NVIDIA 发布了 Nemotron 3 Nano Omni 模型，这是一个专为处理长上下文多模态任务设计的轻量级模型。该模型能够同时理解并处理文档、音频和视频数据，旨在赋能新一代多模态智能体。其核心变化在于将长上下文能力与多模态理解结合到一个小型化模型中，提升了在复杂跨模态场景下的处理效率与应用灵活性。
推荐理由：NVIDIA 把多模态长上下文塞进 Nano 级别模型，文档、音频、视频 Agent 通吃，做端侧多模态应用的团队值得认真看看这个架构思路。
Google Translate 迎来 20 周年，从 2006 年的一项 AI 实验起步，现已支持近 250 种语言。官方分享了 20 条相关趣闻，并介绍了用户可尝试使用的实用技巧与新功能，以展示其多年来的技术演进与服务扩展。
可灵AI超创亮相北京国际电影节，多部作品入围AIGC单元并斩获大奖。
谷歌正在测试名为“Ask YouTube”的对话式搜索功能。该功能将传统的视频列表结果页面，替换为融合文本摘要、完整长度视频及Shorts短视频的综合结果页。用户可通过自然语言对话进行搜索，获得更直接、整合的信息呈现，标志着视频搜索体验从关键词匹配向交互式对话转变。
网信部门近期依法查处“剪映”“猫箱”App及“即梦 AI”网站，这些平台未有效落实人工智能生成合成内容标识规定，违反《网络安全法》《生成式人工智能服务管理暂行办法》等法律。国家互联网信息办公室指导属地部门对涉事平台采取约谈、责令改正、警告、从严处理责任人等处罚措施。网信部门强调网站平台需严守法律底线，严格落实标识要求，并将加大监督管理力度，维护社会公共利益，推动人工智能健康有序发展。
阿里巴巴达摩院联合广东省人民医院等机构，研发出肠癌筛查AI模型DAMO COCA。该模型基于平扫CT影像，采用两阶段深度学习架构，在国际上首次实现了无需肠道准备、患者“无感”的肠癌机会性筛查。在回顾2.7万人影像的试验中，模型精准识别出5例漏诊肠癌，敏感性达86.6%，特异性高达99.8%。与10名影像科医生相比，其敏感性显著高出20.4%，并能辅助医生将敏感性提升14.5%。相关成果已发表于顶级期刊《肿瘤学年鉴》。
Together AI 上线 NVIDIA Nemotron 3 Nano Omni 多模态模型，单一开源模型可统一推理视频、图像、音频和语言。该模型采用混合 Mamba-Transformer MoE 架构，总参数 30B、每 token 激活约 3B，支持最高 256K token 共享多模态上下文，开放权重、数据和后训练配方，支持 FP8 与 NVFP4 部署。
StereoFoley是一个视频到音频的生成框架，能生成48kHz、语义对齐、时间同步且空间准确的立体声。现有视频生成音频模型大多局限于单声道或无法实现对象感知的立体声成像，主要受限于缺乏专业混音、空间准确的视频-音频数据集。该研究首先开发了一个从视频生成立体声的基础模型，在语义准确性上达到了与当前最先进V2A模型相当的性能。
Suno@sunoAI 评分4949
MiniMax (official)@MiniMax_AIAI 评分5757Music-2.6 from @MiniMax_AI is free on Cloudflare this week! Generate full-length songs or instrumentals from a text prompt, with optional auto-generated lyrics. Fast global inference on Cloudflare’s network. Perfect for building music apps on #CloudflareWorkers. Try it free before the promo ends: https://developers.cloudflare.com/ai/models/minimax/music-2.6
Google Meet 的实时语音翻译功能已开始向移动设备端推送。该功能支持英语、西班牙语、法语、德语、葡萄牙语和意大利语共六种语言，能在对话中近乎实时地将一种语言翻译成另一种，并用近似原说话者音色的合成语音播放译文。目前该功能仍处于早期测试阶段，在网页浏览器端运行较为成功，但在 iPhone 与 iPad 等移动设备间的通话中尚不稳定。
阿里巴巴视频生成模型 HappyHorse1.0 开启灰度测试，支持生成15秒多镜头叙事视频，具备多画幅适配和1080P超分输出功能。官网720P视频生成刊例价为0.9元/秒，千问App上体验价格低至0.44元/秒。大众用户可通过千问App使用，还能创作粤语、英语、法语、韩语等多种语言的剧情短片。该模型此前登顶AI Video Arena排行榜，并将于5月份正式发布商用。
推荐理由：HappyHorse 悄悄登顶 AI Video Arena 后才被阿里认领，这个反转让它不只是又一个视频模型。0.44 元/秒的定价对内容创作者是真金白银的信号，做短视频的值得现在就去千问 App 试一轮。
小鹏汽车CEO何小鹏在北京车展宣布，其VLA智驾系统已在城市支路、乡村道路及复杂穿行路段等特定场景下超越特斯拉FSD，通行效率和纵向控制如跟车、应对加塞表现更优。他设定明确目标，计划在2026年8月于中国市场实现VLA综合能力全面反超FSD。何小鹏指出，VLA在横向路径规划和极端掉头场景仍有优化空间，但中国高密度道路环境是权威验证场域，若成功超越将标志技术领先。
蚂蚁集团全模态AI助手灵光App今日正式上线“体验世界模型”功能，首次将世界模型应用于手机端。用户上传一张图片，即可在几秒钟内生成对应的3D世界，并能通过摇杆控制以第一人称视角自由漫步探索，体验类似游戏。该功能基于蚂蚁灵波LingBot-World-Fast世界模型，该模型已对外开源。
Elon Musk@elonmuskAI 评分5252全新的 Grok Imagine 模型刚刚发布，具备更出色的唇形同步和声音效果。 本视频内容均为虚构。
Gemini 提供了利用 AI 整理家居和数字空间的一系列技巧。这些建议包括制定智能清洁计划、高效整理收件箱以及管理季节性家务。用户可以通过这些 AI 驱动的功能，系统化地优化物理和数字环境，从而提升日常生活的条理性和效率。
研究提出了一种通过长时运动嵌入来高效生成运动学的方法，直接对从追踪器模型获取的大规模轨迹中学习到的嵌入进行操作，将场景动态建模效率提升了数个数量级。该方法能够根据文本提示或空间戳指定的目标，高效生成长而真实的运动序列，避免了传统全视频合成在探索多种可能未来时效率低下的问题。
OpenAI 发布了新一代模型 GPT-5.5。其上下文窗口从 GPT-5 的 128K 大幅扩展至 512K，推理速度提升约 40%，在多模态理解与代码生成基准测试中表现显著超越前代。模型在复杂指令遵循和长文档处理方面能力突出，同时 API 调用成本降低了 30%。这一升级被视为通向通用人工智能（AGI）道路上的一个重要里程碑。
推荐理由：Ethan Mollick 拿 GPT-5.5 压测了论文写作和游戏设计，代际提升肉眼可见，但锯齿前沿仍未消失。这篇一手实测告诉你当前能力的天花板和暗角，比任何官方博客都值得看。
Rohan Paul@rohanpaul_aiAI 评分7272X Square Robot Unveils New Embodied AI Model, Says Robots Will Arrive in Homes in 35 Days Backed by Alibaba, ByteDance, Xiaomi and Meituan, X Square Robot unveiled a next-generation embodied AI foundation model for home robots and said its first deployments in everyday households will begin within 35 days. X Square Robot on Tuesday unveiled WALL-B, a new embodied AI foundation model designed for deployment in real-world homes, marking what the company described as a major step toward bringing general-purpose robots into daily family life. At a launch event themed "Born to Bot, Bot to Family," the company also introduced its World Unified Model (WUM) architecture, a training framework that combines vision, language, action and physical prediction within a single system from the outset. X Square said the model is intended to help robots operate in the far more unpredictable setting of a home, where tasks, layouts and interactions vary from moment to moment. "Robots in factories and in homes are completely different. In factories, they repeat the same action 10,000 times without variation. In a home, however, they need to perform 10,000 different actions, each unique and non-repetitive. Therefore, the challenge of a truly intelligent robot lies not in repeating a single action, but in the ability to execute new, untrained movements within unstructured environments. Deploying robots in the home is one of the most significant technical hurdles of our time," said Qian Wang, founder and CEO of X Square Robot. WALL-B is the first real-world implementation of the World Unified Model architecture. Unlike modular systems that train perception, language and control separately, X Square Robot said World Unified Model optimizes those capabilities jointly from the very beginning. The company said that allows physical prediction — including force, friction and collision dynamics — to emerge as part of the model itself, rather than being layered on afterward. "We train all capabilities—vision, language, action, and prediction—within the same network from day one. Much like infants, who do not learn to see, move and speak in isolated, sequential stages, but instead see, move listen and act simultaneously while receiving feedback, we have integrated all these capabilities into a unified whole," said Wang Hao, CTO of X Square. X Square Robot said the development of WALL-B rests on two pillars. The first is a data strategy that prioritizes training on authentic, non-staged home environments to cover the “long-tail” distribution of real-world scenarios, such as misplaced objects and temporary occlusions. Unlike models primarily trained on synthetic data or laboratory datasets, this strategy exposes WALL-B to the natural clutter of lived-in spaces—misplaced items, unexpected obstacles, and spontaneous human activity—ensuring that the training data reflects real-world conditions rather than a simplified version. The second is a physics-aware predictive mechanism that anticipates physical outcomes before an action is taken, enabling the model to respond to contact dynamics instead of just reacting. The development of the self-developed WUM architecture on physical robotic platforms highlights the company’s accumlated experience in bridging sim-to-real gaps across varied operational contexts. Wang commented that the current AI model is still in an "intern" stage, subject to errors requiring remote assistance. For instance, it may mistakenly place slippers in the kitchen or pause while wiping a table to "think". However, the model operates nonstop 24 hours a day, becoming increasingly "intelligent" as each day of operation generates new data. In 35 days, on May 25, X Square Robot will officially bring its robots into everyday homes, underscoring the company’s long-term commitment to the home robotics sector.
华为在2026年乾崑技术大会上发布了乾崑智驾ADS 5与鸿蒙座舱HarmonySpace 6，涵盖10项核心技术。重点包括升级为自动驾驶AI智能体的WEWA 2.0架构、首发乾崑OS操作系统、商用LCoS车载激光投影AR600，以及安全系统CAS 5.0新增全时域安全。座舱方面推出AI多模态感知AMS、千亿级大模型架构MoLA 2.0和新一代小艺智能体，同时发布智能车灯模组与LCoS车载投影光机，全面提升智能驾驶与座舱体验。
华为发布鸿蒙座舱HarmonySpace 6，推出行业首个全场景聊天型AI助理“小艺智能体”。新座舱搭载三合一舱内AI多模态感知系统，可通过呼吸、心跳微动进行活体识别与风险干预。小艺智能体深度融合导航、控车与生活服务，支持自然语言交互。座舱采用双17.2英寸3.4K高亮屏，并发布百万像素彩色智能车灯模组及行业首款车载激光投影仪。
由于您提供的文章正文内容为无法解析的乱码，无法提取有效信息来撰写摘要。请提供可读的正文文本，以便根据要求生成包含关键发布内容、具体变化及相关数字指标的中文摘要。
字节跳动发布新一代3D生成大模型Seed3D 2.0，其技术报告已公开，API同步上线火山引擎。该模型在几何与纹理材质生成两项核心指标上均取得SOTA结果。在60位专业打分员的盲评中，其在几何生成上显著优于其他主流模型，在纹理3D内容生成上的偏好率超过69%。模型采用两阶段生成策略提升几何细节，并利用统一PBR模型与MoE架构增强材质真实感。此外，它还能完成部件分割、铰接资产及多模态场景生成等任务。
Seed3D 2.0正式发布，这是一个在几何精度与材质质量上显著提升的新一代3D生成大模型。它采用两阶段DiT策略优化几何生成，并通过统一PBR模型增强纹理的真实感与稳定性。评测显示，其在两项核心指标上均达到SOTA，人类打分员在纹理任务中对它的偏好率超过69%。此外，模型拓展了下游可用性，支持部件级生成与场景组合，为具身智能和工业制造提供生产级3D内容。
小米宣布其最强模型Xiaomi MiMo-V2.5系列开启公测，其中Pro版和标准版将全球开源。该系列在推理、Agent稳定性、上下文长度及全模态感知方面均有提升。旗舰版MiMo-V2.5-Pro在复杂软件工程等任务上可对标顶尖模型，例如仅用4.3小时便完成了通常需数周的北大编译器课程项目并获得满分。标准版MiMo-V2.5是为Agent场景设计的原生全模态模型，能力超越前代且API成本降低约50%。全系列Token效率显著优化，最高可节省50%的Token消耗。同时，小米优化了Token Plan定价方案。
Claude@claudeaiAI 评分5858交互式图表和图示现已加入 Claude Cowork。 在所有付费计划中提供测试版。
Claude can now build interactive charts and diagrams, directly in the chat. Available today in beta on all plans, including free. Try it out: http://claude.ai
（注：提供的正文内容仅有一句话，缺乏必要的具体信息，如研究数据、性能指标、模型版本或测试结果等，无法撰写符合 100-200 字要求且包含关键数字/指标的摘要。请提供完整正文以便提取关键信息点。）
Xiaomi MiMo-V2.5 系列正式公测，包含 MiMo-V2.5、V2.5-Pro、TTS 与 ASR 等模型。其中 V2.5-Pro 在通用智能体、复杂软件工程等维度对标 Claude Opus 4.6、GPT-5.4，曾用 4.3 小时、672 次工具调用完成北大编译原理课程项目并获满分。
推荐理由：在自主完成编译器构建和视频编辑器开发的长程任务演示中，展示了结构化的逐层搭建和自我修正能力，其效率对比数据有助于判断复杂Agent任务的成本边界。
字节 Seed 正式发布 3D 生成大模型 Seed3D 2.0，在几何生成、纹理材质生成两项核心指标对比中均取得 SOTA 结果。模型采用 Coarse-to-Fine 两阶段 DiT 提升几何精度，统一 PBR 生成架构并引入 MoE 与 VLM 先验，还支持部件级生成、关节化建模与场景组合，输出可兼容 Isaac Sim 等仿真引擎；技术报告已公开，API 已上线火山引擎。
推荐理由：官方博客给出两阶段 DiT、统一 PBR 等架构细节与人类盲评结果，读者可了解 3D 生成走向生产可用的具体路径。
NVIDIA在Hugging Face平台发布了一篇博客，展示了Gemma 4 VLA模型在Jetson Orin Nano Super边缘计算设备上的运行演示。该演示突显了大型视觉语言模型向小型、高效能边缘设备的部署能力取得进展。Jetson Orin Nano Super作为一款紧凑型AI计算平台，能够支持Gemma 4 VLA这类先进模型，预示着在机器人、嵌入式AI等实时视觉推理场景中，本地化、低延迟的多模态AI应用成为可能。
Rohan Paul@rohanpaul_aiThe power to create anything is now in your pocket. Runable is now live on the App Store. Try it, tell us what sucks.
Qwen3.6-27B 开源发布，采用270亿稠密参数，无需MoE路由，部署门槛更低。编程能力全面超越前代旗舰Qwen3.5-397B-A17B MoE，在SWE-bench Verified（77.2）、SWE-bench Pro（53.5）、Terminal-Bench 2.0（59.3）、SkillsBench（48.2）等基准上领先，深度思考能力媲美超大参数模型。原生支持多模态，可处理图像、视频与文本，支持视觉推理、文档理解和视觉问答，具备视觉语言思考与非思考模式。开源权重已上线Hugging Face与ModelScope，API即将在阿里云百炼上线，兼容OpenAI与Anthropic协议，即时对话可通过Qwen Studio体验。
阿里巴巴4月22日发布生态级AI助手数字人形象"千问小酒窝"。该数字人已接入淘宝、飞猪、高德、支付宝等阿里生态业务，支持通过对话完成外卖点单、行程规划、演出购票、打车及机酒预订等跨服务串联执行。用户现可在千问App中选择"小酒窝"音色进行对话互动并生成专属合照，未来该形象将全面接入阿里各生态应用，提供统一智能体验。
OPPO Find X9 Ultra搭载双两亿像素双潜望五摄系统，配备哈苏2亿超大底主摄（进光量提升10%）、2亿超大底长焦（进光量达前代136%）及首创五反射潜望棱镜的10倍光变天眼长焦（230mm/460mm）。配合第二代丹霞色彩还原镜头与LUMO超像素引擎，相较Find X8 Ultra补齐远景拍摄短板，实现全焦段高画质输出，在10倍至120倍变焦下保持画面纯净与细节清晰。
YouTube向娱乐行业开放人脸声纹检测工具，用于识别并下架未经授权的AI深度伪造内容。该技术类似Content ID系统，专门检测复制他人外貌或声音特征的AI生成视频及音频，标记后当事人可直接审核并要求移除，无需通过常规举报渠道。该工具于2024年启动测试，今年早些时候已覆盖政府官员及新闻记者，现进一步向演艺明星和娱乐从业者开放，无论其是否拥有YouTube频道。YouTube与CAA、UTA等经纪公司合作优化了该系统。
OPPO Pad Mini 小平板发布，搭载8.8英寸2.5K OLED屏幕，支持144Hz刷新率，机身仅重279g、厚5.39mm。配备第五代骁龙8芯片与8000mAh电池，支持无感联网、双5G共享及跨生态互传，可搭配AI手写笔。售价3699元起，国补到手价3199元起，提供三种存储版本，高配可选柔光屏。
最多提供 50 页，更早的内容请使用搜索或主题页。
