Microsoft AI 发布实时流式转写模型 MAI-Transcribe-2-Streaming，在 Artificial Analysis 的最终与部分转写准确率均排名第一，支持 60 种语言，接收到音频后约 100ms 内产出首个 partials，内部评测显示实时听写场景出词速度比最接近的竞品快 2x，年底前 introductory 价 $0.54 每小时音频。
推荐理由：官方公布三款语音模型的具体定价、延迟数字和 Artificial Analysis 排名，可据此评估搭建语音智能体的成本与速度。
Hugging Face 推出 Open TTS Leaderboard，用客观指标评估开源多语言 TTS 和语音克隆模型。指标包括基于 Qwen3 ASR 的 WER/CER、H200 上的 RTFx 和 TTFA 流式延迟、WavLM 嵌入的说话人相似度（SIM），把评估周期从数周缩短到数小时。
Condé Nast 与 AWS 生成式 AI 创新中心合作，基于 Amazon Bedrock 和 Amazon OpenSearch Service 构建多模态视频检索方案，采用 TwelveLabs Marengo 嵌入模型联合编码画面、音频与转录文本。
Microsoft Research 推出 Quine，一个面向生物学的多模态世界模型与交互式 harness，连接科学工具、文献和研究人员。在与 Broad Institute 合作中，Quine 用于预测可驱动胰腺癌肿瘤细胞状态转变的化合物，排名第一的候选化合物在湿实验中产生了最大的预期细胞状态转变，从缩小化合物范围到确定候选名单仅用了一个周末。
推荐理由：官方披露了系统构成和胰腺癌湿实验验证结果，读者可以据此评估AI世界模型在生物研究中的实际作用。
inclusionAI 在 Hugging Face 发布开源全模态模型 Ming-flash-omni 2.0，基于 Ling-2.0 MoE 架构，总参数 100B、激活 6B，称在开源全模态 MLLM 中达到 SOTA。
OpenRouter 比较了自家平台四条图生视频模型线的分辨率、时长、帧控制、音频和价格，覆盖 Veo 3.1、Seedance 2.5 与 2.0 系列、Kling v3.0 和 Grok Imagine Video 1.5，价格数据核查于 2026 年 9 月 11 日。
Google DeepMind 推出 Gemini 3.8 Live with Live Avatar，为对话模型加入近实时视频生成与视觉形象，今日起在 Gemini Enterprise 提供。该功能支持精确唇形同步、异步工具调用不中断对话、跨 97 种语言的语音到语音同步，并可用参考图定制头像（需企业允许名单），所有输出带 SynthID 水印。
Liquid AI 为视觉语言模型 LFM2.5-VL-3B 发布实验性 DSpark 草稿模型，通过投机解码在不改变输出质量的前提下加速推理。解码最高提速 3.13x（M5 Max 设备端）和 2.66x（H100），端到端最高提升 2.62x 和 2.27x。
NVIDIA 与 Google DeepMind、EMBL-EBI 等机构合作，通过 AlphaFold Database 公开超过 2,800 种病毒的蛋白复合物预测 3D 结构，数据由 AlphaFold2 结合 NVIDIA BioNeMo Inference Runtime 优化推理生成，其中约 30% 的蛋白相互作用此前未被 Protein Data Bank 记录。
inclusionAI 在 Hugging Face 开源 Ming-UniVision-16B-A3B，基于 MingTok 连续视觉 token，在单一自回归 NTP 框架内统一图像理解与生成，官方称联合训练收敛速度提升 3.5 倍。
inclusionAI 发布 Ling-3.0-flash-VL，基于 Ling-3.0-flash 扩展原生图像与视频理解，总参数 124B，每 token 激活 5.5B，上下文窗口最高 256K tokens。
inclusionAI 在 Hugging Face 发布 Ming-flash-omni Preview，基于 Ling-Flash-2.0 稀疏 MoE 架构，总参数 100B、每 token 激活 6B。
推荐理由：原文给出稀疏 MoE 架构、生成式分割和方言语音识别等具体改进与评测数字，读者可对比其多模态能力变化。
Google Private AI Compute 团队宣布为 Private AI Compute 平台引入私密的服务端持久记忆，让 AI 助手能跨设备长期保留上下文。
Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，支持用自然语言提示词设计角色声音、30 秒音频样本复刻声音，并逐行指挥表演。
推荐理由：原文给出两个 TTS 模型的定位差异、基准成绩和开放渠道，读者可据此评估语音生成工作流的选型。
inclusionAI（Venus Team，蚂蚁集团与清华大学）在 Hugging Face 开源 Realtime-Venus，包含基于 MiniCPM-o 4.5 的 9B 视听交互模型 Realtime-Venus-Omni 和纯音频模型 Realtime-Venus-Audio。
NVIDIA 在新加坡 AI Day 上联合合作伙伴展示东南亚 AI 进展，新加坡 HTX 将研究使用 Nemotron 3 Super 和 Nemotron 3 Nano Omni 模型推进公共安全 AI。
Google Envisioning Studio 与设计师 Jane Wade、Sergio Hudson 合作，在 Google Flow 中打造 Styling Suite 和 Runway Visualization 两款定制工具，用于纽约时装周。
Google Research 公布新研究实验，让教师借助生成式 UI（GenUI）创建贴合课程目标的互动教育模拟，并已开放 30 多个面向初高中物理、化学、生物和数学的英文学习互动示例库，均由 AI 生成、教师审核。
OpenRouter 逐一梳理 DeepSeek V4 家族的输入模态：仅 deepseek/deepseek-v4.1-flash 和 deepseek/deepseek-v4-flash-vision-exp 接受图像，其余 V4 Pro 0813、V4 Flash 0731、两个 0423 checkpoint 和 Flash latest alias 均为纯文本。
Google 宣布其技术现已支持超 300 种语言，覆盖 70 亿人、占全球人口 86%，并同步发布 AI & Economy ATLAS 交互洞察。同期科学进展包括开放 AlphaGenome Atlas 全基因组 90 亿个单字母变异预测，推出全球天气模型 WeatherNext 3，其提前一天以上降水预报准确率提升 50%。
Google 宣布其语言技术已覆盖 300 多种语言、服务超 70 亿人，占全球人口 86%。Gemini 3.5 Live Translate 支持 70 种语言。
推荐理由：官方梳理了从实时翻译到无障碍设计的语言 AI 布局，并给出各产品的覆盖语言数和合作项目，可作了解现状的参考。
inclusionAI 在 Hugging Face 开源 LLaDA-UI，一个基于 MoE 的块扩散视觉语言 GUI Agent，总参数约 16.7B，语言骨干为 LLaDA2.0-mini-base。
Hugging Face 团队用 gr.Workflow 将 AUTOMATIC1111 的主要功能重建为 Workflow1111，画布包含 11 条媒体管线。
推荐理由：原文拆解了 11 条媒体管线和 73 个节点的具体构成，展示了 Gradio Workflow 混搭多模型并自动生成 REST 与 MCP 端点的做法。
Google DeepMind 与 Primordial Soup 合作制作纪录短片《Love, Rendered》，用 AI 重建 Burt 和 Ethelle Shatz 结婚 70 多年来未被拍摄记录的初遇记忆。
DeepSeek 正式发布 DeepSeek-V4.1-Flash，是全新模型结构系列中最小尺寸模型，具备原生多模态视觉理解能力，设计目标是能力上限更高、推理更快、吞吐更大。
推荐理由：官方公布了新结构系列最小模型的多项基准成绩和 API 迁移方式，开发者可据此评估切换成本与价格变化。
Suno 发布 v6 新一代音乐模型，与 Warner Music Group、BMG、Believe 等行业伙伴合作开发，并最终以下一代模型替换旧模型。
推荐理由：原文由官方给出三档模型分工与具体编辑能力示例，读者可以据此判断新工作流是否适合自己。
Google Research 与 HHMI Janelia、MRC 分子生物学实验室及剑桥大学等合作，在 Cell 发表雄性果蝇大脑和中央神经系统的完整连接组，包含超 166,000 个神经元和 1.25 亿个突触连接，是迄今按神经元数量计最大的脑图谱。
推荐理由：由参与方介绍完整雄性果蝇连接组，读者可了解其规模、AI 重建方法及对后续脑映射研究的用途。
Google DeepMind 与 Google Research 发布 WeatherNext 3，称其为最先进准确的全球 AI 天气模型。模型直接学习实时卫星数据和气象站观测，逐小时产出最高 5 公里分辨率预报，精度约为 WeatherNext 2 的五倍；中期降水预报 CRPS 相对 IMERG 提升最高 60%。
推荐理由：官方介绍了新模型的分辨率、逐小时更新和降水精度提升，并说明其在 Google 各产品中的落地方式，读者可评估对天气相关业务的应用价值。
H Company 发布 NeoMME 系列多语言多模态编码器，有 260M 和 800M 两种规格，用单个双向 Transformer 从头训练处理文本 token 和 32×32 图像 patch，不依赖预训练视觉塔或因果语言模型。
Google DeepMind 在 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 上推出 agentic video understanding，动态检索视频片段以替代固定帧率处理，token 消耗最多降 88%，成本最多降 66%，准确率最多提升 7%。
推荐理由：官方给出 token、成本与准确率的具体降幅和开启方式，长视频处理场景下可评估是否切换处理模式。
Runway 发布 Solaris，定位为 Interface World Model 系列的首个模型，基于 Gen-4.5 改造，逐帧实时生成应用和网站界面，无需代码等中间表示。用户研究显示 250 名参与者约 7500 次成对评判中，61% 偏好其遵循指令（对比编码界面的 24%），71% 认为交互更自然；文本渲染、长会话一致性和无障碍集成仍是待解难题，现已开放早期访问申请。
推荐理由：官方详细说明了实时生成的原理、与 Claude Opus 5 的对比数据和遗留短板，读者可以据此判断这类界面生成模型的实际边界。
Voice Arena 与 Hugging Face 在 Open ASR Leaderboard 推出 Monsoon en-IN 和 Monsoon hi-IN 两套评测集，共 4 个 split、4,888 名说话人、约 17 小时对话语音，印地语成为多语言标签页里第一个南亚语言。
Google 在 Earth AI 体系下推出实验性研究能力 PPE（planetary prediction engine），从自然语言查询出发自主完成地理空间预测的全流程，包括数据发现、清洗、特征工程、模型训练与评估。
Google DeepMind 发布 Gemini Omni 1.1 Flash，为开发者提供一组创意控制和生成式视频能力，可通过 Google AI Studio 中的 Gemini API 使用。
推荐理由：官方披露了场景扩展、首末帧插值、4K 放大等具体能力与可用入口，便于开发者评估是否迁移现有视频生成工作流。
Google 发布 GlucoFM，一个基于双流设计的自监督基础模型，将血糖的慢速基线趋势与短期波动分离，并保留时间与缺失信息。模型在 109,066 小时无标注 CGM 数据上预训练，覆盖四个队列、七项临床任务共 14 组评估，平均 PR-AUC 比最强 GluFormer 变体高 5.8 个百分点。
Google 在 CHI 2026 发布研究原型 AgentHands，可将 LLM 的推理输出映射为 XR 中与语音同步的手势，让 AI 智能体在 3D 空间里用手演示而非仅靠语言描述。系统包含环境感知、手势事件库、手势嵌入推理和 XR 同步执行四个模块，手势按左右手、空间锚定、时序动效等维度分类。在 N=12 的用户研究中，AgentHands 相比纯语音基线在空间指向上取得显著提升。
Google Search 推出 5 种家居装饰用法：AI Mode 可上传房间照片，按墙面宽度推荐沙发并生成摆放效果图；Google Lens 拍照识别复古单品并找同款；Circle to Search 在 Pixel 和三星 Galaxy S26 上圈选视频或社交帖中的壁纸找相似款。
Google Research 提出 Mobility-Embedded POIs（ME-POIs）框架，将匿名聚合的移动性模式与文本描述结合，为地点生成同时编码身份与动态功能的嵌入向量。
Hugging Face 提出三项测试量化 ASR 模型的基准优化（benchmaxxing）行为，评估 11 个开源模型后发现多个高分模型会复现 VoxPopuli 和 LibriSpeech 的错误参考转写。
推荐理由：原文给出三种可量化的探针方法，让读者能据此区分语音模型的真实转写能力与针对基准的拟合行为。
DeepSeek 在 API 平台上线实验性多模态视觉理解模型 DeepSeek-V4-Flash-Vision-Exp，通过设置 model='deepseek-v4-flash-vision-exp' 即可调用。
推荐理由：官方公布了多模态 Agent 基准成绩和调用方式，读者可据此判断其视觉 Agent 能力在现有模型中的位置。