Google Gemini@GeminiAppAI 评分4242
#多模态
- Google Gemini@GeminiAppAI 评分4242
The Decoder：AI NewsAI 评分5959 阿里通义千问发布 Qwen-Image-3.0：单次生成可读十像素文字与复杂信息图
阿里通义千问团队发布 Qwen-Image-3.0，该图像生成模型支持最长 4500 token 的输入，可单次生成包含可读十像素文字、数学公式及十二种语言的复杂排版，如 3×3 信息图网格和嵌套界面。模型目前仅通过邀请制 API 开放，后续将集成至 Qwen Chat 等自有应用，但不太可能像初版 Qwen-Image 那样开源权重。
Logan Kilpatrick@OfficialLoganKAI 评分4343ByteByteGoAI 评分5454 Roblox 押注世界模型：用 AI 实现多人游戏照片级画质
Roblox 工程高级副总裁 Anupam Singh 详解其世界模型如何让多人游戏实现照片级真实感渲染。该模型通过统一理解场景几何、光照与物理，显著提升视觉保真度。团队正将这一方法作为下一阶段核心方向。
TechCrunch：AIAI 评分6969 Deezer：AI 生成音乐已占每日上传量的 50% 以上
音乐流媒体平台 Deezer 称，AI 生成音乐目前占其每日上传量的 50% 以上，2026 年 6 月日均上传量达 9 万首。Deezer 将下架过去六个月无播放量或涉及刷量欺诈的 AI 曲目，并已向其他平台开放其 AI 检测技术，该技术可识别 Suno 和 Udio 生成的音乐。
公众号：面壁智能AI 评分5555 姚远、钱忱获2026WAIC青年优秀论文奖
2026世界人工智能大会青年优秀论文奖揭晓，清华大学助理教授姚远获“青年优秀论文奖”，博士后钱忱获“提名奖”。姚远端侧多模态论文获谷歌学术引用超1300次，MiniCPM-V落地吉利银河、三星Galaxy AI等场景；钱忱的ChatDev获超3万GitHub星标。
IT之家·人工智能AI 评分6262 阿里千问发布 Qwen-Image-3.0 图像生成基础模型
阿里发布 Qwen-Image-3.0 图像生成模型，核心主线为“实”。模型支持 4.5k token 超长输入，可一次生成含公式、几何图形的知识图解和复杂 UI，并支持 12 国语言及 20 多款字体原生渲染。阿里云百炼、千问 AI 平台已开通 API 邀测，Qwen Studio 和千问 APP 即将上线免费体验。
IT之家·人工智能AI 评分4646 谷歌 DeepMind 发布 GenCeption：基于阿里 Wan2.1，打破计算机视觉桎梏
谷歌 DeepMind 发布 GenCeption 模型，将预训练视频生成器逆向改造成单一模型，可同时完成深度估计、图像分割等核心视觉任务。该模型基于阿里 Wan2.1 训练，一次前向传播即可输出结果，小模型处理 81 帧视频约需 6 秒。
Qwen：Blog Retrieval精选AI 评分7777 通义千问发布 Qwen-Image-3.0 图像生成模型，核心关键词为“实”
通义千问发布第三代图像生成基座模型 Qwen-Image-3.0，核心关键词为“实”。该模型支持最长 4.5k token 指令输入，可单次生成包含 9 个复杂信息图的 3×3 网格布局；文本渲染精度达 10px，并支持 12 种语言原生渲染，旨在将图像转化为可部署的生产力工具。
推荐理由：我觉得 Qwen-Image-3.0 不只是画得好看，而是真正追求“有用”，4.5k token 输入、12 种语言渲染、10px 精细文字，对做设计、内容生产的人是生产力级突破。
公众号：生数科技AI 评分4848 生数科技朱军：通用世界模型是连接数字与物理世界的新基础设施
生数科技创始人朱军在WAIC 2026上提出，通用世界模型需具备理解、想象与行动一体化能力，并发布全球首个MoT统一架构。该架构将理解、生成与行动专家统一于同一模型，支撑Vidu Q3等视频生成模型及具身智能机器人控制。最新模型可驱动多种异构机器人完成长程任务，在跨场景泛化上取得行业领先效果。
公众号：生数科技AI 评分4646 生数科技朱军：通用世界模型是连接数字世界与物理世界的新基础设施
生数科技创始人朱军在WAIC 2026论坛上提出，通用世界模型需实现理解、想象与行动一体化，将成为连接数字与物理世界的基础设施。公司已发布全球首个MoT统一架构，并推出Vidu Q3及实时生成模型，后者支持540P、42FPS输出与无限时长连续对话。最新模型可基于同一底座驱动多种异构机器人完成长程任务，跨场景泛化能力较去年12月开源版本显著提升。
IT之家·人工智能AI 评分6060 小鹏集团发布 TuringViT 高效视觉编码器
小鹏集团发布面向 VLM/VLA 时代的 TuringViT 视觉编码器，推出 18L 和 24L 两个规格。该编码器在 1536×1536 分辨率下推理吞吐量达 Seed1.5-ViT 的 3.04 倍，仅用 0.85B 图文对便在六项零样本分类基准上取得 83.6% 平均准确率，超越使用 10B 数据的基线。
IT之家·人工智能AI 评分5858 索尼音乐再次起诉 Udio：指控其未经许可复制超 3 万段录音训练 AI 模型
索尼音乐本周一向美国法院起诉音乐生成 AI 企业 Udio，指控其为训练模型未经许可复制超 3 万段录音。索尼称此次的 3 万段录音仅是识别到的数十万条录音的小子集，并反驳 Udio 此前“合理使用”的辩护，指出付费许可市场真实存在。Udio 此前已与环球音乐、华纳音乐达成和解，但索尼音乐自 2024 年 6 月首次起诉后持续追加诉讼。
IT之家·人工智能AI 评分5151 导演陆川称 AI 生成像预制菜，正利用 AI 同时推进五部电影筹备
导演陆川表示，AI 生成的影像像预制菜，能弥补新手与老手的技术代差，但可能抹杀艺术创作中“错误”带来的迷人之处。他正利用 AI 同时推进五部电影的筹备，AI 已替代概念设计、分镜和部分剪辑等环节，大幅降低试错成本。陆川透露，在视觉商业领域，短片和广告已有 95% 以上被 AI 替代。
The Verge：AIAI 评分6161 Sony 就 30,000 首歌曲起诉 AI 音乐生成器 Udio
Sony Music Entertainment 再次起诉 AI 音乐生成器 Udio，指控其侵犯了包括 Elvis Presley、Beyoncé 和 Harry Styles 作品在内的超过 30,000 首歌曲的版权。
TechCrunch：AIAI 评分5151 Adobe 实验性相机应用 Project Indigo 新增 AI 照片批评与编辑建议功能
Adobe 为其 iOS 实验性相机应用 Project Indigo 加入基于 LLM 的新功能，可对照片的构图、光线、色彩和情感冲击给出“专业级”批评，并提供重拍或编辑建议。该应用还新增 AI 物体移除（支持一键清除背景人物、电线等杂物）、景深生成和风格迁移（如水彩、水墨画效果）。这些功能使用 Google Gemini Nano Banana 模型，目前仅对部分测试用户开放。
Apple Machine Learning ResearchAI 评分4949 LVSum 基准：评估多模态大模型的长视频时间感知摘要能力
Apple 推出 LVSum，一个含细粒度时间对齐的人工标注长视频摘要基准，包含 13 个领域的 72 个视频（平均时长 16 分钟），每个视频配有最多 10 条含时间引用的人类摘要。评估显示，转录文本对摘要质量的贡献远大于视觉帧，当前多模态大模型在时间定位、指令遵循和跨模态一致性上存在系统性缺陷，与人类摘要仍有显著差距。
Hugging Face 社区博客精选AI 评分7070 NVIDIA 发布 Cosmos 3 Edge：4B 参数开源世界模型，为机器人及边缘 AI 提供实时推理与动作生成
NVIDIA 在 Hugging Face 上开源了 Cosmos 3 Edge，一个 40 亿参数的世界模型，旨在帮助机器人和视觉 AI 智能体在边缘设备上理解环境、实时推理并生成动作。
推荐理由：NVIDIA 把世界模型的能力压进 4B 参数，直接在 Jetson 上实时推理并生成机器人动作，对做具身智能的人来说是个标志性信号，边缘部署终于可以摆脱云端依赖了。
LlamaIndex：产品、工程与评测AI 评分4545 LlamaIndex博客：为何模板OCR的替代方案不是更好的模板而是Agentic OCR
文章指出传统模板OCR（Zonal OCR）因依赖坐标定位，在文档布局变化时易产生静默错误且维护成本高。作者主张放弃固定模板，采用“Agentic OCR”理念，即像人一样先识别页面组件（如表头、表格、签名），再路由至最适合的模型处理。文中以LlamaParse为例，说明其通过布局感知计算机视觉实现无模板提取，能自动适应新供应商格式、旋转页面及动态行数，并提供置信度信号以支持人工复核。
NVIDIA BlogAI 评分4242 NVIDIA 在 SIGGRAPH 2026 发布 Cosmos 3 Edge 开放世界模型与 Cosmos-Dreams 模拟器
NVIDIA 在 SIGGRAPH 2026 主题演讲中发布 Cosmos 3 Edge，一个 4B 参数的开放世界模型，可在设备端实时运行。同时推出 Cosmos-Dreams 闭环模拟器，能在单张 RTX PRO 6000 GPU 上从单帧生成完整世界。
公众号：昆仑万维AI 评分6262 昆仑万维发布并开源可交互世界模型 Matrix-Game 3.5
7月19日，昆仑万维在WAIC上正式发布并开源新一代可交互世界模型Matrix-Game 3.5。该模型通过Patch Memory与Warped RoPE实现长期记忆与精准相机控制，在单张GPU上实现720P、约20FPS的实时流式视频生成，并依托自动化数据管线积累了超500万段高质量视频切片。核心架构开源，延续其从1.0到3.5的开源路线。
公众号：通义实验室同事件AI 评分7070 通义实验室发布 Qwen-Audio-3.0-TTS 实时语音合成模型
通义实验室发布 Qwen-Audio-3.0-TTS，含 Flash（首包延迟约300ms）和 Plus 两个版本。Plus 版本在 Artificial Analysis 榜单夺冠，支持16种语言和20种中文方言，平均 WER/CER 低至3.87（Flash），说话人相似度最高达82.75（Plus）。
同一件事，精选收录的是《通义千问发布Qwen-Audio-3.0-TTS，登顶TTS排行榜》
IT之家·人工智能精选AI 评分7070 上海科学智能研究院开放科学多模态基础模型“神珍”
上海科学智能研究院开放科学多模态基础模型“神珍”，总参数约110亿，可处理DNA、RNA、蛋白质、小分子、地球系统和医学影像六类数据。在生物序列20项任务中，该模型9项取得最优结果；医学影像分割平均Dice得分91.20，在7种参评方法中最优。模型权重及代码已在星河启智、Hugging Face和GitHub开放。
推荐理由：一个模型同时理解蛋白质、气象和医学影像，还全开放权重和代码，对交叉学科的研究者是难得的工具包。比专用模型省去切换成本，值得科学计算方向的产品人关注。
IT之家·人工智能AI 评分5252 宇树发布 UnifoLM-OminiA-0.3 模型，支持全模态交互理解
宇树科技发布 UnifoLM-OminiA-0.3 模型，单模型统筹家居康养多任务，支持全模态交互理解，全程自主执行抗干扰。该模型在人形机器人 G1 上实现从感知到行动的闭环，可完成物品搬运、视觉识别与回答、精细操作及设备控制等任务。
IT之家·人工智能AI 评分5858 字节跳动发布 Seed Audio 1.0 音频创作模型：支持精细时间控制与多语种生成
字节跳动 Seed 官方今日发布音频创作模型 Seed Audio 1.0，在统一框架下联合建模人声、音效和环境声，支持按时间线精准控制声音进场。该模型支持 20+ 语种音频生成，在文本生成音色能力的 AB 主观评测中表现出显著优势，多数场景音频可用率达 90% 以上。目前 Seed Audio 1.0 已在火山方舟体验中心上线。
公众号：火山引擎AI 评分4545 欧莱雅中国与火山引擎达成战略合作，豆包大模型进入美妆经营一线
欧莱雅（中国）与火山引擎于7月19日达成战略合作，将围绕AIGC创意内容生产、经营策略分析和消费者智能服务三大场景，探索豆包大模型在电商运营素材生成、智能客服、智能助播及内容审核等环节的应用。双方将利用火山引擎的多模态生成、AI Agent和自动化流程能力，提升素材制作效率、消费者服务响应速度及营销策略洞察转化。
公众号：火山引擎AI 评分4646 欧莱雅中国与火山引擎达成战略合作，豆包大模型进入美妆经营一线
7月19日，欧莱雅（中国）与火山引擎达成战略合作，将探索豆包大模型、多模态生成及智能客服等AI能力在美妆内容运营、电商服务和用户互动等场景的应用。双方重点围绕AIGC创意内容生产、经营策略分析和消费者智能服务三大方向，提升素材制作效率、洞察转化效率及消费者服务响应效率。
IT之家·人工智能AI 评分4444 VITURE 发布 Auto Immersive 3D 技术，实现安卓系统实时 3D 立体化
XR 眼镜品牌 VITURE 在 2026 世界人工智能大会上发布 Auto Immersive 3D 技术，依托颈环端侧算力实现安卓全系统实时 3D 立体化。该技术可将任意视频一键转为 3D 效果、增强非原生 3D 游戏并支持 PC 游戏串流升维，同时将系统桌面与办公软件全局 3D 化，未来有望延伸至工业与医疗影像领域。
公众号：面壁智能同事件AI 评分7777 面壁智能发布首个具身智能成果 MiniCPM-Robot 系列模型，含 1.5B VLA 与 0.9B 跟踪模型
面壁智能联合 OpenBMB 发布并开源 MiniCPM-Robot 系列，包括通用 VLA 模型 MiniCPM-RobotManip（1.5B 参数）与移动跟踪模型 MiniCPM-RobotTrack（0.9B 参数）。
同一件事，精选收录的是《面壁智能开源 MiniCPM-Robot 具身智能模型系列》
字节 Seed：Research Feed精选AI 评分7979 字节跳动发布 Seed Audio 1.0 音频创作模型，统一建模人声与音效实现端到端影视级音频生成
字节跳动 Seed 团队发布音频创作模型 Seed Audio 1.0，在统一框架下联合建模人声、音效和环境声，支持 100ms 间隔精度的时间控制、单次约 2 分钟音频的延展生成及 20+ 语种自然生成。该模型已在火山方舟体验中心上线，多数场景音频可用率达 90% 以上，多语言音频自然度 MOS 超 4 分。
推荐理由：字节这次发布的 Seed Audio 1.0 不是又一个 TTS 模型，它把台词、音效、氛围统一编排，并支持百毫秒级时间线控制，对做视频和出海内容的团队是个立刻能用的创作升级。
The Verge：AIAI 评分4949 音乐人 1010Benja 用 Suno 生成 EP，开场曲“Semiramis’ Dream”融合丛林节拍与真人演唱，掩盖了 AI 痕迹
音乐人 1010Benja 用 Suno 生成的最新 EP 中，开场曲“Semiramis’ Dream”融合了丛林节拍和真人演唱，掩盖了 AI 痕迹。Benja 透露制作过程：他写词、演唱、与朋友合作录制，再将素材反复输入 Suno 并回传 Ableton 编辑，循环数百次。尽管承认生成式 AI 存在伦理问题，他仍坚持使用，因为“我的愿景远超当前的经济能力”。
TechCrunch：AIAI 评分5959 非营利组织 Current AI 正构建开放、公共的 AI 基础设施
非营利组织 Current AI 正构建类似万维网的免费公共 AI 替代方案，已获法国政府、福特基金会、DeepMind 等机构共计 4 亿美元资助。其最新成果包括与印度政府合作的离线设备 Suno Sutra（支持 22 种印度语言），以及开源聊天机器人 Alpha Chat。
公众号：昆仑万维精选AI 评分7272 昆仑万维宣布2026为“世界模型元年”，发布Matrix-Game 3.5等模型
昆仑万维董事长方汉在WAIC上宣布2026年为“世界模型元年”，并发布Matrix-Game 3.5世界模型、Mureka v9.5与O3音乐模型。Matrix-Game 3.5实现Patch级记忆注入，5B模型在720p分辨率下单卡可达20FPS实时生成，核心架构已开源。
推荐理由：Matrix-Game 3.5 用 Patch 记忆把世界模型推到单卡实时交互，还开源了，做游戏和具身智能的值得试。Mureka v9.5 和 O3 把 AI 音乐做成版本化创作，工具感很强。
公众号：昆仑万维精选AI 评分6363 昆仑万维宣布2026为“世界模型元年”，发布Matrix-Game 3.5与Mureka v9.5
昆仑万维在WAIC论坛宣布2026年为“世界模型元年”，并发布Matrix-Game 3.5世界模型与Mureka v9.5、O3音乐模型。Matrix-Game 3.5实现Patch级记忆注入，5B模型在720p下可单卡20FPS实时生成，核心架构开源。Mureka v9.5指令精准度从6.92提升至7.62。
推荐理由：Matrix-Game 3.5 用 Patch 级记忆实现长时一致性与实时交互，为具身智能数据生成与游戏环境演化提供了可参考的架构；Mureka 将音乐生成转向「版本化制作」，结合 Agent 控制多维度调整，让非专业创作者也能迭代作品。
The Decoder：AI NewsAI 评分4747 Google DeepMind 提出 GenCeption，将视频生成模型改造为通用视觉模型
Google DeepMind 提出 GenCeption，将阿里巴巴开源的 Wan2.1 视频生成模型改造为单次前向传播即可完成深度估计、分割等任务的模型。它仅用 7,500 段合成视频训练，数据量仅为竞品的 1/7 至 1/500，但在多个基准上匹配甚至超越了 DepthAnything 3 等专用模型。
IT之家·人工智能AI 评分5454 阿里云百炼上线 HappyOyster 1.0，一句话生成可互动 AI 数字世界
阿里云百炼今日上线开放式世界模型产品 HappyOyster 1.0，用户输入一句话或一张图即可生成可互动、可探索的 AI 数字世界。该模型支持 1 分钟连续实时交互的世界探索模式和 3 分钟以上分支叙事的实时导演模式，已提供三端 SDK 并开启灰测。
IT之家·人工智能AI 评分5050 阿里开放式世界模型快乐生蚝 HappyOyster 1.0 登陆百炼平台
阿里巴巴发布开放式世界模型 HappyOyster 1.0（快乐生蚝），已登陆阿里云百炼面向企业和开发者开启灰测。模型提供世界探索与实时导演两大模式，支持用户通过一句话或一张图生成可实时交互的开放世界，并可用文字指令操控镜头与剧情。产品提供 Android/iOS/Web 三端 SDK，支持构建可玩世界、互动剧等沉浸式应用。
