Meta 于 7 月 9 日发布多模态推理模型 Muse Spark 1.1，重点提升 AI 智能体任务的规划、协同与执行能力。新版本强化多智能体协作机制，支持最高 100 万 token 上下文长度。模型可自主判断点击界面、编写脚本或批量执行操作，并能诊断修复复杂代码错误。Muse Spark 1.1 已上线 Meta AI App 和 meta.ai 的 Thinking 模式，开发者可通过 Meta Model API 预览版调用。安全评估显示其在前沿风险领域维持在安全范围内，但在部分测试中仍落后于 GPT-5.5 和 Claude Opus 4.8。
DPVR 推出 VisionRay Flow Pro AI 太阳镜智能眼镜，面向消费市场。产品重约 35 克，机身电池续航至高 12 小时，支持 2000 万像素拍摄与最高 4K 30FPS 视频录制，采用全新防抖结构设计。该眼镜融合 ChatGPT 大语言模型能力，结合骨传导通话与降噪方案，支持多语言实时翻译及 AI 识别场景提问。定价 199 美元（约合 1351 元人民币）。
阶跃星辰推出 Step Edge 端侧模型全家桶，包含 Step Edge 基础模型、Step Edge Audio、Step Edge GUI 和 Step Edge Gen 四款产品，面向手机、汽车等终端场景。该系列模型支持低至 0.1 秒的端侧本地 toolcall 执行，实现超低本地延迟；文本、视觉、语音等多模态信息可在本地处理，敏感数据不出端；并原生支持端云协同，简单任务由端侧响应，复杂推理交由云端完成。此外，Step Edge 可配套 Step Inference NPU 引擎，针对终端硬件进行推理优化。
阶跃星辰推出 Step Edge 端侧模型全家桶，包含基础模型、Step Edge Audio、Step Edge GUI 和 Step Edge Gen，面向手机、汽车等终端场景。该模型家族具备三大核心亮点：超低本地延迟，支持低至 0.1 秒的端侧本地 toolcall 执行；全模态隐私保护，文本、视觉、语音等多模态信息可在本地处理；原生端云协同，简单任务由端侧响应，复杂推理交由云端。Step Edge 在 29 项核心评测指标中取得第一，并配套自研 Step Inference NPU 引擎进行推理优化。
阶跃星辰推出端侧模型全家桶 Step Edge，面向手机、汽车等终端场景，支持低至 0.1 秒的本地 toolcall 执行，并具备全模态隐私保护与原生端云协同能力。该家族在 29 项核心评测指标中取得第一，覆盖文本视觉、音频理解、语音识别、GUI、图像生成与编辑等方向，并配套自研 Step Inference NPU 引擎以降低端到端延迟。
Rohan Paul@rohanpaul_aiAI 评分4444Meta 的 Muse Spark 1.1 的多模态推理能力。它从手机获取视频，推理提取照片和产品详情，然后通过计算机使用操作浏览器，填写 Marketplace 表单、上传图片并发布商品列表。
AMD 在 2026 年度 I3D 研讨会上公布 PEPS（位置编码投影采样）技术，用于神经纹理压缩。该技术将每个正弦/余弦投影视为李萨如曲线上的点并采样，在保持画质前提下将模型参数量削减 25%。在 Radeon RX 9070 XT 上，生成 1024×1024 三通道纹理时，BI-grid 基准耗时 4.32 毫秒，Grid-PEPS 增至 5.47 毫秒，优化后的 Grid-PinkPEPS 降至 4.86 毫秒。在 Pitted Stonefish SDF 测试中，Grid-PEPS 编码器参数仅为非 PEPS 方法的八分之一时，仍能达到几乎相同的交并比（IoU）。目前 AMD 尚未为该项技术确立正式商用品牌名称。
北京智源人工智能研究院（BAAI）发布世界基础模型 Orca，该模型不预测下一个 token、视频帧或机器人动作，而是通过抽象内部表征建模世界下一状态。Orca 结合“无意识学习”（从无标注视频中学习场景动态）与“有意识学习”（通过语言指令学习状态变化），以 Qwen3.5 为基座，冻结核心后通过可替换模块输出文本、图像或机器人动作。Orca-4B 在 MVBench 等四项文本基准上平均得分 51.8%，超越 Qwen3.5-4B、Gemma 4-4B 等小模型及 Emu3（8B）等更大世界模型；在图像预测基准 PRICE-V0.1 上以 59.8% 平均分击败 FLUX.2 small（56.1%）。在五项双臂人形机器人操作任务中，Orca 匹配了专为机器人数据训练的 π0.5，且展现出更好的错误恢复能力。
蚂蚁集团旗下具身智能团队 Robbyant 发布 LingBot-VA 2.0，首个原生具身基础模型。该模型采用因果 DiT 架构，视频专家约 13.0B 参数（约 1.9B 激活），训练规模约 15.3B 参数，推理时每 token 约 2.5B 激活。模型引入多块预测（MCP）实现 2.3 倍训练加速，并通过前瞻推理将推理延迟降至 142 ms/chunk。在 RoboTwin 2.0 的 50 个任务上，干净与随机演示数据平均成功率分别达 93.8% 和 93.4%。
推荐理由：具身智能领域第一个从零预训练的因果视频-动作模型，将世界状态和动作统一在一个隐空间，异步推理优化到 225Hz，做机器人的值得仔细研究。
Mira Murati@miramurati精选AI 评分6565Thinking Machines Lab 的存在是为了通过推进协作式通用智能来赋能人类。 我们正在构建多模态 AI，它能配合你与世界自然互动的方式——通过对话，通过视觉，通过我们协作时那种杂乱无章的方式。我们很兴奋，在未来几个月内我们将能够分享我们的首个产品，它将包含一个重要的开源组件，并对开发自定义模型的研究人员和初创公司有用。很快，我们还将分享我们最好的科学成果，以帮助研究界更好地理解前沿 AI 系统。 为了加速我们的进展，我们很高兴地确认，我们已筹集了 20 亿美元，由 a16z 领投，NVIDIA、Accel、ServiceNow、CISCO、AMD、Jane Street 等与我们使命相同的机构参与。 我们一直在寻找那些通过实践学习、将研究转化为有用之物的非凡人才。我们相信 AI 应当作为个人能动性的延伸，并且本着自由的精神，尽可能广泛而公平地分发。我们希望这一愿景能引起那些与我们同样致力于推动该领域发展的人的共鸣。如果是这样，加入我们。https://thinkingmachines.paperform.co/
推荐理由：Mira 的公司以 2B 融资和开源路线站上了今年 AI 创业的前排，虽然产品还没出来，但这笔钱和阵容本身就说明市场对多模态协作路线的信心。
7月10日，百度智能云在哈尔滨举办AI漫剧专场，发布“智云龙江AI内容创作伙伴计划”。该计划以百度智能云为技术底座，提供Hogee等AI创作工具、百度网盘企业版素材协同及百度搭子全流程陪伴。同时推出“AI漫剧赋能计划”，从技术工具、版权IP（10万+版权资源、10万+短视频改编权限）、流量运营、现金收益（每季度40万元专项补贴）、人才培养和基地生态六方面支持本地机构。黑龙江AI智影内容生产基地正式授牌。
网易联合浙江大学等单位完成的《智能化三维数字人制作关键技术及应用》项目，荣获2025年度国家科学技术进步奖二等奖。《逆水寒》作为核心研发与验证阵地，率先实现该技术的超大规模产业化落地。截至目前，游戏中AI门客数量已突破4000万位；“AI剧组模式”产出的UGC作品逼近2000万条；模拟经营玩法【风花小筑】上线两周，“特殊互动”生成超2000万条。
美团技术团队近日精选 32 篇被 ACL、SIGIR、ICML、KDD 等顶会收录的论文，举办 5 大专场直播，回放已上线。其中，美团履约技术团队的《GeoRA: Geometry-Aware Low-Rank Adaptation for RLVR》获 ACL 2026 杰出论文奖（全球仅 18 篇）。直播内容涵盖大模型推理、智能体记忆与自进化、代码智能、多模态交互、超高清视频生成、本地生活搜索等方向。
Tibo@thsottiauxAI 评分51513D pelican riding a tricycle, plus a pelican riding a pelican, demoed by @edbayes https://percys-garage-3d.openai.chatgpt.site/ fun fact: no one read or edited the code, and no assets were uploaded. this was built entirely by giving 5.6-sol high simple text instructions like “set a goal to render this as accurately as you can”, “add a g-wagon”, and “can you add another ride: a pelican riding a pelican?”
Google Research 发布 SensorFM，一个在超过 100 万亿分钟多模态传感器数据上预训练的大规模基础模型，数据来自 500 万同意参与者，涵盖 100 多个国家及 20 余款 Fitbit 和 Pixel Watch 设备。SensorFM 学习通用的人体生理表征，可迁移至心血管、代谢、睡眠、心理健康及生活方式等 35 项健康预测任务，支持标签高效适配与数据填充，并可作为个人健康智能体的基础工具。该模型旨在解决传统可穿戴健康模型针对单一终点、难以泛化的问题。
推荐理由：SensorFM 在 500 万人、万亿分钟传感器数据上训练出一个通用生理基础模型，35 项任务全面领先，自动调参的代理教室也很有想法，做健康 AI 的人值得细读。
Muse Spark 1.1 是 Meta 推出的闭源多模态推理模型，专为智能体任务设计，上下文窗口达 100 万 token。通过 Meta Model API 提供，输入每百万 token 1.25 美元，输出 4.25 美元，新用户获 20 美元免费额度，目前仅在美国公开预览。模型在工具使用和工具增强推理基准上领先，编码与多模态任务位列第三。支持文本、图像、视频、文档输入，输出文本，可调节推理力度，兼容 OpenAI 和 Anthropic SDK。闭源，不可本地部署或微调。
Meta Superintelligence Labs 今日推出 Muse Spark 1.1，专为智能体任务设计，在工具使用、计算机使用、编程和多模态理解方面显著提升。模型支持 100 万 token 上下文窗口，提供“Thinking”模式，并通过 Meta Model API 公开预览。在智能体任务中可零样本泛化至新工具、MCP 服务器与自定义技能；计算机使用可自动编写脚本或生成批量操作；编程性能在 Meta Internal Coding Bench 上优于前代。多模态能力涵盖视觉到代码生成、图像视频描述。安全性评估显示模型在化学生物、网络安全、失控等风险类别中处于安全边际内。
Google 在“我的广告中心”（My Ad Center）面板中新增“广告制作方式”选项，向用户披露广告是否由 AI 创建或编辑。使用 Google 自有生成式 AI 广告工具制作的广告将自动标注；其他广告需广告主自行声明是否使用 AI，Google 不进行主动核查。此前仅选举广告有此披露要求。该功能覆盖 Google 搜索、YouTube 和 Google Discover 上的广告。
Meta 推出多模态推理模型 Muse Spark 1.1，专为智能体任务、编程和计算机使用设计，支持多智能体编排与百万 token 上下文窗口。其 API 定价为输入 1.25 美元、输出 4.25 美元、缓存 0.15 美元（每百万 token），低于昨日发布的 xAI Grok 4.5，且远低于 OpenAI 和 Anthropic 竞品。该模型在 VALS-AI 榜单排名第四，Vibe Code Bench 编程评测较前代跃升 36 位。Muse Spark 1.1 为闭源模型，首次通过 Meta Model API 公开预览，但 Muse Image 尚未开放。Meta 以低价策略对依赖高利润率的 AI 实验室形成压力，同时面临中国开源模型的低价竞争。
微软发布 Aurora 1.5，对开源 Aurora 地球系统基础模型进行重大扩展，新增 22 个天气变量（原 4 个）、支持小时级时间分辨率和概率集合预报，已在 GitHub 开源并放出的 Hugging Face 模型检查点。
推荐理由：原文来自模型发布方，给出新增变量数、小时级分辨率和与 ECMWF 集合的对比数字，读者可据此评估其在能源等场景的适用性。
多模态大语言模型（MLLM）在第一人称视频理解中缺乏时序感知，常依赖空间捷径。为此，研究者提出 Temporal Global Policy Optimization（TGPO），一种基于可验证奖励的强化学习算法。TGPO 通过对比模型在时序有序与打乱帧上的输出，生成全局归一化奖励信号，明确奖励时序连贯推理。TGPO 可集成 GRPO 和 GSPO，支持冷启动 RL 训练，抑制 MLLM 的空间捷径行为。在五个第一人称视频基准上，TGPO 一致提升时序定位与因果连贯性，优于此前基于 RL 的视频推理方法。
去年 Image Line 在 FL Studio 中推出的 AI 聊天机器人 Gopher 只是增强版说明书，能回答操作问题。新版本中 Gopher 可直接执行动作：作者请求放置四连地板鼓、军鼓后拍并为军鼓添加门混响，它准确完成。局限在于 Gopher 无法创建和绘制自动化，也无法插入音符。
Character.AI 今日上线 c.ai Series——专为手机打造的短篇动画剧集，支持观看与互动。与传统真人实拍微短剧不同，c.ai Series 完全由生成式 AI 制作。微短剧行业预计未来几年将增长至 260 亿美元规模。
蚂蚁灵波开源新一代实时交互世界模型 LingBot-World 2.0（14B 参数），支持施法、攻击、跳跃等丰富角色动作及文本驱动事件（如切换场景、召唤风暴），内置 Pilot Agent 与 Director Agent 实现世界持续演化，并支持多人同时交互。模型采用因果预训练范式和混合双向自回归注意力掩码（MoBA），可稳定输出 720p/60fps 实时画面，长达一小时测试画质不衰减。通过一致性蒸馏与 DMD 降低采样成本，结合注意力 kernel 优化、混合并行推理、动态 KV 缓存调度和异步流媒体传输实现低延迟交互。模型权重及推理代码以非商用协议开源，SGLang 已适配，并提供 Reactor PC 端和灵光 APP 在线体验。
推荐理由：蚂蚁灵波这个开源世界模型把实时世界生成推到了小时级还不崩，720p/60fps实时交互，做开放世界游戏或自动驾驶仿真的团队值得上手测。
Sam Altman@samaAI 评分5555My view of: Fable 5 vs GPT-5.6-Sol. They are not easy models to compare, these are my vibes - take them as you will. My overall feel is that Fable is a 'wise owl' who is very thoughtful and very well spoken, GPT-5.6-Sol is like a rottweiler who will grab the problem by the throat and not let go until it is done. In other words, Fable, is a fundamentally smarter model - even at low reasoning it can be very insightful and writes in a clear compelling way. GPT-5.6-Sol on the other hand is extremely diligent, I can give it a list of 8 things to do and you will be sure that they will be done. Fable feels more arrogant to me, I was both to get it to build a new benchmark for me - 5.6 worked between 6 hours and 2 days (I tried several times) and it came up with very thoroughly tested, working benchmark. Fable came back within 40 minutes (twice) and the benchmark sounded smart, but was ultimately was 'vibe' based slop and since it was Fable's vibes that was doing the judging, it decided that it was good to go (it kept giving Fable 100% score btw). Some thoughts by category: UI & App building: Fable will still craft a better UI from scratch, the flow of the app would probably be a bit nicer. But I find that Fable often misses quite key things, which GPT-5.6-Sol doesn't. GPT's Frontend skills are big jump vs previous GPT models, but still not as great overall. Writing: Fable is better hands down, Sol feels quite difficult to align to what I want to say or explain things to me simply. Though I think the 'Pro' model writes clearer. Robustness & Reliability: This is where I think GPT-5.6-Sol wins for me hands down. Fable seems to do things of high quality, but I can never relax with it, it always misses something. With 5.6 this just almost never happens. Other things where I liked GPT-5.6-Sol, but can't compare to Fable directly. - Video editing is actually working now, it is not completely perfect, but with the right skill/guidance you can just give it 1h footage and it can give you a 5 min highlight clip no problem - Computer use - getting really rather good, very usable - Sub agents - it is very fluent at managing sub-agents and speaking to different threads, can help with some new workflows - Adhering to existing code patterns - I love this, even without asking it would implement something in a way that aligns with you app - major problem for slop generation - Research - I think it is getting quite a bit better, it still has some bad patterns (e.g being too tactical), but it feels like it is more steerable to be a good researcher - Multi-day runs - the /goal feature is pretty insane with 5.6-Sol, you can run it for days if you wanted to and it does work. Useful to have another thread or /side to check up on it, but I have some great results with it - Token efficiency - it is so much more token efficient and faster than 5.5, in reality it is now much faster than Fable too On the downside, you can feel that Fable is naturally smarter, and I did have some baffling moments with 5.6 when I was getting it to make a fairly simple change in 8 turns - it seemed to get stuck in a dumb stream that was hard to get out of. So it is not AGI, don't get too carried away by the hype. I have some phenomenal examples that I'm honestly blown away by that I'll share, but as a side anecdote, I have a kind of 'swear meter' which counts how often I'm rude to Codex. In GPT-5.5 era, the % was at around 4-5%, it dropped to 1-2% when I was testing GPT-5.6-Sol and it shot up to 7% when I went back to 5.5 - it was so shocking to go back to 5.5 and experience how much worse it was. So is GPT-5.6-Sol better than Fable? On pure intelligence - no. But man, I missed it when I just wanted to get sh*t done. It is insanely capable workhorse that you can give any task to and just expect it to be done. No lectures or 'you are absolutely rightisms', nothing is beneath it, if it takes 2 days to do some dirty work, it will do it. It feels like the first time in a while when we have quite different types of frontier intelligences that benchmark sort of similarly, but feel very different. If you can, you would be probably better off using both and iteratively finding what you'd use Fable or GPT-5.6-Sol for. Perhaps, something like - an architectural discussion with Fable, implementation with 5.6 and docs & comms with Fable.
三星在ISTELive 2026大会上首次展示98英寸交互式显示屏，运行安卓16系统，内置多项AI功能。同时更新AMS账户管理解决方案，教师可通过二维码或NFC身份卡登录兼容设备并调用个人设置。Samsung AI Assistant与Samsung Education Portal新增圈选搜索、实时转录、AI摘要和AI测验等工具，用于查找教学内容、生成课程摘要、制作形成性评估并支持多语言学习者。此外还展示了WAF-S、WAFX-PS与WAHX-M型号。
Meta Superintelligence Labs 发布 Muse Spark 1.1，定位面向智能体任务的多模态推理模型，在工具与计算机使用、编码、多模态理解上较 Muse Spark 有明显提升，支持 1M token 上下文窗口。
推荐理由：官方博客给出模型在智能体、编码、多模态上的能力细节和百万 token 上下文，并开放 Meta Model API 公测，可对照现有工作流评估。
jason@jxnlcoAI 评分7272OpenAI 推出 GPT-Live，新一代语音模型，实现自然的人机交互。即日起在 ChatGPT 中上线。主推文评论：“Agi 在你所在之处与你相遇，在每一种模态中。”
Introducing GPT-Live, a new generation of voice models for natural human-AI interaction. Rolling out in ChatGPT starting today. You’ll want to turn the sound on for this one.
OpenAI今日推出全双工语音模型GPT-Live-1及GPT-Live-1 mini，能同时听与说，支持自然打断和实时翻译。ChatGPT原有Advanced Voice Mode默认替换为GPT-Live-1 mini，付费用户可用更大模型。新模型解决了此前打断用户说话和智能不足的问题，并可调用GPT-5.5等文本模型完成搜索、推理或智能体任务。模型能长时间静默吸收对话上下文，必要时呈现视觉信息。OpenAI表示该语音模式可支持30-40分钟对话，但不作为AI伴侣，已内置针对青少年的年龄适宜回复和自伤话题资源。演示中印地语实时翻译带有浓重美式口音，语调书卷气较重。
Krea@krea_aiAI 评分6363推出 Seedream 5.0 Pro。 这款全新多模态模型带来高级推理、精确图像编辑，并支持最多10张图像参考。 立即在 Krea 上体验。
Anthropic 让多个大语言模型控制多种机器人形态，包括经典控制玩具、模拟四足/人形机器人、机械臂及真实 Unitree Go2 四足机器人。模型通过不同抽象层级的接口控制机器人：从直接驱动电机扭矩，到编写控制器代码，再到用强化学习训练控制器，以及向预训练策略提供高层指令。在经典控制、运动与导航、操作三类任务中，模型表现高度依赖控制接口：直接驱动关节时大多失败，但监督预训练策略或使用简单定向工具时能完成真实导航与操作任务。最新模型在调整策略、将图像与感知理解转化为适当动作方面显著更强。
Runway 官网以 Cookie 设置页面代替了产品介绍，未提供 Runway Dev 的功能、参数、可用性等任何具体信息。
字节跳动今日发布多模态图像创作模型 Seedream 5.0 Pro，在图文匹配、结构合理性、文字渲染与画面美感上全面提升。新增四大能力：复杂信息可视化（将数据、概念与密集文字转化为专业排版）、交互式精准编辑（点选、圈选、草图渲染、色彩与材质替换、图层分离、多图融合等）、真实影像与人像质感（兼顾CG与摄影质感）、原生多语种输入与生成（支持十余种语言）。目前该模型已上线火山方舟体验中心，并将在豆包、即梦陆续上线。
