跳到正文
#多模态
9月10日周四
  2. IT之家·人工智能55

    苹果发布全新 Siri AI，支持中文但首发无缘中国大陆

    苹果在 2026 秋季新品发布会上发布全新 Siri AI，计划支持英语、简体中文、繁体中文等 16 种语言，但首发不支持中国大陆使用。Siri AI 已以英语推出 Beta 版，10 月将支持法语、日语、韩语、葡萄牙语和西班牙语等；首发功能较基础，包括拼写纠正、拍照问 Siri AI、照片 AI 消除改变空间视角等。

  3. Ant Ling51

    蚂蚁百灵发布 Ling-3.0-flash-VL，并与 Day-0 合作伙伴 Novita 同步上线，限时免费 14 天。

    引用Novita AI@novita_labs

    🚀 Ling-3.0-flash-VL from @AntLingAGI is now live on Novita. Launching as a Day-0 partner ⚡ 🎁 Free for 14 days. Ling-3.0-flash-VL is a native multimodal MoE model built on Ling-3.0-flash, bringing visual information into understanding, reasoning, acting, and verification. 🔹 124B total parameters · 5.5B active parameters per token 🔹 Native image and video input 🔹 OpenAI-compatible serverless API 🔹 Function calling, reasoning, and Anthropic API support Built for multimodal reasoning, visual agent workflows, and long-context tasks.

  4. Ant Ling52

    蚂蚁百灵宣布与 day0 合作伙伴 Novita 合作，Ling-3.0-flash-VL 现已可在 Hugging Face 上体验，免费 14 天。该模型总参数 124B、每 token 激活 5.5B，原生支持图像和视频理解，面向多模态推理和智能体工作流。

    引用Novita AI@novita_labs

    🤗 Novita now supports Ling-3.0-flash-VL on @huggingface. 🎁 Free for 14 days. • 124B total parameters · 5.5B active parameters per token • Native image and video understanding • Built for multimodal reasoning and agentic workflows

  6. Cohere 产品与研究博客66

    Cohere 发布开源权重翻译模型 North Small Translate，WMT26 得分 83.60 超越 DeepL 与 Google Translate

    Cohere 发布机器翻译模型 North Small Translate，为 MoE 架构，总参数 218B、激活 25B，支持 50+ 语言，WMT26 全语言得分为 83.60，高于 DeepL NextGen 的 81.37 和 Google Translate 的 68.20，Agentic 版本达 84.36。

    推荐理由：官方公布了 WMT26 各语言和分区域得分、吞吐与单任务成本数据，读者可据此评估其相对 DeepL 和开源模型的位置。

9月9日周三
  2. TechCrunch：AI64

    Suno 发布用授权音乐训练的新模型 Suno v6，包含 base、wild、mini 三个版本

    Suno 发布新模型家族 Suno v6，称其使用 Warner Music Group、BMG、Believe 等授权数据训练，不使用训练旧版模型的数据。模型分三档：面向付费用户的 base 版更可控，付费用户可用的 wild 实验版用于获取意外结果，mini 版更快并对所有用户开放；新模型支持用提示词编辑歌曲片段、以文本图片或视频为参考生成曲目，并可分离乐器采样制作节拍。

  3. IT之家·人工智能66

    Suno 发布 v6 系列 AI 音乐模型，含 v6、v6-wild 和 v6-mini 三款

    Suno 推出 v6 系列 AI 音乐模型，包含 v6、v6-wild 和 v6-mini 三款，并与华纳音乐、BMG 等唱片公司达成合作。v6 主打旗舰，v6-wild 面向实验性音乐，仅 v6-mini 向免费用户开放，另两款需 Pro 或 Premier 订阅。生成速度更快，几秒即可出音乐，支持自然语言编辑歌曲片段、从多个音频源生成混音、单独提取采样，并可从音频或图片等多模态输入生成歌曲。

  5. Ant Ling55

    inclusionAI 在 ModelScope 发布开源视觉模型 Ling-3.0-flash-VL，采用 MIT 协议，提供 BF16 和 FP8 两种权重。

    引用ModelScope@ModelScope2022

    inclusionAI's Ling-3.0-flash-VL brings vision to agent workflows, with BF16 and FP8 weights.📜 MIT. 🤖 https://modelscope.ai/models/inclusionAI/Ling-3.0-flash-VL 🤖 https://modelscope.ai/models/inclusionAI/Ling-3.0-flash-VL-fp8 🏆 Scores 42 on the Artificial Analysis Intelligence Index v4.1.1, up 4 points from Ling-3.0-flash. 👁️ Read charts and documents, count objects, and reason with visual evidence. Turn web and software interfaces into action sequences. 🎬 Understand images and videos. VideoRoPE tracks space and time for event localization, long-video Q&A, and video editing workflows. 🧠 124B total parameters, just 5.5B active per token. A hybrid KDA + Gated MLA backbone supports context up to 1M tokens. 📦 Choose BF16 or FP8 for lower weight memory. Deployment recipes cover SGLang and vLLM.

  6. Ant Ling54

    蚂蚁百灵发布 Ling-3.0-flash-VL（124B/5.5B MoE），具备原生图像和视频理解与 1M 上下文窗口，SGLang 上线 Day-0 支持。模型采用 ViT 编码器加 MLP projector 的原生多模态方案、用于时空编码的 VideoRoPE，以及 42 层 KDA 加 Gated MLA 按 5:1 组成的混合骨干网络以支持 1M token 长上下文。

    引用SGLang@sgl_project

    Meet Ling-3.0-flash-VL (124B/5.5B MoE) from @AntLingAGI, with native image + video understanding and a 1M context window. Day-0 support is live in SGLang! > Native multimodal: ViT encoder + MLP projector brings vision into the full loop of understanding, reasoning, acting, and verification > VideoRoPE: encodes space + time for event localization, long-video QA, and clip editing > 42-layer hybrid backbone: KDA + Gated MLA at 5:1 for efficient 1M-token long context Run Ling-3.0-flash-VL with SGLang!

  9. OpenRouter：Announcements71

    OpenRouter 评测 Seedance 2.5：长镜头与已有素材编辑的场景及成本解析

    OpenRouter 发布对 ByteDance Seedance 2.5 视频模型的评测，该模型自 2026 年 8 月 7 日上线其视频 API，生成 4 到 30 秒、480p 或 720p 的片段，支持图像、视频、音频引用和首尾帧控制，音频同趟生成不加价。

    推荐理由：原文基于自家端点数据给出 Seedance 2.5 的计费公式、能力边界和与 Seedance 2.0、Wan 3.0、Veo 3.1 的逐项对比，便于按需求选型。

  10. OpenRouter：Announcements64

    OpenRouter 教程：用代码调用 Nano Banana 2 编辑图像

    OpenRouter 发布教程，演示通过 API 向 google/gemini-3.1-flash-image（即 Nano Banana 2）发送源图和文本指令完成图像编辑，编辑结果以 base64 形式在响应中返回。教程给出 Python 和 TypeScript 示例、提示词写法、多轮小步编辑方法，以及更换模型只需改一个字段，并介绍了 Nano Banana 系列四个成员的价格与质量差异。

    推荐理由：原文给出完整可运行的图像编辑请求代码和提示词写法，读者可以照搬并把模型换成其他供应商做对比。

  13. 蚂蚁百灵：Developer Blog64

    蚂蚁百灵开源首个原生多模态大模型 Ling-3.0-flash-VL

    蚂蚁百灵发布并开源首个原生多模态大模型 Ling-3.0-flash-VL，基于 Ling-3.0-flash 的 MoE 架构拓展，总参数 124B、单次推理激活 5.5B，原生支持图像、文本与视频输入，上下文窗口 256K Token。

    推荐理由：官方给出架构参数、视觉反馈机制和评测细节，可帮助读者判断原生多模态训练对文本能力的实际影响。

9月8日周二
  1. Demis Hassabis54

    Google DeepMind 发布 AlphaGenome Atlas，一个 AI 驱动的可搜索数据库，绘制全部 90 亿种单碱基 DNA 变异的预测影响，帮助科学家更好地理解疾病。

    引用Google DeepMind@GoogleDeepMind

    We’re launching AlphaGenome Atlas: an AI-powered searchable database mapping the predicted impact of all 9 billion possible single-letter DNA changes. Here’s how it could help researchers better understand our biology 🧵

  2. IT之家·人工智能54

    谷歌 DeepMind 推出 AlphaGenome Atlas，覆盖人类基因组 90 亿种单核苷酸变异预测

    谷歌 DeepMind 推出 AlphaGenome Atlas 平台，包含人类基因组约 90 亿种单核苷酸变异的功能预测，学术界可通过门户网站和 AlphaGenome API 免费使用。平台规模达 1 PB，比 AlphaFold 数据库大 30 倍以上，同时发布结合 AlphaGenome 与 AlphaMissense 预测的 AVI 评分，在多种变异致病性和罕见疾病基准测试中表现一流。

  4. Sundar Pichai54

    Google DeepMind 发布 AlphaGenome Atlas，一个 AI 驱动的可搜索数据库，预测全部 90 亿种单碱基 DNA 改变的影响。该工具在普通网页浏览器即可使用，无需编程，向学术研究者免费开放。Sundar Pichai 转发并介绍这一交互式资源，期待后续科学发现。

    引用Google DeepMind@GoogleDeepMind

    We’re launching AlphaGenome Atlas: an AI-powered searchable database mapping the predicted impact of all 9 billion possible single-letter DNA changes. Here’s how it could help researchers better understand our biology 🧵

  11. OpenAI：部署安全与系统卡52

    OpenAI 发布 ChatGPT Images 2.5 系统卡

    OpenAI 发布 GPT-Image-2.5-Sunburst 和 GPT-Image-2.5-Flare 的系统卡，说明训练数据来源与过滤流程。评估显示两款模型均未跨越 Bio High 或 Cyber High 阈值，但仍沿用 GPT-Images 2.0 的预防性做法，将生物风险按 High 能力对待，用安全推理模型对所有输入和输出执行图像版生物风险政策。

  13. MarkTechPost56

    Reducto 发布 r-1 单遍文档解析模型，错误率降 20%、每页 1 美分

    Reducto 发布 r-1，用一次全页解析替代多阶段 agentic OCR 流水线，官方称相较自家旧管线错误率降低 20%，价格从每页 3 至 6 美分降至 1 美分全包。r-1 原生处理表格、阅读顺序、格式和边界框 grounding，需 V3 Parse API 通过 settings.model 开启，暂无开源权重；对标 Amazon Textract 等的评测为厂商自测，未公开数据集。

  14. IT之家·人工智能56

    微信支付智能眼镜 SDK 上线，Rokid 乐奇 AI 眼镜完成首款适配

    微信支付上线智能眼镜 SDK，将扫一扫支付能力封装后向符合标准的智能眼镜厂商开放，Rokid 乐奇 AI 眼镜为首款适配产品。用户需先在厂商 App 开通并验证支付密码，日常付款分唤起、扫码、滑动镜腿确认、语音播报四步，基础版每日限额 200 元，具备虹膜或指纹等身份识别的设备可享更高额度。SDK 目前处于 Beta 阶段，仅支持扫描收款码付款，暂不支持小程序码、加好友等场景。

9月7日周一
  2. IT之家·人工智能54

    消息称字节跳动开发实时空间视频生成 AI 模型，张一鸣亲自督导，最快下月发布

    据彭博社报道，字节跳动正开发实时空间视频生成 AI 模型，创始人张一鸣亲自督导研发，计划最早下月发布，发布时间尚未最终确定。该模型基于电影级视频生成模型 Seedance 构建，面向直播、短剧和游戏创建交互式虚拟世界，可在每秒 20 帧帧率下以约 50 毫秒延迟按需生成视频流，响应 Pico 头显用户的语音或动作。

  4. IT之家·人工智能59

    京东 JoyAI App 推出首个能实时视频购物的 AI 数字人

    京东 JoyAI App 推出可实时视频购物的 AI 数字人，通过“万能博士”在视频通话内实时解析商品画面、调取京东商品并直接下单，全程不切换 App。用户上传一张图片即可自定义数字人形象、人设、音色和交互场景，数字人还支持点外卖、订酒店、健康咨询、金融咨询等服务，支付环节搭载京东 AI 付声纹验证。今年以来 JoyAI App 对话用户数增速超过 15 倍。