火山引擎上线豆包图像创作模型 Seedream 5.0 Pro 的 API 服务。该模型在交互式精准编辑、复杂信息可视化、影像与人像质感真实、原生多语种输入与生成等方面实现能力突破：支持点选、圈选、草图渲染、色值编辑、图层分离等像素级编辑；可稳定输出高密度信息图；强化光影、材质和皮肤肌理还原；原生支持中、英、西、葡、阿、法、德、俄、日、韩、泰等十余种语言。广泛适配电商营销、广告创意、深度教育、影视视觉开发、全球化出海物料等企业场景。
字节跳动正式发布多模态图像创作模型 Seedream 5.0 Pro。该版本在图文匹配、结构合理性及文字渲染上全面提升，核心突破包括：支持高密度数据与概念的专业排版可视化；基于空间位置理解的交互式精准编辑（如点选、图层分离、多图融合）；还原真实光影与人像质感；以及原生支持十余种语言的输入与本地化特征生成。目前已在火山方舟、豆包及即梦上线体验。
推荐理由：展示了 AI 图像生成从“好看”向“可用”的进阶，特别是其解决复杂信息图表生成和像素级局部编辑的能力，对专业设计工作流有显著价值。
Meta 正在原型开发一款配备“Super Sensing”功能的 AI 眼镜，利用摄像头和麦克风持续录制佩戴者周围环境，每隔几秒拍摄照片并采集音频。用户可让 AI 回忆看过或听过的内容。与当前 Ray-Ban 智能眼镜不同，Super Sensing 模式下不会激活 LED 指示灯，旁人无法得知是否被拍摄。Meta 还考虑用收集的数据训练 AI 模型。相关功能“Live AI”曾在 Connect 2025 大会上预览。Meta 拒绝对内部原型置评，但强调了其隐私保护技术。
本教程利用 NVIDIA cosmos-framework 的 CLI、输入模式和模型结构，在 Google Colab 上构建并训练了一个紧凑的 Omnimodal Mixture-of-Transformers 世界模型。标准 Colab 硬件（T4 GPU，显存不足 80 GiB、硬盘空闲低于 150 GiB）无法运行真实 Cosmos 3 检查点（如 Nano-16B 需单卡 H100 及以上），因此教程转向模拟实现：通过共享跨模态注意力与文本、视觉、动作流的模态特定专家路由，使用合成物理世界数据训练小型模型，并跟踪训练损失与自回归展开，演示模型学习跨模态关系及预测未来潜在状态的过程。
OpenAI 7 月 7 日发布 gpt-realtime-2.1 和 gpt-realtime-2.1-mini 两款 Realtime 模型，通过优化缓存使 p95 延迟至少下降 25%。gpt-realtime-2.1-mini 支持实时音频与文本输入、工具调用与函数调用，可在执行前内部推理。gpt-realtime-2.1 增强字母数字识别、静音噪声处理、中断处理、指令遵循及可配置推理强度（minimal/low/medium/high/xhigh 五档，默认 low）。价格方面，2.1 文本输入每百万 tokens 4 美元，音频输入 32 美元，输出 64 美元；mini 对应价格更低。
英伟达今年6月推出 Audex（Nemotron-Labs-Audex-30B-A3B）统一音频-文本大语言模型，总参数30B、激活参数3B。骨干为52层混合 Mamba-Transformer 结构的 Nemotron-Cascade-2-30B-A3B，含128个可路由专家、每次激活6个。音频输入经 AF-Whisper 编码后映射到文本嵌入空间，输出词表从131072个 token 扩展至205312个。语音输出采用 X-Codec2（每秒50 token，单层有限标量量化），非语音音频采用 X-Codec（每秒200 token，4层展平残差向量量化）。文本评测方面，Audex 在 MMLU-Redux 得分86.4（骨干86.3），IMO AnswerBench 得分81.1（骨干79.3），MMLU-Pro 与 GPQA-Diamond 小幅下降。
蚂蚁集团旗下具身智能公司Robbyant开源LingBot-Vision，一套自监督视觉Transformer家族，专为密集空间感知设计。旗舰ViT-g/16参数约1.1B，采用掩膜边界建模训练，将边界作为原生预训练信号。在密集空间任务中，该1B模型匹配或超越参数规模高达7倍的大模型（如7B DINOv3）。模型以Apache-2.0许可证在Hugging Face开源，提供ViT-g、ViT-L（300M）、ViT-B（86M）、ViT-S四个规模。
推荐理由：在视觉基础模型里把边界当作核心信号，这个思路很反常识，1B模型在深度估计上超过7B的DINOv3，做机器人的可以认真看看。
OpenAI前研究员田永龙（Yonglong Tian）已于近期加入腾讯，据称将出任混元多模态模型方向负责人，参与VLM研发。他本科毕业于清华，港中文硕士师从汤晓鸥和王晓刚，MIT博士师从Phillip Isola，2022年毕业。曾任职于Google Research、Google DeepMind、OpenAI。代表作包括有监督对比学习和自回归文本到图像生成模型Fluid 10.5B。其Google Scholar引用数达28,778次，h-index为35，2026年引用3,436次。这是继姚顺雨之后又一位从OpenAI核心团队转投腾讯混元的研究员。
NVIDIA 发布 Audex（Nemotron-Labs-Audex-30B-A3B），一个统一音频-文本大语言模型，能理解并生成音频与语音，同时保持骨干模型的文本智能。该模型为 30B-A3B 的 MoE Transformer 解码器，总参数量 30B，每 token 激活 3B。音频输入被编码投影到文本嵌入空间，文本与音频 token 统一处理。支持指令模式与思考模式，上下文长度达 1M token。训练采用多阶段 SFT 加文本专用 Cascade RL，避免多模态文本智能退化。文本基准上，Audex 与骨干模型接近：MMLU-Redux 86.4，IMO AnswerBench 81.1。语音识别中，OpenASR 词错误率 6.82，优于 Step-Audio-R1.1-33B 和 Qwen3-Omni-30B-A3B-Thinking。Audex 还支持非语音音频生成。模型权重（含 Audex-2B）以非商业许可发布。
Meta 发布由 Meta Superintelligence Labs 开发的新 AI 图像生成器 Muse Image（代号 Mango），免费向 Meta AI App、Instagram Stories 和 WhatsApp 用户开放。Muse 支持通过预设提示词生成滑稽卡通图像，可定制 Facebook Marketplace 广告或模拟旧沙发摆放效果，具备基于提示词的图像编辑功能（擦除背景干扰物、生成 QR 码）。Meta 同步推出 Muse 支持的 Instagram Stories AI 滤镜。免费额度有限，超出需订阅，视频生成工具 Muse Video 已在开发中。
AI at Meta@AIatMetaAI 评分6868
Introducing Muse Image and Muse Video, the first media generation models developed by Meta Superintelligence Labs. Muse Image is our most advanced image generation model yet. It follows instructions faithfully, edits with precision, composes from multiple references, and draws on Instagram for social context. It also brings agentic tool use capabilities to image generation and integrates with Muse Spark. You can try Muse Image in the Meta AI app and web, as well as in Instagram Stories and WhatsApp – starting in limited countries with more locations on the way. Today we’re also previewing Muse Video, which is built upon the same pretraining base as Muse Image to deliver exceptional visual fidelity with native audio support. Learn more about both models: https://go.meta.me/7f4427
OpenRouter@OpenRouterAI 评分5050我们对5个模型进行了1,730个视觉推理问题的基准测试，以测试一种常见的省钱技巧：将图像细节设为"low"。 意外发现：这往往适得其反。模型在模糊图像上消耗额外的推理token，总成本反而增加 👇
Suno@sunoAI 评分4040
NotebookLM@NotebookLM精选AI 评分6767短视频概览功能已正式在移动端和网页端面向所有英语用户全面上线！ 一如既往，您的意见对我们至关重要。请在下方分享您最喜欢的作品，并告诉我们接下来需要添加哪些功能！❤️
推荐理由：NotebookLM 把 Audio Overviews 升级成短视频，谷歌想让笔记工具自己「讲」出内容，思路比功能本身更值得关注，但目前只是锦上添花。
在5个模型上测试了1730道视觉推理题，发现将图像细节降至"low"会损失准确率，且在gpt-5.5上费用反而上升。真正可靠降低成本的手段是调节推理努力（reasoning effort）。
推荐理由：OpenRouter 用 1730 道题的实验告诉你，降图像细节未必省钱，GPT-5.5 上反而更贵，真正靠谱的开关是控制推理努力。做视觉应用的不看这个容易踩坑。
向 ChatGPT、Gemini 和 Claude 发送相同提示词会得到截然不同的回答，这源于三家公司在架构设计上的关键分叉。Google 的 Gemini 采用稀疏混合专家（MoE）架构，可在不按比例增加计算成本的情况下扩展模型容量，但不同提示词路由到不同专家会导致输出方差较大。OpenAI 未明确确认 GPT-4 是否使用 MoE，而 GPT-5 则在推理时通过路由器选择不同子模型。
针对单轮图像编辑模型在多轮交互中因单轮失败导致序列中断、误差累积的问题，提出 MT-EditFlow 流匹配强化学习框架。该框架整合多轮视角与多奖励公式，统一支持 GRPO 和 NFT 类强化学习方法，并系统分析轮次聚合评分策略、VLM 推理模式（权衡奖励偏差与方差）以及优势融合层级（防止奖励黑客行为）。研究发现将聚合优势广播至整个编辑轨迹能弥合局部规划与全局多轮任务成功之间的差距。实验表明，MT-EditFlow 在多种基模型上显著提升性能，其中 FLUX.1-Kontext-dev 的 turn-3 整体性能提升 6.85 分，超越 Qwen-Image-Edit 等开源模型。
LensVLM 是一种推理框架与后训练方法，使视觉语言模型扫描压缩文本图像后，通过学到的工具仅展开相关区域。基于 Qwen3.5-9B-Base，在 7 个文本 QA 基准上，4.3× 有效压缩时准确率与全文本上限相当，在 10.1× 有效压缩时优于检索、文本压缩和视觉压缩基线。该方法还可泛化至多模态文档和代码理解任务。分析表明视觉压缩对渲染选择更鲁棒，随压缩增大模型更依赖展开内容；文本展开适合渲染文本，高分辨率图像展开适合含布局线索的原生文档。
苹果与中国人民大学联合研究聚焦文本到有声视频生成任务，提出Cross-Referential Rewriter（CRR）caption框架。该框架采用双agent管线：Semantic Checker提取有依据的语义锚点，Cross-Modal Rewriter生成解耦的TV和TA caption对，消除模态干扰并弥合密集训练caption与简洁用户提示之间的差距，解决了联合音视频训练中的文本条件瓶颈与跨模态特征融合不清两大关键挑战。
厦门大学会计系研二学生牛牛酱基于面壁智能开源端侧多模态模型 MiniCPM-V 4.6（1.3B 参数）搭建财报核验引擎。该应用将“读”与“算”分离：MiniCPM-V 负责识别表格、抽取数字，确定性代码负责会计等式勾稽校验。测试中，在 1044 处人为注入的 OCR 错误中检出召回率达 96.5%；在 137 张合并资产负债表中准确抓出全部 63 个真实不平衡项；在 1000 份真实招股书与年报中抽取 36.3 万个数字，独立复核确认 4100 多处真实 OCR 误读。开源策略使学生在普通 PC 上即可微调部署。
蚂蚁集团旗下灵波科技7月7日发布空间感知模型LingBot-Depth 2.0，训练数据从300万扩充至1.5亿规模。在深度补全基准16项测评中获12项第一，室内大面积深度缺失场景RMSE从0.132降至0.062，深度误差减半；玻璃、镜面等传统深度相机易失灵场景表现突出。同步推出视觉基座模型LingBot-Vision，预训练语料仅1.6亿张图像，比DINOv3小一个数量级，深度估计精度却优于DINOv3。该模型已通过奥比中光深度视觉实验室认证，基于Gemini 330系列双目3D相机提供芯片级3D原始数据。
由英国公司 Particle6 的 AI 部门 Xicoia 创造的虚拟角色 Tilly Norwood 即将主演电影《Misaligned》。该片被宣传为“一部讲述成长故事、融合存在主义 AI 混乱的喜剧剧情片”，讲述来自暗网的流氓机器人说服 Tilly 发展欲望与野心，导致事态失控。美国演员工会 SAG-AFTRA 去年 10 月发表声明反对这类合成演员，指责其未经允许利用专业演员表演成果训练、威胁演员工作。Particle6 CEO 回应称 Tilly 是艺术创作，不是人类替代品。
安踏集团与火山引擎合作，基于Lumina平台及Seedream、Seedance、Seed系列模型，推出“灵犀穿搭大模型”，实现智能穿搭推荐、虚拟试衣试鞋及创意海报视频生成。在主流电商平台试运行中，转化率提升超10%，退货率下降超10%，版型与材质还原度超90%，内容制作周期从数天压缩至几分钟，成本下降80%。该模型依托安踏近6年百万组产品数据训练，在穿着贴合感、材质质感、清晰度、光影自然度、细节保真度、整体真实感六项技术维度优于通用模型。
消息源 @HarshithLucky3 爆料，谷歌计划 7 月 17 日发布 Gemini 3.5 Pro 模型，支持 200 万 tokens 上下文窗口，引入全新“深度思考”推理模式。该模型面向复杂智能体工作流，承担比已发布的 Gemini 3.5 Flash 更高阶的推理与执行角色。据 LMSYS Chatbot Arena 截图显示，在编码任务中 Gemini 3.5 Pro 表现优于 Anthropic 的 Claude Fable 5 High。
7月7日消息，苹果在 iOS 27 Beta 3 及部分 iOS 26.x 系统中新增弹窗提示：用户在 iWork 应用（Pages、Numbers、Keynote）及 Apple Creator Studio 中使用图形生成等 AI 功能时，相关数据会发送至 Google Cloud。苹果的 Apple Foundation Models 体系包含 5 个模型：端侧模型 AFM Core 和 AFM Core Advanced（支持原生多模态与稀疏架构），云端模型 AFM Cloud、AFM Cloud Image 和 AFM Cloud Pro（面向智能体与重负载任务）。云端模型运行在 Google 云服务器与 NVIDIA GPU 上，但仍保持 Private Cloud Compute 认证。
Rohan Paul@rohanpaul_aiAI 评分5050What if a routine breast cancer H&E slide could help answer a hard question: how likely is this cancer to come back? Our @NatureComms paper introduces a multimodal AI test for recurrence risk across invasive breast cancer subtypes. https://www.nature.com/articles/s41467-026-73088-y 1/
Goodfire Research 发布论文，提出 Block-Sparse Featurizers（BSF），将模型激活分解为多维子空间而非单一方向，以捕捉概念流形结构。
Rohan Paul@rohanpaul_aiAI 评分4545
"100 million words context window is already possible, which is roughly what a human hears in a lifetime. Inference support is the only bottleneck to achieve it. And AI Models actually do learn during the context window, without changing the weights." ~ Anthropic CEO Dario Amodei This is from 11 months back. --- From 'Alex Kantrowitz' YT Channel (Full Video link in comment)
韩国科学技术院教授金正浩近日称，AI 核心竞争力正从 GPU 转向内存。GPU 在推理中利用率仅 10%-30%，因每次计算需从 HBM 读写数据。未来技术包括：堆叠 NAND 闪存的 HBF（10 年后需求超 HBM）、采用 SRAM 的 HBS（容量可达 1600GB），以及由 HBM、HBF、HBS 组合的约 100 层 3D 复合架构。
Rohan Paul@rohanpaul_aiAI 评分5151AI revenue is scaling 3x quicker than mobile or internet did. The unit of value is shifting from attention to completed work.
百度研究人员推出 Unlimited OCR 模型，基于开源 Deepseek OCR，采用 Reference Sliding Window Attention（R-SWA）机制，将 KV cache 固定为 128 token，使单次推理能处理数十页文档，内存与速度不随文本长度增长。模型 3B 参数，推理激活约 500M，支持 Base（多页）和 Gundam（单页动态分辨率）模式。在 OmniDocBench v1.5 上总体得分 93%，比 Deepseek OCR 高 6 个百分点；v1.6 版本达 93.92%，居端到端系统首位。Base 模式生成速度 5,580 tokens/s，较基线提升 12.7%。最长 32,000 token 上下文，代码与权重已开源至 GitHub 和 Hugging Face。
安川电机北九州母工厂6月投产，约百台机器人中三分之一由AI驱动，生产效率翻倍，AI机型兼容12种产品。安川与英伟达合作推出Motoman Next工业机器人，首款标配GPU，可自主感知环境调整动作，装配成功率接近100%，计划将自动化率从40%提升至90%。发那科5月发布搭载谷歌Gemini大模型的机器人，能听懂人类语言指令，无需训练即可执行书面指令。日本机器人全球市场份额已从80%下滑至40%，实体人工智能为日企带来新机遇。
昆仑万维董事长方汉在2026全球数字经济大会上指出，AIGC Agent是被系统性低估的结构性机会。文本与代码侧Agent已获成功（如Claude Code年化收入25亿美元），但音乐、视频等AIGC侧尚无知名Agent，主因是音乐创作缺乏过程数据且评判主观。昆仑万维推出音乐Agent产品Mureka Co，通过对话操作专业软件首次将过程数据纳入AIGC流程。方汉认为生成趋近免费时价值将回归工作流，工作流即Agent。目前昆仑万维天工AI业务ARR突破8亿美元。
昆仑万维董事长兼CEO方汉在2026全球数字经济大会上提出，AIGC Agent是被市场系统性低估的结构性机会，并以其音乐Agent产品Mureka Co为例阐述思路。他认为音乐创作缺乏过程数据且好坏评判主观，导致该领域Agent发展落后于文本和代码侧；Mureka Co通过对话操作专业音乐制作软件，首次将人类制作音乐的过程数据引入AIGC生成流程。昆仑万维天工AI业务ARR已突破8亿美金。
Rohan Paul@rohanpaul_aiAI 评分7272~60% Fable cost cut by transparently turning the code into an image and having the model OCR it. WILD idea. also hilarious. https://github.com/teamchong/pxpipe
2026年，浏览器竞争从搜索转向AI代理。Perplexity推出Comet，仅限$200/月Max计划用户使用；The Browser Company的Dia以邀请制测试，可查看用户浏览记录并执行任务；Opera的Neon每月$19.90，支持离线操作；OpenAI的Atlas已上线macOS，即将支持Windows/iOS/Android；Y Combinator投资的Aside即将上线；Jatter免费（可选$10/月），支持Mac/Windows/iOS/Android，能回答网页问题并集成笔记功能。
JoyAI App 近日上线 UGC 数字人功能，用户只需上传一张照片即可生成专属虚拟数字分身，支持一键复刻写实形象或通过模板重塑为卡通风格，搭配用户自己的语音即可解锁专属陪伴。该功能复用“万能博士”技术底座，集成 JoyAI 语言、语音、数字人大模型，实现行业领先的全双工对话，支持随时打断、自然接话。数字人兼具情绪陪伴与全能助手属性，可提供点外卖、金融咨询、学英语、规划行程等生活服务。
推荐理由：京东把数字人技术做成了「传一张照片就能捏」的大众玩具，虽然看不出硬核突破，但对普通用户来说，这是第一次零门槛体验有形象有语音的 AI 玩伴，上手即用。
