Karina@karinanguyenAI 评分4343Today, we are introducing Inkling. Inkling reasons efficiently across text, image, and audio modalities. We are making the full weights available. https://thinkingmachines.ai/news/introducing-inkling/ Available today for fine-tuning on Tinker. Play with it in the Inkling Playground. 🧵
Artificial Analysis@ArtificialAnlysAI 评分6969
Rohan Paul@rohanpaul_aiAI 评分5555We just released our first-ever Gemini Southeast Asia Report (below), 3 insights: 1/ Active users more than doubled in the last year 2/ 70% of prompts are submitted in native languages 3/ 40% of prompts only use voice, image, or video Gemini's local language + multimodal capabilities + mobile apps are driving growth, and we have more coming soon for the region! 🇮🇩🇲🇾🇵🇭🇸🇬🇹🇭🇻🇳
Mira Murati@miramuratiAI 评分4646我们的第一个模型 Inkling。从零训练，权重开放，今日可在 Tinker 上微调。
Today, we are introducing Inkling. Inkling reasons efficiently across text, image, and audio modalities. We are making the full weights available. https://thinkingmachines.ai/news/introducing-inkling/ Available today for fine-tuning on Tinker. Play with it in the Inkling Playground. 🧵
Thinking Machines Lab 发布其首个自研模型 Inkling，采用混合专家（MoE）架构，总参数 9750 亿，每任务仅激活约 410 亿参数。该模型为开源权重，支持企业通过定制平台 Tinker 进行微调，运行成本约为 Nvidia Nemotron 3 Ultra 的三分之一。公司明确表示 Inkling 并非当前最强模型，而是定位为可适配的企业级起点。
Thinking Machines@thinkymachines精选AI 评分7070推荐理由：多模态推理终于有了开放权重的选项，Inkling不是最强的，但可能是最方便你上手微调的。想试试多模态Agent的，今天就能在Playground玩。
Meta 提出分层兴趣表示，一种基于 Transformer 图学习与自监督跨视图蒸馏的上游表示层，为广告实体学习统一嵌入。该系统在数十亿真实交互数据上端到端训练，输出通用嵌入和 Bag-of-Meaning 兴趣 token，旨在连接稀疏的深度漏斗信号与广告主供给。该技术可集成至 Meta 的生成式广告模型（GEM）、Andromeda 及自适应排序模型。
Spotify 向 Premium 用户开放 AI 语音界面测试版，用户可在应用内通过语音或文字指令控制播放、查询歌曲/艺术家/播客信息及个人收听历史。该功能还支持回答常识性问题，但复杂话题可能引发模型幻觉。测试版面向美国、爱尔兰和瑞典 18 岁以上用户开放。
2026 世界人工智能大会将于 7 月 17 日至 20 日在上海举行，汇集 1100 多家参展企业，超 300 款 AI 产品将在大会期间全球首发。大会采用“三地四馆”模式，H1 展厅聚焦通用大模型与行业应用，H2 展厅展出超算真机等算力硬件，H3 展厅将进行 300 多台机器人同步动态演示，H4 展厅则汇聚初创团队与轻量化 AI 工具。
小鹏汽车第二代 VLA 模型在德国完成欧洲本地化验收测试，几乎无需额外数据即可应对城市主干道、窄路小巷及复杂欧洲路标与交规。何小鹏称，这套基于中国路况训练的智驾系统在欧洲适配性与稳定性已很高，目标是成为首家将高阶智能辅助驾驶带到欧洲的中国企业。
苹果技术开发（上海）有限公司的“Apple 智能”大模型已于 2026 年 7 月 8 日完成备案，适用场景为苹果手机。阿里千问将作为 AI 能力集成至 Apple 智能，为 iOS、iPadOS、macOS 和 visionOS 的中国用户提供文本与图像理解、内容生成等功能，用户无需在应用间切换即可直接体验。
推荐理由：苹果AI备案落地，国行iPhone用户终于等到，但集成的不是自研而是阿里千问，对苹果AI生态和国内AI格局都算一个交代。
Seedance 2.5 大幅提升多人运动场景下的人物一致性与动态表现，支持图片、音频、视频等全模态素材最高 50 份同时导入。模型新增二次编辑能力，可对已生成画面进行定向修改而无需整段重做；指令遵循支持时间戳精准响应，按秒对齐 Prompt 中的画面动作。Seedance 2.5 单段原生视频最长 30 秒，火山引擎将于近日上线其 API。
阿里通义实验室发布实时语音交互模型 Qwen-Audio-3.0-Realtime，在 Artificial Analysis 的 Speech Reasoning 子项中综合排名第一，超越 OpenAI GPT-Realtime-2。
推荐理由：我觉得Qwen-Audio-3.0-Realtime把情感表达和背景降噪结合得很好，加上工具调用，语音交互终于从聊天走向任务执行，有API可以直接上手，推荐语音产品经理试试。
Thinking Machines 发布通用多模态模型 Inkling，支持文本、图像和音频输入，采用 MoE 架构，总参数 975B、激活 41B、上下文窗口 1M token。
推荐理由：Modal 官方给出了 Inkling 的架构细节和 DFlash 推理实测数据，读者可以借此评估新模型的部署表现。
Thinking Machines Lab 发布多模态 MoE 模型 Inkling，Together AI 于发布当日在其 Serverless 平台提供访问，支持 1M 上下文窗口和 OpenAI 兼容 API。
推荐理由：原文来自提供推理服务的合作方，给出了 Inkling 的架构细节、参数规格和初步评测，读者可据此了解新模型的技术取向与可用入口。
vLLM 宣布对 Thinking Machines Lab 的 1T 参数多模态模型 TML Inkling 提供 Day-0 支持，覆盖 thinkingmachines/Inkling-NVFP4 和 BF16 两个版本，支持文本、图像、音频输入和最长 1M token 上下文。
推荐理由：原文给出 Day-0 支持的具体性能数字、架构优化细节和精度对比，读者可以评估该模型在自己的推理工作流中的可用性。
在 Google I/O Connect India 上，Google 展示了由定制 Tensor SoC 和 TPU 驱动的 Pixel 10 系列所支持的 100% 私有端侧 AI 未来。活动首次推出轻量级 Gemma 4 E2B 模型，该模型原生运行于设备端，可实现完全离线的多模态功能，包括 AI 聊天、实时图像识别和个人智能体任务。开发者即日起可通过新发布的 Tensor SDK beta 及其配套开源资源，开始构建这些安全的边缘应用。
推荐理由：我觉得这是端侧 AI 从实验到落地的信号，Gemma 4 E2B 的离线能力搭配新 SDK，让完全本地的多模态应用不再是期货，做移动隐私 AI 的开发者该上手试试了。
Google 在搜索的 AI Overviews 中直接集成 AI 图像生成功能。当网络不存在匹配图片时，用户可在搜索栏输入文本提示词生成图像。该功能基于 Google 新推出的 Nano Banana 2 Lite 图像模型，优先考虑速度和成本而非质量。未来几周内，所有已支持 AI 模式图像生成的地区将率先上线英文版。此举意味着开放网络的点击量可能减少，AI 生成结果将进一步蚕食图片搜索带来的外部网站流量。同时，Google Images 主页将重新设计，新增动态图库和收藏功能，未来几周内美国桌面端英文版率先上线，需 Google 账号。
Google Images迎来25周年，推出两项新功能：一是全新的可浏览图片主页，展示来自网络的动态沉浸式图片画廊，实时更新并根据用户兴趣智能定制，支持收藏夹标签页，未来几周在美国桌面端英文上线；二是将图像生成直接引入AI Overviews，基于最新的Nano Banana模型，将文本提示词转化为高质量定制图像，未来几周在英文区域逐步推出。回顾了2001年上线、2009年相似图片、2011年以图搜图、2018年Google Lens、2022年多模态搜索、2024年Circle to Search、2025年Lens+AI Mode及Search Live、2026年Circle to Search多对象识别等里程碑。
上纬新材今日推出全球首个可变形个人机器人启元 T1。该机器人支持双足站立与四足行走，具备柔性力控、静谧移动、主动交互、长期记忆、外语教学、图形化编程、声纹识别与声源定位等功能。基于行业首创的 Transformer 跨形态一体架构，实现一个本体加两种形态的自由切换。此外还支持一句话点餐、游戏互动、智能跟随、复杂路况自适应、物品托载、蓝牙音箱及相机联动（可拍希区柯克变焦与环绕运镜），并开放二次开发。上纬新材此前主营环保复合材料，此次为首次涉足消费级机器人领域，线下体验门店已在上海、深圳、西安、厦门、广州等地陆续落地。
Sam Altman@samaAI 评分4444i gave 5.6 sol access to my camera roll and had it extract pictures of every piece of clothing i own from my photos then, told it to find new outfits for me and render them on me with gpt-image! its kinda cool to see your entire wardrobe in a collection like this
Odyssey 联合创始人兼 CTO Jeff Hawke 在 RAAIS 演讲中阐述世界模型路线，主张直接从视觉和音频学习世界，目标是打造“世界模型的 GPT-3”。
推荐理由：访谈厘清了世界模型与空间智能等概念的边界，并给出四条研究路线和GPT-2阶段的行业定位，信息密度较高。
阿里巴巴旗下高德发布通用世界模型工坊 ABot-WorldStudio，并开放测试。该产品将交互式视频生成与 3DGS 场景生成统一，用户输入文字或图片即可生成可实时交互、可分享的 AI 世界。工坊内置“时空任意门”，穿越后可跃迁至另一完整 3D 世界。官方实测单次连续推理稳定运行超1小时，无崩溃、无质量衰减。底层模型 ABot-World0 与 ABot-3DWorld0 均可在单张 5090 上本地部署，已全面开源。
推荐理由：把世界模型从一分钟短片推进到小时级稳定探索，还支持本地一张消费级显卡跑，这对做具身智能和边界探索的团队是个值得上手的信号。
腾讯元宝发布《元宝办事大厅使用指南》，汇总旅行攻略、修图、减肥计划、起名、总结、学习计划、翻译、找歌、视频总结等九类常见委托场景。用户只需一句话描述需求，元宝即可生成旅行攻略、修图出图或制定计划；总结类任务由 Hy3 模型完成，翻译、找歌、视频总结等可转给微信元宝处理。
SenseTime@SenseTime_AI精选AI 评分7474推荐理由：商汤把检测、OCR、深度估计等多个视觉任务塞进一个7B模型，还贴心地开源了数据集和复现工具，做视觉理解或GUI agents的团队可以直接拿它当基座，不是又一个刷榜的轻量版。
iOS 27 首个公开测试版今日发布。Siri AI 是本次更新的核心亮点，已在日常使用中显著改变 iPhone 交互方式。该版本被定位为 Snow Leopard 式更新，侧重系统修复与速度优化，包括应用启动、照片搜索和 AirDrop 传输提速。Messages 应用新增行内回复和 RCS 端到端加密支持，Liquid Glass 界面也得到进一步精炼。
该教程构建了一个可运行的VideoAgent工作流，专注于视频理解、检索、编辑和重制的核心智能体管线。系统包含意图解析器、智能体库、工具路由器、图规划器以及用于修复执行图中缺失依赖的文本梯度优化器，并集成了FFmpeg、基于Whisper的转录、场景检测、关键帧采样、字幕生成、跨模态索引与检索、修剪、节拍同步编辑及最终渲染等实际视频处理工具。最终形成一个完整的多智能体视频系统，能够回答视频相关问题、总结内容、生成新闻式概览，并根据自然语言指令产出编辑后的视频成品。系统支持OpenAI、DeepSeek、Anthropic和Gemini等多种LLM后端，并在无API密钥时安全回退至确定性执行。
腾讯混元发布 HyOCR-1.5，这是端到端 OCR 大模型领域首个将训练、推理、模型权重完整开源的专家模型。仅 1B 参数，覆盖 8 种以上 text-centric 任务。引入 DFlash 投机解码框架，在 Transformers 下实现 6.37× 加速，vLLM 下 2.14× 加速，端到端推理达每页 1.408s。支持 4K 分辨率与 128K 上下文窗口，通过 Agentic Data Flow 扩展低资源 OCR（331 种语言）、古文字识别与多图问答能力。在 OmniDocBench v1.6 上以 94.74 分居端到端第一。
推荐理由：我觉得这是近期最实在的OCR开源，1B参数覆盖多任务、推理加速6倍，还支持llama.cpp本地部署，做文档解析的同学可以直接上车。
腾讯混元开源端到端 OCR 大模型 HyOCR-1.5，仅 1B 参数覆盖 8 种以上 text-centric 任务，在 OmniDocBench v1.6 上以 94.74 分居端到端第一。
推荐理由：轻量端到端OCR的实用化一步，投机解码让长文档生成加速可落地，智能体数据闭环提示了用短板驱动自进化的可复用路径。
米哈游旗下 AI 陪伴互动软件《BSide: Olivia Lin》今日在 Steam 平台开启抢先体验，需绑定米哈游通行证。该应用融合 AI 互动、音乐生成与桌面动态壁纸，核心功能包括：沉浸式聆听角色 Olivia Lin 的钢琴演奏；用户上传 MIDI 文件后系统自动生成对应音乐视频；通过文字写信与 AI 角色交换专属故事并获得个性化回应。开发者表示，应用目前处于抢先体验阶段，旨在收集用户反馈以优化产品体验。
商汤科技今日发布并全面开源日日新 SenseNova-Vision 理解生成统一视觉大模型。该模型将目标检测、图像分割、深度预测、3D 重建等经典视觉任务实现原生统一，以单模型在结构化视觉理解、稠密几何预测、分割能力、多视角 3D 几何四大核心领域比肩甚至超越各领域专用专家模型。对比 Vision Banana，SenseNova-Vision 在绝大多数权威评测指标上实现超越，且能同时处理全任务，而 Vision Banana 仅能应对其中两类。商汤同步开源了包含 5000 万条样本的视觉指令语料库 SenseNova-Vision Corpus-50M。
Flowith新产品Matrix提出“0人OPC”概念，让AI像内容团队一样完成从创意到多平台发布的完整流程。用户创建Workspace后，Matrix自动配置包含CEO Office、受众信号室等多个部门的Agent团队。Matrix支持主动模式，引入OKR追踪关键结果，可全自动完成内容制作分发，也可step by step模式逐项确认。实测中，Matrix能生成Switch2宣传短片和MUJI服装宣传片，并自动发布到YouTube和X，为每个平台定制化标题和文案。用户可通过3D办公室视图查看各部门实时工作状态，甚至打电话催促进度。
密歇根大学在《自然·医学》发表 NeuroVFM，一种基于 Vol-JEPA 的通用神经影像视觉基础模型。该模型在包含 524 万份临床 MRI 与 CT 容积影像的 UM-NeuroImages 数据集上训练，采用自监督、仅视觉的潜在空间预测方法，无需标签或放射报告。在 156 项诊断任务中，NeuroVFM 在 CT 上达到 92.68 AUROC，在 MRI 上达到 92.49 AUROC，优于所有基线。完整 Vol-JEPA 训练使用不到 1000 GPU 小时，速度比 3DINO 基线快 7 倍以上。该模型还支持报告生成与分诊，与 Qwen3-14B 结合的 NeuroVFM-LLaVA 系统在分诊准确率上超越 GPT-5 和 Claude Sonnet 4.5。
中国电信研究院联合北京邮电大学、鹏城实验室，基于亚洲九号卫星完成高轨卫星跨模态语义通信试验。该方案融合语义知识库与信源信道联合编码（JSCC）技术，将星地链路传输效率提升至 H.265 方案的 3.5 倍、H.264 方案的 5.5 倍，同时保持相近视频质量（FID<50）。试验还通过生成式语义恢复与多模态融合对齐，使多模态传输质量较传统方案提升 70% 以上。
