跳到正文
#多模态
9月18日周五
  3. IT之家·人工智能55

    Snap Specs 消费级 AR 眼镜上市，2195 美元起，无需外接计算单元

    Snap 首款面向普通消费者的独立式 AR 眼镜 Snap Specs 上市，Wi-Fi 版定价 2195 美元，与 Verizon 合作的蜂窝版定价 2395 美元，数据套餐每月 10 美元起。眼镜采用自研 LCoS 显示技术，51 度视场角，支持电致变色镜片 10 秒内切换墨镜模式，内置两颗高通骁龙处理器独立运行，混合使用续航约 4 小时，配合充电盒约 20 小时。

  5. Qwen：Blog Retrieval78

    Qwen 发布原生全模态模型 Qwen3.8-Omni-Flash，主打音视频智能体任务交付

    Qwen 发布下一代原生全模态模型 Qwen3.8-Omni-Flash，支持文本、图像、音频和视频输入及 1M token 上下文窗口，29 项评测平均分较 Qwen3.5-Omni-Plus 提升超过 25%，音频输入每小时价格下降超过 98%，音视频输入每小时价格下降超过 93%。

    推荐理由：官方发布同时开放 API 和开源插件与运行时，读者可以据此评估音视频智能体在剪辑、会议、实时交互等工作流中的落地方式。

9月17日周四
  5. IT之家·人工智能55

    抖音上线声音侵权举报入口，应对 AI 合成、仿冒音色等侵权行为

    抖音宣布上线声音侵权举报入口并升级维权机制，近一个月侵权投诉中提及声音侵权的举报量同比翻倍。升级后提供专属维权入口与可核验举证方式，支持语音录入核验或上传原声视频两种方式，并设有申诉通道，官方举报地址为 https://www.douyin.com/qinquan/report。

  6. IT之家·人工智能65

    高德地图 2026 发布：导航 Live 实时感知环境，上线避雷指南

    高德地图 2026 发布，核心升级导航 Live 将自然对话、多模态感知和空间理解融入驾车、步行和游览场景，可识别施工等路况、按需求调整路线并生成与行程时长匹配的个性化播客。高德 AI 对话聚焦出发前复杂出行规划，可调用避雷指南从营业时间、行程节奏等 15 个维度提前识别风险；鹰眼守护预警系统新增 4 类骑行场景，覆盖风险由 24 类扩展至 28 类，累计播发预警超 629 亿次。

9月16日周三
  5. 蚂蚁 inclusionAI：GitHub 新仓库63

    蚂蚁 inclusionAI 开源 Realtime-Venus 全双工交互系统

    蚂蚁集团 Venus 团队与清华大学在 GitHub 开源 Realtime-Venus，一个支持全双工对话与异步任务委托的实时交互系统。系统包含三个组件：Realtime-Venus-Omni（9B，流式音视频对话与主动交互）、Realtime-Venus-Audio（9B，语音交互与音频理解）以及负责后台任务执行并将结果返回同一对话的 Harness 运行时。

    推荐理由：蚂蚁和清华开源了全双工对话加异步委托任务的系统，含 9B 的 Omni 与 Audio 两个模型和 Harness 运行时，可直接下载推理或跑浏览器 demo。

  6. IT之家·人工智能54

    努比亚 NaviX Ultra 发布：主打 AI 智能体能力，5999 元起

    努比亚发布 NaviX Ultra 手机，宣称是首款 AI 智能体手机，售价 5999 元起，国补后 5499 元起。该机由豆包手机助手主导 AI 体验，搭载 Seed 全双工语音大模型和第五代骁龙 8 至尊版，支持一句话跨应用执行任务，端到端任务成功率超 80%，AI 唤醒率优于竞品 48%，并完成智能体大模型备案。

  9. Tripo58

    Tripo 官方转发开发者 @koguGameDev 的实测：用 GPT image 2 生成参考图、Tripo P2.0 做 3D 生成，再让 Astra 通过 MCP 操作 Blender 完成拓扑、UV 与 IK 绑定，导入 UE5.8 实现四足机器人动画。动画实现两次失败，作者认为模型在把需求转化为设计与实现时仍需懂行者衔接，但 AI 带来的能力普惠会催生更多涌现。

    引用kogu@koguGameDev

    今は経験や知識がブーストするとこも多いだろうけど、これがいつまで続くのかなとも思う。 たとえばこのUEで動かす作業途中の4脚ロボでやってることの経過。 「今ある生成AIのツールでどういったゲーム用の動かすモデル作りのパイプラインが可能かを、Astraという新しい汎用言語モデルの限界を加味して検証」 って作業の一部で、 「GPT image 2で3D生成用にガイド作って生成した画像を、Tripo P2.0で3D生成しつつ、Astraに元画像と3Dモデル両方をリファレンスにBlenderをMCPで操作させ、モデリングの知見と示唆を与えながら方法論を固定しつつ試作」 って流れで出来た3Dオブジェクトに、 「パーツのトポロジを簡単に整え、UV展開をぐちゃぐちゃでない程度に補正させたら、外形から想定できる可動範囲やパターンを推測させた上で、剛体とIK制御を想定したリギングを完了」 したモデルをUE5.8に持ってって、 「『4脚と柔軟な胴部や爪先が一体となって自然な動きで歩行や走行し、段差や傾斜や障害物があっても滑らかに対処する』仕組みをAstraに丸投げしてみたら"ソルバー全部書きましょう！"って言うんでやらせてみたらまともに設計できなくてしばき倒して」 が動きの実装1回目で大失敗。 「もっと確実な公式のサンプル実装ベースで、そもそも要求に対する根本的なアプローチが間違ってるよ。なぜこの半端な見込み設計で都度修正やっちゃうの」 とやり直させて失敗した2回目、がこの動画時点。今3回目作業中だけど、こいつらはやっぱりIKとかのような連動する代物の扱いを自作させると、とことんアホになる。 IKを知らないわけでも、多脚の全身制御の実装事例を読めないわけでもない。でも要求から設計や実装を導くのになった途端、それらを繋ぐとこがポンコツになる。だから繋ぎ方が分かってる人間が示唆しないと膨大な手探りで悲惨なことになるし、知らない人がうまく行くのは偶然になってしまう。 --- こんな感じで進めてるこの一連、ゲームに関わりが無い人にはまさに「分かってる解像度」に見えると思う。でもそれは新しいモデルをどう使うかって検証だからで、新モデル時のリセット祭りはこういうことに使うと決めてるから。 重要なのは、こんなのではない膨大なブーストが与えてくれる下支えであり、もっとたくさんの小さな「知らないだけで手が出なかった」が消えることで生まれる創発だと思う。 そしてこういうテストも次の次の世代ぐらいで無意味になるほど、理解は高まってるかもしれない。なんならこのポストを与えて「何をやってるの？」とか、「この人の失敗繰り返さず多脚の動き作って」とかで、今のモデルでも知見も追いつけるし実装もできちゃうかもしれない。 「分かってる人」が持つ利点なんて、知と目と手がここまで伸びた以上、そんなに大きなものじゃないと思ってる。

  10. IT之家·人工智能51

    vivo 发布四款蓝心大模型，推出系统级蓝心 Harness

    vivo 在 2026 开发者大会上发布四款蓝心大模型，包括端到端 MoE 架构的 BlueLM-RealTime、30 亿参数的 BlueLM-Nano 和搭载自研 Agentic 引擎的 BlueLM-Flash / Pro。同时推出系统级蓝心 Harness，深入原系统内核层，已增加 6000 多项原子技能，支持超万种任务，并预研蓝心 30B MoE 端侧大模型。

  11. IT之家·人工智能58

    初探苹果首款折叠 iPhone Duo 影像体验：智能拍摄、看看镜头、Duo FaceTime 等

    据 MacRumors 报道，苹果为首款折叠手机 iPhone Duo 的双屏设计定制了新拍摄体验，包括利用 A20 Pro 芯片设备端 AI 在摆好姿势时自动拍合照的智能拍摄（Smart Take）、用外屏播放《花生漫画》吸引孩子看镜头的看看镜头（Kid Cue）、外屏实时取景的 Duo 预览，以及好友可经外屏加入通话的 Duo FaceTime。

  13. OpenRouter：Announcements73

    DeepSeek V4 哪些型号支持图像输入？OpenRouter 逐款梳理与调用指南

    OpenRouter 梳理其目录中的 DeepSeek V4 系列图像输入支持情况：V4.1 Flash 原生读图（2026年9月10日上线，$0.15/$0.60 每百万 token）。

    推荐理由：原文逐一列出 DeepSeek V4 各型号是否支持图像输入、价格和调用方式，并给出文本-only 型号配视觉模型的两段式替代方案。

  15. Rohan Paul74

    Google 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking，据 Artificial Analysis 榜单取得语音对语音综合第一，Extended Thinking 以 82.6% 领先 GPT-Live-1 Astra（Medium）的 81.5%。

    引用Google DeepMind@GoogleDeepMind

    We’re introducing Gemini 3.8 Live and 3.8 Live Extended Thinking – our best conversational AI. The models talk, think, and handle tasks in the background without breaking your flow. 🧵

  16. Rohan Paul54

    Odyssey 发布基础世界模型 Odyssey-3，称其可控制机器人、驱动人形、驾驶车辆、训练 AI、操控无人机甚至玩视频游戏。其路线是先用预训练世界模型，再接上用数十小时机器人演示训练的动作解码器；据作者转述，驾驶策略仅用 20 小时模拟数据训练后就能驶上印度真实街道，机械臂、人形遥操作和模拟无人机数据的用量也仅为数十小时。

    引用Odyssey@odysseyml

    Today we’re unveiling Odyssey-3, a big step forward for foundation world models. It can control robots, power humanoids, drive cars (on the roads of India!), train AIs, pilot drones, and even play video games. We can’t wait to see what intelligent systems it enables.

  19. Google Blog：AI63

    Google 发布 TranslateGemma 等多语言 AI 成果，语言技术覆盖 300 多种语言

    Google 宣布其语言技术已支持超过 300 种语言、覆盖全球 86% 人口，并发布 TranslateGemma 轻量开源翻译模型（基于 Gemini 训练、支持 55 种语言、可离线运行）。

    推荐理由：原文来自 Google 对其语言技术的系统性梳理，读者可以借此了解其多语言 AI 的技术路线和数据合作方式。

9月15日周二
  1. 公众号：生数科技67

    生数科技发布 Vidu S2：含 Avatar 与 Editing 双模型，探索空间视频

    生数科技正式发布 Vidu S2，包含面向数字角色实时交互的 Vidu S2-Avatar 和面向视频流实时编辑的 Vidu S2-Editing，并探索面向 VR 头显的实时空间视频生成与编辑。

    推荐理由：官方发布 Vidu S2 双模型，给出实时交互、编辑与空间视频的技术路线和评测数字，读者可对照判断其流式生成思路。

  3. IT之家·人工智能60

    新型脑机接口首次同步解码语言与肢体动作

    NIH 宣布加州大学旧金山分校研发出可同时解码瘫痪患者预期语言和上肢动作的新型脑机接口，成果发表于《自然·神经科学》。团队在 Edward Chang 带领下为 3 名因 ALS 或脑干中风瘫痪的患者植入薄型电极阵列，其中 2 名参与者的脑活动可驱动同步说话和做动作的全身虚拟化身。

  7. Rohan Paul56

    Rohan Paul 转引 ElevenLabs 在 MCP 中新增语音、音乐、图像和视频生成功能，可生成语音、转录、配音、音乐、音效、图像和视频。作者用同一提示词在四个模型上测试，只有一个符合硬光约束，并认为模型放在同一 MCP 后无需预先选型，跑任务看各自表现即可选用合适的那个。

    引用ElevenLabs@ElevenLabs

    Introducing voice, music, image, and video generation in the ElevenLabs MCP. Generate speech, transcripts, dubs, music, sound effects, images, and video from the assistant you already work in.