Rohan Paul@rohanpaul_aiAI 评分6060Muse Voice Transcribe is MSL's first real-time audio perception model -- rolling out today. SOTA in streaming speech-to-text, it handles speaker diarization, and endpointing natively in a single model.
Google AI Developers@googleaidevsAI 评分5151
Fei-Fei Li@drfeifeiAI 评分5757Introducing Atlas: The world's first multimodal world model that generates image and video frames with pixel-perfect camera control and reconstructs them in 3D. Model the world, move the camera, and simulate space & time.
Google DeepMind 为 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 推出 agentic video understanding，模型动态扫描视频片段，相比固定帧率处理 token 消耗最多降低 88%，成本最多降低 66%，准确率最多提升 7%。
推荐理由：官方说明列出 token、成本与准确率三项数字和开启方式，开发者可据此评估长视频分析是否换用该模式。
World Labs@theworldlabsAI 评分4848推出 Atlas： 全球首个多模态世界模型，可生成图像和视频帧，具备像素级精准的相机控制，并在 3D 中重建它们。 建模世界，移动相机，模拟空间与时间。
Rohan Paul@rohanpaul_aiAI 评分5757Visko 发布首个 Live Model「Orbis 1.0」，一个实时、可引导的视频生成模型，可实时流式生成持续进行的世界，具备持久记忆、交互性和基于物理的无限长度生成。
Today, we are introducing Orbis 1.0, our first Live Model! Create living worlds and stream them in real time, with persistent memory, interactivity, and physics-grounded generation of unbounded length. Try it now at https://www.visko.ai/models#orbis API available via @reactorworld Dynamic version: http://reactor.inc/sandbox?model=visko-orbis-dynamic Stable version: http://reactor.inc/sandbox?model=visko-orbis-stable
Google 面向 Workspace 用户推出创意设计工具 Google Pics，基于 Gemini 和 Nano Banana 模型，支持点击图片中特定对象或文字后用提示词编辑，可从零生成图像、改写和翻译文字、放大到 2K 或 4K 分辨率，并快速裁剪为网页、社交媒体、印刷等格式。
Nvidia 将于本周正式发布 DLSS 5，目前仅 NBA 2K27（9 月 3 日晚 9 点 PT 上线 PC）支持，官方适配 RTX 50 系桌面和笔记本 GPU 及 GeForce Now。
Runway 发布 Solaris，称其为 Interface World Model 类别下的首个模型，不运行代码，而是以 720p 逐帧实时渲染界面，并响应点击、拖拽或语音指令。
FFmpeg 宣布英伟达 GPU 帧插值功能通过 Vulkan API 正式并入项目，可借助 GeForce RTX GPU 预测生成下一帧来提高视频帧率。
阿里宣布升级千问学习辅助功能，新增与教材同步的单元作文辅导、初中语文和数学教材精讲，并将“小讲堂”互动讲解能力扩展到高中和大学数理化拍题讲解，相关功能免费开放。升级强调引导学习过程而非直接给答案，学生可在讲解中随时打断追问，千问会根据具体问题调整讲解内容和节奏。
中国科学院大连化物所联合科大讯飞、阿里云等研发的智能化工大模型 3.0 Pro 于 8 月 31 日发布，从知识问答模型升级为化工任务智能执行系统。模型构建大模型、智能体、专业技能与工具、应用场景四层体系，集成超过 400 个化工智能体和工具，文本问答与多模态问答准确率分别为 81.96% 和 80.75%，综合得分较 3.0 版本相对提升 20.2% 和 31.4%。
上海AI实验室发布 InternLumina-U2，一个 16B 参数（激活 1B）的 MoE 扩散语言模型，用 8 码本全离散视觉表示统一覆盖文本问答、文生图、图像理解与编辑、视频及 3D 理解。
推荐理由：原文给出多码本全离散统一架构的设计细节、基准分数和双硬件适配说明，读者可以了解统一理解与生成模型的一条新路线。
湖南卫视宣布国内首部 AIGC 长剧《后西游记》第一季“花果山篇”于 8 月 31 日下午 6 点在湖南卫视、芒果 TV 首播，实时收视率同时段位居省级卫视第一名。
Meta Superintelligence Labs 发布 Muse Voice Transcribe，称其为首个实时音频感知模型，提供流式 ASR、最多 20+ 说话人的 diarization 和 endpointing。
推荐理由：原文给出流式 ASR、说话人分离和自适应延迟的技术细节与架构说明，读者可以了解其实时语音感知的实现方式。
vLLM-Omni 团队发布 MiniMax H3 生产级服务实践，先做系统级优化，再集成 FastVideo 的四步 FastH3 蒸馏学生模型，将去噪循环从 49 次 DiT 前向降到 4 次。
Instagram 宣布把现有 AI creator 标签更名为 AI-generated profile，未正确标注 AI 生成人物的账号将被限制触达范围，正确使用标签则不会仅因使用 AI 人物而受罚。
Instagram 宣布将“AI 创作者”标签改为“AI 生成账号”标签，因用户常无法区分 AI 账号与真人。未标注的账号将限制触达和推荐，受影响账号可通过 Account Status 申诉；仅将 AI 作为工具的创作者无需标注，选择标注者保留完整触达。
Runway 发布 Solaris，称其为新模型家族 Interface World Models 的第一个模型，由世界模型实时逐帧生成界面并对点击、拖拽等交互作出响应，无需代码等中间表示。
推荐理由：官方完整披露了模型机制、用户研究和局限，读者可以据此理解去除中间表示后界面生成与智能体训练的路径。
微软研究院推出 GigaPath-Flash 和 GigaTIME-Flash，旨在通过蒸馏技术大幅降低计算成本以支持大规模病理研究。GigaPath-Flash 将十亿参数模型压缩至 22M 参数，在保持竞争力的同时实现约 50 倍的算力节省；GigaTIME-Flash 则提升了空间蛋白质组学预测效率并改善了泛化能力。两款模型均以 Apache 2.0 协议开源，专为科研设计而非临床诊断，使研究人员能在单 GPU 上处理百万级切片数据。
DeepSeek 于 8 月 31 日在 Hugging Face 开源首个多模态模型 DeepSeek-V4-Flash-Vision-Exp，采用 MIT License，公开模型文件、Tokenizer、Prompt Encoding 参考实现及最小化 PyTorch 推理实现。
推荐理由：原文梳理了模型开源内容与能力定位，读者可据此评估其在多模态 Agent 场景中的可用性。
谷歌 AI 应用 Dreambeans 已取消付费订阅要求，并在美国开放免费测试。该应用是一款高度个性化的信息流应用，每天早晨提供数量有限的 AI 插图式新闻，而非无限浏览。Dreambeans 依托用户授权的 Gmail、日历、谷歌相册、YouTube、搜索记录等谷歌应用信息，生成地理位置推荐、生活随笔等个性化内容。
火山引擎正式发布联网问答 Agent 教育行业版本，将「豆包爱学」同款拍题答疑、作业批改等 AI 辅导能力对外开放。该版本覆盖小学至高中全学科，支持分步讲题、整页智能判分，并依托豆包搜索整合上百个权威信源保障内容可信。教育类 APP、智能硬件及进校设备厂商现可通过火山引擎控制台接入。
阿里千问今日宣布千问创作上线 Agent Teams 功能，支持 Wan3.0，将创作方式从写提示词扩展为用户提出创意、Agent 主动思考拆解并执行任务。该功能已在千问创作 PC 端和千问 App 上线，由编剧、导演、美术、视频生成等不同角色的 Agent 分工协作，完成从创意策划到成片制作的全流程，支持创作 AI 短剧、漫剧、营销广告等。
蚂蚁 inclusionAI 发布 LLaDA-UI，一个基于 MoE 的块级扩散视觉语言 GUI Agent，端到端约 16.7B 参数，结合原生动态分辨率视觉编码器与 LLaDA2.0-mini-base 扩散语言骨干。
千问创作上线Agent Teams功能，将创作方式从写提示词扩展为用户提出创意、Agent主动拆解执行，由编剧、导演、美术等不同角色Agent分工协作完成视频制作全流程。该功能已在千问创作PC端和千问APP上线，支持多设备协同，并首发接入Wan 3.0视频生成模型及Wan3.0 Prime满血版，同时汇集Qwen-Image-3.0等模型。
Rohan Paul@rohanpaul_aiAI 评分4141OpenAI 正加快 Astra 模型发布进程，新增 mozaik-alpha-fdm 测试阶段以扩大内部测试范围。多方爆料认为 Astra 很可能就是外界所称的 GPT-6，参数规模或达 10 万亿。测试显示，该模型仅 1 次对话交互即可生成类似《侠盗猎车手 2》的游戏及精细网站、3D 对象和体素环境，但推理时间比 GPT-5.6 Sol 长得多。
MirroS 推出 Code-as-World 范式，将物理场景表示为可执行的 scene.json，由 MuJoCo 运行并通过最多五轮智能体循环从真实视频中恢复。
Google 发布 Gemini Omni 1.1 Flash 生产更新，场景扩展可读取最多 10 秒先前上下文并累计至 40 秒，支持首尾帧控制运镜。360p 草稿生成速度提升最高 60%、成本为 720p 的三分之一，成片可放大至 4K。模型经 Gemini API 提供，Adobe、Figma Weave、GMI Cloud 和 Runway 已投入生产使用。
LAION 发布 Big Video Dataset（BVD），从 CommonCrawl 的 13 亿视频 URL 中下载了 8000 万个视频，总计 1000 万小时，并提取了 5500 万个带自动生成描述的视频片段和 3 亿张静态图像。
纳米Work上线Humanize PPT活人感PPT Skills，DeepSeek V4 flash价格降至原价2.2折。实测中，18页产品发布会PPT可直接编辑，混乱Excel自动统一六种日期格式并补算96行缺失销售额，行业报告自动标注数据来源，品牌视觉方案输出统一风格的Logo、包装与社媒素材。作者认为其预装工具生态降低了普通用户使用门槛。
Perplexity@perplexity_aiAI 评分4747GLM 5.3 现已登陆 Perplexity Computer。 它专为长上下文、多模态智能体工作负载而构建，在我们面向大规模、有证据支撑的研究的基准测试 WANDR 上，超越了 GLM 5.2。
昆仑万维旗下 SkyProduction（天工工作台）正式接入阿里 Wan 3.0 视频生成模型，8月28日—30日面向所有用户限时免费。8月31日起恢复收费，价格低至0.05元/秒，为全网最低价。Wan 3.0支持原生30秒生成、同时参考10张图片/5个视频/5个音频及文档内容，并强化像素级一致性与精准视频编辑能力。
DJ 市场 Beatport 开始禁止完全或大部分由 AI 生成的音乐，人类主导、仅使用 AI 辅助的曲目仍可上架但会被标记。平台借助合作伙伴 Beatdapp 的检测工具在上传时过滤 AI 曲目，被拒曲目权利人将收到通知。调查显示 60% 用户不会在演出中播放 AI 音乐，77% 更偏爱人类创作的音乐。
OpenCode@opencodeAI 评分4949百度智能云推出公路事件检测一体机，核心为参数量行业居首的40B交通行业多模态大模型，具备场景理解、多端泛化和轻量蒸馏能力。该产品首创大小模型融合检测方案，由“视觉一检”快速扫描、“多模态二检”精准研判，并配合蒸馏出的8B、2B及视觉轻量模型。在广东佛开高速实测中，日间事件检测平均准确率超过95%，支持边缘侧一体机、中心侧一体机或算法授权等部署形态。
智谱上线并开源原生多模态模型GLM-5.3-Flash（320B-A18B），百度智能云同步完成全栈适配，成为业内首批实现全栈支持的云厂商。该模型在AA综合智能指数中取得57分，与Claude Opus 4.8持平，编程表现亦相当。百度百舸、千帆、秒哒、视频云及Comate均已接入，企业客户与开发者可第一时间体验。
