#多模态

Google DeepMind 发布世界模型 Genie 4 研究预览版，新增音频与实时场景调整

Google DeepMind 于周二以研究预览形式发布世界模型 Genie 4，可生成迄今最逼真的可交互世界，支持模拟中途用提示词改变场景，并实时生成与画面匹配的音乐、环境音和对话音频。

Sundar Pichai@sundarpichai· 00:32同事件AI 评分6565

Google 发布 Genie 4，称其为其最真实、最具交互性的世界模型。它支持实时引导动态环境、调整事件、镜头角度和动作，可生成与场景匹配的原生音频并让角色实时对话，模拟照片级真实场景和现实物理，并通过 Gemini 推理创建更连贯的多步事件。

同一件事，精选收录的是《Google DeepMind 发布实时交互世界模型 Genie 4》

Google DeepMind@GoogleDeepMind· 00:22AI 评分6060

Google DeepMind 发布 Genie 4，称其为迄今最逼真、交互性最强的世界模型。用户可实时探索动态环境，观察场景如何响应与发声，以及场景中人物如何移动、反应和说话。

Google AI@GoogleAI· 00:19同事件AI 评分6767

Google DeepMind 发布世界模型 Genie 4，称其为最逼真、可交互的世界模型。用户可用自然语言实时控制世界和音景，如改变天气、移动镜头或向环境添加新元素；Gemini 充当模拟的“大脑”，负责把请求转成动作、规划复杂事件并随剧情调整，模型还新增环境音和可实时适应的互动人物对话。

同一件事，精选收录的是《Google DeepMind 发布实时交互世界模型 Genie 4》

Google DeepMind 发布实时交互世界模型 Genie 4

Google DeepMind 发布世界模型 Genie 4，主打实时交互模拟、更强照片级真实感，并首次在实时世界模型中原生生成音频，包括环境声和可实时交互的人物对话。

Rohan Paul@rohanpaul_ai· 20:25AI 评分5757

@Hi3D_AI 开源 image-to-3D 模型 Hi3D v1.0（前身 Sparc3D），代码和权重已在 GitHub 和 Hugging Face 发布，可免费商用（上限 200K 月用户或 $1M 月收入）。

百度开源 Unlimited OCR 2，面向数百页长文档解析

百度开源 3.34B 参数的 OCR 模型 Unlimited OCR 2，MIT 许可，可单次请求解析数百页文档。核心是 SR-SWA 稀疏参考滑动窗口注意力，用 512 token 固定参考集加 128 token 局部窗口使每步解码开销基本不随页数增长。

vLLM Semantic Router 发布 27B 开源多模态决策模型 d3-ultra

vLLM Semantic Router 团队发布 Apache-2.0 开源的 27B 多模态决策模型 d3-ultra，属于 Decision 3.0 家族，不生成文本，而是单次读取输入后对每个问题返回概率，支持 Choice、Yes/No、Score、Box、Track 五类问题。

报告称豆包引用抖音权重从10.79%升至31.8%，视频成主力信源

新榜智汇本月报告显示，豆包对抖音的引用权重从5月的10.79%升至8月的31.8%，每引用3条内容就有1条来自抖音；百度6月首次将B站和好看视频纳入信源库，二者权重之和达12%。报告指出，标题关键词覆盖度与引用次数的相关系数为ρ=+0.149（抖音+0.157），高于语义相似度的+0.117，建议视频创作者标题贴合用户提问用词，并确保与目标提问词语义相似度达标。

GHARP：基于大规模重建先验的实时高斯头部动画

Apple 研究团队提出 GHARP，可从少量输入图像和驱动表情信号实时驱动 3D 人头动画。该方法将问题拆为离线构建身份几何与外观表示、运行时用轻量网络预测表情相关残差两阶段，并加入身体对齐网络消除身体姿态与衣物位置带来的歧义。在 Ava-256 基准上达到 SOTA 质量，在 A100 GPU 上运行速度最高提升 13×，高斯数量减少 8×。

Philipp Schmid@_philschmid· 01:47AI 评分5555

Google 发布 Gemini API CLI，一个用于调用 Gemini API 的命令行工具，可交给 Claude Code、Codex、Antigravity、Cursor 等已有 Agent 使用。

Apple 发布搭载 A20 Pro 的全新 iPad mini，配备 8.5 英寸 OLED 屏并支持防水防尘

Apple 发布全新 iPad mini，搭载 8.5 英寸 OLED 屏幕（峰值亮度较上一代高出 2 倍以上，可选纳米纹理版）、A20 Pro 芯片和 IP67 级防水防尘，起售价 699 美元。10 月 28 日起在 36 个国家和地区开启预购，11 月 6 日正式发售；Siri AI 以 beta 形式随 iPadOS 27.2 提供，暂未在欧盟开放。

字节跳动即梦短剧工作室上线，提供自研剧本、图片、分镜模型

字节跳动旗下即梦 AI 于 10 月 26 日宣布即梦短剧工作室正式上线，提供自研剧本模型 DreamScript、图片模型 Anycook 和分镜模型 DreamShot。

月之暗面发布 Kimi K3.1 Pro，3 万亿级参数支持 100 万上下文

月之暗面正式推出 Kimi K3.1 Pro，为 K3.1 系列首个模型，3 万亿级参数、支持 100 万上下文，并同步推出输出速度约 2~3 倍的 Kimi K3.1 Pro Highspeed。

同一件事，精选收录的是《月之暗面发布 Kimi K3.1 Pro，100 万 token 上下文，开放权重将于 11 月 4 日前释出》

数字生命卡兹克@Khazix0918· 11:19同事件AI 评分7979

Kimi 于今天凌晨发布旗舰模型 Kimi K3.1 Pro，参数规模2.8T，支持100万Token上下文，完整模型权重预计11月4日前开放，API输入每百万Token 13元、输出68元，比K3基本砍半。

同一件事，精选收录的是《月之暗面发布 Kimi K3.1 Pro，100 万 token 上下文，开放权重将于 11 月 4 日前释出》

Kimi 发布开源旗舰模型 K3.1 Pro：2.8T 参数、100万 Token 上下文，实测 3D 与视频动效

月之暗面发布旗舰模型 Kimi K3.1 Pro，参数 2.8T，支持 100 万 Token 上下文，完整模型权重预计 11 月 4 日前开放。API 输入每百万 Token 13 元、输出 68 元，相比 K3 基本砍半，并同步推出输出速度约 2 到 3 倍、价格翻倍的 Highspeed 版本。

月之暗面发布 Kimi K3.1 Pro：2.8T 总参数/104B 激活的 MoE 模型，支持 1M 上下文

月之暗面发布 Kimi K3.1 Pro，总参数 2.8T、激活 104B（MoE），上下文窗口 1M token，已上线 Kimi.ai、Kimi Work、Kimi Code 和 Kimi API。

月之暗面发布 Kimi K3.1 Pro：3 万亿级参数，Terminal-Bench 4.0 得分超 GPT-6 Astra

月之暗面 10 月 24 日凌晨正式发布 Kimi K3.1 Pro，为其迄今能力最强的 3 万亿级参数模型，支持 100 万上下文，同步推出输出速度快约 2~3 倍的 Highspeed 高速版。

Claude Opus 5.5 用 Sobel 边缘检测快速"画"出照片

Simon Willison 用提示词让 Claude Opus 5.5 High 构建了一个 artifact：打开照片后，几秒内用 canvas 元素和模拟画笔"画"出该照片的版本。该工具使用 Sobel 边缘检测，除 Google Fonts 外不依赖任何外部库。

OpenRouter@OpenRouter· 02:37精选AI 评分7777

OpenRouter 宣布月之暗面的 Kimi K3.1 Pro 上线，定位为基于 Kimi K3 后训练、面向长程编码和智能体任务的 1M 上下文多模态开源权重模型。定价为 $2/M input tokens、$10/M output tokens，可在 OpenRouter 直接试用。

Kimi K3.1 Pro 发布，以 55 分位列 Artificial Analysis Intelligence Index 第 4

Moonshot 发布 Kimi K3.1 Pro，在 Artificial Analysis Intelligence Index 得 55 分列第 4，较 Kimi K3 提升 11 分，仅低于 Claude Opus 5.5、Claude Sonnet 5.5 和 Muse Wonder Full。

Arena.ai@arena· 02:04AI 评分7373

Arena 宣布 Kimi K3.1 Pro 在 Code Arena: WebDev 以 1692 分排名第 8，较 Kimi K3 (Max) 的第 17 名（1655 分）上升 9 位，与 Claude Opus-5 (Max) 持平但成本低 70%。

月之暗面发布 Kimi K3.1 Pro，100 万 token 上下文，开放权重将于 11 月 4 日前释出

月之暗面发布 Kimi K3.1 系列首个模型 Kimi K3.1 Pro，为 3T 级开放权重模型，上下文窗口 100 万 token，并同步推出速度快 2-3 倍的 Kimi K3.1 Pro Highspeed。

SiliconFlow@SiliconFlowAI· 00:04AI 评分6868

SiliconFlow 宣布 MiniMax-M3.1-Flash 在开放权重发布首日上线其平台。该模型在 DeepSWE v1.1 得分 73.7%，OSWorld V2 得分 61.7，原生支持文本、图像和视频输入的 1M 上下文，采用全层稀疏注意力的 MSA 架构，相比 M3 推理速度提升近 3 倍，智能体任务成本降低 70%。

面壁智能在 CNCC 2026 举办第三届端侧大模型论坛，发布 MiniCPM5 与 VoxCPM2 等成果

面壁智能在 CNCC 2026 期间举办第三届端侧大模型论坛，以"定义端侧通用人工智能"为主题，围绕文本、语音、多模态交互、AI 自进化与智能体五大方向展开。MiniCPM 系列累计下载量突破 6000 万次，17 次登顶 Hugging Face 榜单首位，MiniCPM5-2B 在 AA-Index 4B 以下排名第一。

禾赛发布三维世界数据引擎 Kosmo 及 8K AI 空间相机 Kosmo One

10 月 14 日，禾赛科技正式发布三维世界数据引擎 Kosmo，同步推出集成 8K 影像系统的 AI 空间相机 Kosmo One 和云平台 Kosmo World，瞄准具身智能与世界模型的真实世界数据需求。

ViggleAI@ViggleAI· 07:02AI 评分4444

我们的世界基础模型 JST-2 已于 3 天前发布。 输入文本、图像或视频，输出 3D 角色、动作和场景。 以下是人们自那以来用它构建的作品。一个线程 🧵

World Labs@theworldlabs· 01:54AI 评分4646

Atlas 让你从单张输入图像开始构建大型 3D 环境。 随后你可以在该世界中定义一条相机路径，并沿路径生成视频。 下面展示了 3D 结构、相机路径与最终飞越视频之间的关联。

IDC：火山引擎以45%份额居中国AI座舱市场第一

IDC《中国汽车云市场跟踪，2026H1》显示，2026年上半年中国AI座舱解决方案市场规模达7.1亿元，火山引擎以45%份额位居第一。搭载豆包大模型的汽车已有700万辆上路，覆盖50个品牌、145个车型，日均座舱交互3000万次。火山引擎今年推出基于 Agentic AI 架构的“豆包座舱助手”和“AI座舱套件”，首款搭载车型荣威家越07已于9月开启预售。

OCRia-1 发布：4B 参数文档解析模型登顶 ParseBench

OCRia-1 是一款 4B 参数的视觉语言模型，在 ParseBench 上取得 87.4 总分，领先第二名 12.1 分，创下 35B 参数以下解析模型的最高分。

NVIDIA Earth-2 开放模型在欧洲落地：StormScope EU 与多行业天气预测应用

NVIDIA 在 GTC Berlin 展示与 Earthmover 合作的 StormScope EU 实时预报演示，该模型基于 EUMETSAT 卫星观测，每 10 分钟更新一次欧洲云况预测。

Google Research 发表 AI 盲扫超声孕周评估研究，准确性与专家操作相当

Google Research 在 JAMA Network Open 发表前瞻性多中心研究，评估基于"盲扫"超声的 AI 孕周评估模型在不同临床环境和设备上的泛化能力。

腾讯内测 AI 互动社区“懂了鸭”：一句话生成可玩的动态课件与 3D 演示

腾讯正在内测面向少儿与青少年的 AI 互动内容社区“懂了鸭”，官网与微信小程序已上线，向亲子用户和一线教师开放小范围测试。用户输入自然语言即可由内置 AI 智能体生成 3D 演示、动态课件、互动绘本等“奇妙卡”作品，无需编程，并可浏览和二次改编他人作品。

Kling AI@Kling_ai· 23:33AI 评分6262

可灵（Kling AI）宣布 Kling 4.0 现已在 fal 平台可用。据 fal 介绍，该模型是新一代原生多模态视频模型，复杂运动更稳定、角色与场景参考一致性更强、电影化叙事控制更精准；目前仅通过 fal UX 和 fal Agent 提供，API 访问即将推出。

OpenBMB@OpenBMB· 22:01AI 评分4747

面壁智能展示 MiniCPM-V 4.7 1B 已在开发者 @mustafaergisi 的 OnDeviceLLM 应用中运行于普通 iPhone，不再限于 12GB 内存的 Pro Max 机型。该应用可读取收据并询问总额、从传单提取信息、理解截图，且支持飞行模式离线运行、图像处理全程留在设备端。官方称这是开源小多模态模型落地真实应用的实例，并征集社区 demo 与用例。

X.PIN@thexpin· 19:30AI 评分4646

GPT-6 和 Fable 5.5 发布后中国模型沉寂超一个月，有观点认为中国无法再靠知识蒸馏缩小与 OpenAI、Anthropic 的差距。

NVIDIA 发布 Nemotron 3.5 Embed、Rerank 和 Parse 开源检索模型

NVIDIA 扩展 Nemotron Retriever 系列，发布 Nemotron 3.5 Embed（8B BF16、1B BF16、1B NVFP4）、Nemotron 3.5 Rerank 8B BF16 和 631M 参数的 Nemotron 3.5 Parse，均为开放商用权重。

Synaptics 推出 Astra SR200 系列 xMCU：内置谷歌 Coral NPU，最高 400 GOPS AI 算力

Synaptics 推出 Astra SR200 系列 xMCU，内置 Google Research 的 Coral NPU，集成可扩展至数百 MB 的高带宽定制 DRAM，可在设备端运行更大规模 AI 模型和多模态负载。

Spotify 一年从推荐流移除超 5000 万首低质 AI 音乐，调整推荐系统优先人类创作者

Spotify 周二公告称，过去一年已从推荐流移除超 5000 万首被认定为 AI 生成的低质垃圾歌曲，并调整推荐系统优先展示真人创作者作品。平台为 AI 虚拟形象创作者推出 AI Persona 标识且不推荐其音乐，未强制所有 AI 曲目打标签；其判断依据包括用户反馈、上传特征、元数据和第三方 AI 检测工具。

Tripo@tripoai· 13:19AI 评分5656

Tripo 官方宣布其实时生成渲染器 EdenLive 正式在 Reactor 平台上线，并提供在线演示入口（reactor.inc/models/eden-live）。Reactor 介绍称，Eden-Live 可将 3D 场景和原型重绘为丰富的可交互世界，支持参考图加文本实时改变场景风格，并可即时编辑提示词，上线首日即在 Reactor 可用。