Google 发布 EmbeddingGemma 2 开源多模态嵌入模型
Google 发布 EmbeddingGemma 2，这是其首个开源的原生多模态嵌入模型，采用 740M 参数的轻量模块化设计，可处理文本、代码、图像、视频和音频任务。官方称其与 Gemma 4 搭配适合离线、隐私优先的 RAG，性能超过部分参数量两倍以上的专用模型，权重已在 Hugging Face 开放下载。
匹配字段摘要
←搜索结果
搜索“视频”
Perplexity 将工程设计变为服务
工程设计即服务 Computer 可以创建设计的交互式 3D 预览，并将模型导出为可编辑的 CAD 文件。 它还能在 FreeCAD 中进行修改，并录制编辑过程的视频。
工程设计即服务 Computer 可以创建设计的交互式 3D 预览，并将模型导出为可编辑的 CAD 文件。 它还能在 FreeCAD 中进行修改，并录制编辑过程的视频。
匹配字段摘要
Google 发布 EmbeddingGemma 2 多模态嵌入模型
Google 发布开源多模态嵌入模型 EmbeddingGemma 2，可将文本、图像、视频、音频和代码转为向量，参数量 740M，Google 称其在多模态嵌入基准上超过参数量两倍的竞品。该模型无需 API key 即可本地运行，浏览器中通过 WebGPU 单次查询约 20 至 70 毫秒，仅需约 191MB 内存，本地向量数据库存储最多减少六倍；纯文本任务可用 270M 参数版本。搭配 Gemma 4 等小型开源模型可离线运行 RAG 应用，权重已在 Hugging Face 和 Kaggle 发布，并附开发者指南与文档。
匹配字段摘要
Google DeepMind 发布 EmbeddingGemma 2，740M 开源多模态嵌入模型
Google DeepMind 发布 EmbeddingGemma 2，一个基于 Gemma 4 架构的 740M 参数开源多模态嵌入模型，可将文本、代码、图像、视频和音频嵌入同一个 768 维空间，采用 Apache 2.0 许可，权重已上线 Hugging Face 和 Kaggle，并提供 Ollama、llama.cpp GGUF 和 LiteRT 版本。模型采用模块化设计，文本与代码主干 270M、视觉编码器 170M、音频编码器 300M 均可选，上下文窗口 8192 token，是上一版的 4 倍。Google 研究团队称其在 MTEB Code 和 MAEB 的 1B 以下多模态嵌入模型中领先，代码检索从 68.76 提升到 78.68；量化后在 Pixel 11 Pro 上纯文本约占 191MB 内存，全多模态约 567MB。
匹配字段摘要
Google 发布 EmbeddingGemma 2 多模态嵌入模型
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 开源多模态嵌入模型，0.5GB 内存本地运行
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 DeepMind 发布 EmbeddingGemma 2 多模态嵌入模型
Google DeepMind 发布 EmbeddingGemma 2，一个 740M 参数、Apache 2.0 许可的端侧多模态嵌入模型，原生将文本、图像、音频和视频映射到统一嵌入空间。它在 MTEB Code 上从 68.76 提升到 78.68，支持 8K token 上下文窗口，可处理约 5.5 分钟音频、29 张图像或 58 帧视频，并可通过 MRL 将向量从 768 维截断至 128 维。模型权重已在 Hugging Face 和 Kaggle 开放下载，支持 LiteRT、MediaPipe、transformers.js、vLLM、Ollama 等部署方式。
匹配字段摘要
Google DeepMind 发布 EmbeddingGemma 2 多模态嵌入模型
Google DeepMind 发布 EmbeddingGemma 2，这是面向端侧的多模态嵌入模型，可将文本、图像、音频和视频映射到统一嵌入空间。模型基于 Gemma 4 架构，采用 Apache 2.0 许可，参数量 7.4 亿，文本任务最低 2.7 亿参数，可选视觉（1.7 亿）和音频（3 亿）编码器。它支持 8K token 上下文窗口，是 EmbeddingGemma 1 的 4 倍，可处理约 5.5 分钟音频、29 张图片或 58 帧视频；借助 MRL 可将输出向量从 768 维截断至 512、256 或 128 维，最多减少 6 倍存储占用。在 MTEB Code 上得分从 68.76 提升至 78.68，模型权重已在 Hugging Face 和 Kaggle 开放下载。
匹配字段摘要
Google 研究用 AI 让基层医护完成产前超声检查
Google 与 Northwestern、Jacaranda Health 合作，在肯尼亚内罗毕和芝加哥各招募 1000 名孕妇开展研究，让未经超声训练的医护按预设路径做盲扫超声，再由机器学习模型分析视频，判断孕周和胎位，准确率与专业超声技师相当。操作者只需 8 小时培训，模型处理全部在设备端完成，无需电力或 Wi-Fi 即可给出结果。
匹配字段摘要
Perplexity 让 Computer 智能体实时对战 StarCraft
Perplexity 的 Computer 智能体实现了 StarCraft 实时对战，游戏在智能体思考时不暂停。整套系统由 VPS 上的 OpenBW Brood War 运行时、C++ 桥接和每个智能体四个游戏工具组成，各智能体只拿到受战争迷雾限制的自身游戏状态，不接收视频输入。最终一局 Blue 2–Red 5，Blue 攒到 41 个 Dragoons 后出击，被 Red 的 High Templar 用 Psionic Storm 击溃，原因是 Blue 未侦察 Red 的建造。
匹配字段摘要
月之暗面拟 2027 年一季度赴港 IPO，估值约 500 亿美元
据彭博社援引知情人士消息，Kimi 母公司月之暗面在完成一轮约 500 亿美元估值的私募融资后，计划于 2027 年第一季度在香港 IPO。同一消息还提到，快手旗下 AI 视频平台可灵 AI 已选定投行筹备香港 IPO，募资规模至少 10 亿美元，最早 2027 年上市，发行规模和时间仍可能变化。
匹配字段摘要、正文
Retell vs. Vapi vs. LiveKit：面向开发者的语音 AI 智能体对比
LiveKit 从四个工程问题对比 Retell、Vapi 与 LiveKit 三款语音 AI 智能体平台：是否需要在发布后持续迭代、需求超出默认配置时如何改动、是否要支持电话之外的 Web、移动、视频、设备或 WhatsApp，以及规模化成本。Retell 靠滑块和字段配置，Vapi 靠 PATCH assistant 与 schema，LiveKit 则把开源 Agent 框架放进开发者自己的代码仓库。按公开定价估算，LiveKit 全包成本约从 Gemma 4 31B、AssemblyAI Universal-Streaming 与 Fish Audio S2.1 Pro 组合起，到 GPT-5.5、AssemblyAI Universal-3.6 Pro Streaming 与 Cartesia Sonic 3.5 的高配方案。
匹配字段摘要
Google 发布 EmbeddingGemma 2 多模态嵌入模型
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 EmbeddingGemma 2 端侧多模态嵌入模型
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
Manus Video Editor 的几种用法
Manus Video Editor 有哪些酷炫用法？ - 把一条视频适配成 8 种不同语言 - 直接从 Figma 和代码仓库生成发布视频 - 把数小时素材剪成成片 - 为你的产品制作一组 UGC 广告
Manus Video Editor 有哪些酷炫用法？ - 把一条视频适配成 8 种不同语言 - 直接从 Figma 和代码仓库生成发布视频 - 把数小时素材剪成成片 - 为你的产品制作一组 UGC 广告
匹配字段摘要
如何用 NVIDIA Cosmos3-DROID 构建流式机器人学习流水线
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
PyTorch 媒体处理生态演进：解码编码统一到 TorchCodec
PyTorch 将图像、视频、音频的解码与编码能力统一收敛到 TorchCodec，TorchVision 和 TorchAudio 中相关 API 已弃用或移除，两者今后专注 transforms。TorchCodec 支持 CPU 与 CUDA，CUDA 视频解码性能普遍优于旧实现，并集中处理 FFmpeg 4 至 9 等依赖。三个库现已 ABI 稳定，不再绑定单一 PyTorch 版本。
匹配字段摘要
Understanding AI 迎来新作者 Dan Kagan-Kans
Understanding AI 宣布 Dan Kagan-Kans 加入团队成为新作者，他此前有十年 Mosaic 杂志管理编辑经历，近一年作为自由撰稿人报道 AI。Dan 将于明天和周三开放视频通话时段与读者交流，其职位由 Tarbell Center for AI Journalism 的 fellowship 资助。
匹配字段摘要
Krea 将 Krea Agent 引入 After Effects
Krea 宣布 Krea Agent 进入 After Effects，可在软件内创建动态图形、调整视频尺寸，并处理声音、图像等内容。官方同时展示了用 Krea Agent 制作动态图形、调整视频尺寸以及把图层整理为合成（compositions）的操作，并给出免费试用入口。
匹配字段摘要、正文
用 Google Vids 培养学生的数字公民素养
一位教师分享在课堂中使用 Google Sites、Gemini Notebook 和 Google Vids，帮助学生从被动消费信息转向自主创作，例如用 Vids 把想法做成创意视频演示。她表示重点在于让每个孩子都有平等机会协作、批判性思考并找到自己的声音。
匹配字段摘要