了某事时，用户会看到什么？ VS：我的 dot 连接到了 Slack，OpenAI 的许多工作都在那里进

匹配字段正文

、承担过去需要数月人工投入的高风险工作，它正在从根本上改变我们在 Google 的工作与构建方式——它也能为你做到同样的事。请尽管把密集的研究资料、原始照片和多步骤项目交给它。Argon 会进行推理、编写代码并协调各类工具，交付你所需的结果。 从深度研究到交互式 3D 设计，以下八个示例展示了我们迄今最智能的模型能做什么。 处理复杂任务 凭借先进的推理能力和多模态能力，Gemini 4 Argon 在深度理解和长周期工作流中表现出色。仅凭一段简短提示，且在零素材、零库的条件下，Argon 编写了 5,000 行数学代码，从零渲染出一座 3D 阳光图书馆——随后还制作了一段关于该过程的视频。 制作交互式工具和可玩的 3D 游戏 Google 员工已使用 Argon 对复杂的 3D 可视化、高保真游戏和交互动画进行原型设计。当被要求构建一个在视频上叠加图形的应用时，Gemini 应用中的 Gemini 4 Argon 生成了一款定制视听工具，可逐帧追踪音阶线条。视频的运动触发音符，从而创作出动态的音频作品。 要把你的世界变成一款互动游戏，请先拍摄物理空间的照片，并参考我们的 AI Stud

匹配字段正文

cientist是一个开源智能体AI联合科学家，它接收科学家的研究问题和数据集，然后半自主地生成假设、运行分析并产生可验证、可审计的洞见。InsightEngine是一个开源研究平台，利用智能体AI对照科学文献检验假设，分析用户提供的数据集，探索生物医学知识图谱，并对照证据核查每一项主张，以在研究人員投入昂贵实验之前发现幻觉。 在已发表的案例研究中，OpenScientist在几分钟内完成了领域科学家估计需要数周至数月的分析，每次运行成本低于10美元。以C-BRAIN目前覆盖200多个研究组的规模，这一能力可以释放大量研究能力，在规模化后每年可能超过100万小时。 从相关性到因果性 展望未来，C-BRAIN旨在构建一个多模态生物基础模型，基于其全部数据范围进行训练——神经影像、多组学、液体生物标志物和纵向临床指标。 到第三年，它旨在发现大脑衰老和阿尔茨海默病的新因果机制，利用全部可用研究和数据转向可检验的科学原理。 Bateman说：“能够思考和推理的AI有潜力加速发现，从而为全体人群带来强大且可实施的预防和治疗方案。” 类别： AI 标签： 智能体AI AI向善 医疗与生命科学 开源

匹配字段正文

已为 Astra 实施了迄今为止最严格的防护措施，并调整了内部安全与安保态势，以 应对恶意使用以及未经授权、与目标不一致的模型活动。我们 也将这些防护措施应用于 GPT-6.1 Terra，这与我们 对两个模型采用相同 Preparedness 判定的决定一致。 能力评估 我们将 GPT-6.1 Terra 在生物和化学领域视为 High 能力。这一点体现在多模态故障排查病毒学（Multimodal Troubleshooting Virology）越过了其指示性阈值。四项可获得的 Critical 能力结果均未越过其列出的阈值。 关于这些评估的完整说明，请参阅 GPT-6 Astra 系统卡中的生物与化学能力部分。 生物与化学能力 GPT-6 Astra 系统卡中的章节。 正如以往系统卡中所指出的，我们认为其他若干 Bio High 评估也正趋于饱和，尽管这并不改变将模型归类为 Bio-High 的判定。 表 10 表 10 评估指标指示性阈值gpt-6-lunagpt-6-solgpt-6 Astragpt-6.1-solgpt-6.1-terra 多模态故障排查病毒学 pass@

匹配字段正文

决方案布局。 此次亮相的包括AquaDrive AIOS（滴水AIOS）3.0、TurboX自主智能物联网平台、Veda AI眼镜解决方案、WiseEvolve企业AI操作系统，以及子公司晓悟智能（KNEWBOTS）的机器人与具身智能全栈解决方案。 具体来说，AquaDrive AIOS 3.0聚焦智能汽车的交互与任务执行能力；TurboX平台为智能设备提供多模态感知、任务规划、设备调用等支持；本体驱动的企业AI操作系统WiseEvolve，能够以企业数字员工的形式，协同执行经营分析、客户服务、项目交付与供应链管理等任务。在机器人领域，晓悟智能展示了覆盖机器人本体、控制、协同调度和数据管理等系统方案。 在接受媒体采访时，中科创达进一步解释了机器人业务的整体思路。中科创达联合创始人、执行总裁耿增强将该公司的在机器人领域的核心定位概括为两点：一是“机器人大脑+Agent AIOS”，二是在重点垂直场景提供完整的机器人落地解决方案。 围绕这两个方向，中科创达正将操作系统和端侧智能方面的长期积累延伸至具身智能领域。 一、押注机器人大脑和Agent AIOS，中科创达披露具身智能布局 中科创达的

匹配字段正文