-Zho-@ZHO_ZHO_ZHOAI 评分3636

GPT-6 在多模态推理中"Look Light, Think Heavy"问题愈发明显：看图越来越浅、语言推理越来越长，用解释代替观看。作者称这一现象在 image 2.5 使用中造成明显干扰与脱节，问题源自论文《Look Light, Think Heavy: What Multimodal Chain-of-Thought Reasoning Can and Cannot Do》。

inclusionAI 开源全双工交互系统 Realtime-Venus，含 Omni 与 Audio 两个 9B 模型

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 与合作伙伴在新加坡 AI Day 展示东南亚 AI 进展

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 Gemini@GeminiAppAI 评分2222

欢迎参加直播演示，了解如何用 Gemini 购物。 无论你是想做出明智的购买决策、比较各种选择，还是用摄像头随手一拍来浏览，都能借助 Gemini 的力量更聪明地购物。 👉 加入 Discord 观看直播：http://discord.gg/gemini 📅 9 月 22 日（周二）太平洋时间上午 11 点

Google AI Developers@googleaidevsAI 评分2727

遇到 bug 卡住时，是否希望屏幕上的确切问题能被直接指出来？ 看看我们如何用 Gemini 3.8 Live Extended Thinking 构建一个编程辅导工具，它能看见你的屏幕，并通过 function calling 引用 p5.js 库，为你讲解逻辑。

Google AI Developers@googleaidevsAI 评分2727

POV：零经验搭建你的第一个赛博朋克终端 ⚒️‼️ 来看看这个 demo，用 Gemini 3.8 Live Extended Thinking 打造一个工作坊助手，它能分析你的工作空间，与你大声推理，并引导你完成整个搭建过程。

Google 用 Flow 为纽约时装周设计师定制 AI 工具

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 用生成式 UI 让教师创建互动学习模拟

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。

Google Gemini@GeminiAppAI 评分3737

用 Gemini 把灵感变成实物。 借助 Gemini 中的 Canvas，你可以编写一个自定义应用来设计花瓶，并调整其数学参数以进行 3D 可视化。然后将其导出为 .STL 文件用于 3D 打印，看你的想法成形。

OpenRouter 解析 DeepSeek V4 各型号是否支持图像输入

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。

Sundar Pichai@sundarpichaiAI 评分3333

Google 公布 AI 加速科学、改善民生的四大重点领域：健康、自然灾害与天气韧性、学习、经济机会。过去一周，AlphaGenome Atlas 完成人类基因组全部 90 亿种单字母遗传变异映射并开放给研究者；WeatherNext 3 成为其迄今最准的全球天气 AI 模型；还发布 AI & Economy ATLAS 开放数据集，服务已覆盖近 300 种语言、70 亿人。

Google AI@GoogleAI精选AI 评分7474

Google AI 发布 Gemini 3.8 Live 和 3.8 Live Extended Thinking 两款语音模型。

Google 发布 AI & Economy ATLAS，AI 技术已支持超 300 种语言

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 公布多语言 AI 进展：Gemini 3.5 Live Translate 支持 70 种语言实时口译，TranslateGemma 可离线运行

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。

inclusionAI 发布 MoE 块扩散视觉语言 GUI Agent 模型 LLaDA-UI

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。

Microsoft Research@MSFTResearchAI 评分2424

探讨编码智能体在大规模场景下的表现；评估在PET/CT扫描中寻找淋巴瘤病灶的AI模型；理解AI聊天机器人依赖；以及推进大规模决策系统。深入了解最新一期Research Focus：https://msft.it/6016abyrY

Google AI@GoogleAIAI 评分5757

Google Labs 推出 Dreambeans，从 Gmail、Calendar、Search、Gemini App 和 Google Photos 人脸分组等已连接来源汇总信息，生成个性化插画故事并推送提醒。

Google DeepMind@GoogleDeepMindAI 评分3131

我们如何重建一段从未被拍摄过的记忆？ 我们的团队将修复后的档案照片与姿态控制模型相结合，捕捉 Burt 和 Ethelle 的举止神态与微表情。 这帮助重现了他们初次相遇的那一天，用于《Love, Rendered》——一部与 @PrimordialSoup_ 和 @StorySyndicate_ 合作的新纪录片。 在 YouTube 上观看完整影片 → https://goo.gle/3V8m94m

Ant Ling@AntLingAGIAI 评分4949

Ling-3.0-flash-VL 两项更新： - 现已在 OpenRouter 上线，提供两周免费访问 - FP4 和 INT4 量化版本现已开源 可通过 API 试用或自行部署——由你选择。

Google Gemini@GeminiAppAI 评分5757

Google Gemini 宣布 Gemini 应用正式支持 Windows。用户按下 Alt + Space 即可随时唤出，在常用工具旁润色文稿、总结长文档、头脑风暴以及生成自定义图像和视频。

SiliconFlow@SiliconFlowAI精选AI 评分6767

DeepSeek-V4.1-Flash 在 SiliconFlow 实现 Day 0 上线。该模型为 552B MoE，prefill 约激活 8B、decode 约激活 16B，支持原生视觉和 1M 上下文窗口，KV cache 占用相比 V4 Flash 缩小约 4 倍，采用 MIT 协议开源。

Gradio Workflow 重建 AUTOMATIC1111 大部分功能为 Workflow1111

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。

Ant Ling@AntLingAGIAI 评分5454

Novita 与蚂蚁百灵合作，在 Hugging Face 上线 Ling-3.0-flash-VL，前 14 天免费。模型总参数 124B、每 token 激活 5.5B，原生支持图像与视频理解，面向多模态推理和智能体工作流。

Google DeepMind 与电影人用 AI 逐帧重建 70 年爱情往事

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 发布 DeepSeek-V4.1-Flash，API 价格同步下调

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。

Suno 发布 v6 下一代音乐模型，推出 v6、v6-wild、v6-mini 三档

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。

Google Gemini@GeminiAppAI 评分4040

借助 Gemini Live 控制杂乱。 从选购新的收纳用品到寻找当地的电池处理点，Gemini 都能帮你更聪明地整理杂物。只需打开 Gemini Live，把摄像头对准杂乱处，实时讨论如何整理。

Demis Hassabis@demishassabisAI 评分5959

DeepMind 发布 AlphaGenome Atlas，一个 AI 驱动的可搜索数据库，可预测全部 90 亿种可能单碱基 DNA 变异的影响，帮助科学家更好地理解疾病。产品面向学术研究免费开放，入口为 http://alphagenome.google/atlas。Demis Hassabis 将其类比为 AlphaFold 绘制蛋白质宇宙之后，对人类基因组的绘制。

SiliconFlow@SiliconFlowAIAI 评分6464

DeepSeek-V4-Flash-Vision-Exp 现已上线 SiliconFlow，并可通过 OpenRouter 使用。该模型基于 V4 Flash 增加视觉理解，面向多模态任务与智能体，支持 1M 上下文，采用 MIT 协议，图片显示输入价格为 $0.44/M tokens，缓存输入 $0.028/M tokens，输出 $1.32/M tokens。

Google Research 联合 HHMI Janelia 发布完整雄性果蝇大脑连接组

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。

Google DeepMind 发布 WeatherNext 3 全球 AI 天气模型

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%。

H Company 发布 NeoMME 多语言多模态编码器，含 260M 与 800M 两种规格

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。

对卷卷的3小时访谈：从抖音到AI 3D、成为制造业OS的野心、基础模型不会吞噬一切

数美万物创始人兼CEO任利锋（卷卷）在近3小时访谈中回顾了从0到1孵化抖音的经历，并介绍了公司最新发布的Hi3D 3.0 2048³模型。他将公司目标从Maker OS推向制造业OS，认为基础模型不会吞噬一切，实体制造仍需能产出生产级3D资产的模型，难点在于拆件、连接结构、材料设备适配与按时交付。

Google AI Developers@googleaidevsAI 评分5353

Google 发布 Gemini 3.8 Flash，主打复杂推理能力。官方在 Google AI Studio 中用 3.8 Flash 和 Three.js 构建了一个交互式 3D 可视化工具，可自动将硬件设备分层拆解，用户能通过滑块展开并逐层查看符合物理比例的设备拆解结构。

Fei-Fei Li@drfeifeiAI 评分5757

Fei-Fei Li 宣布 World Labs 团队发布从零训练的多模态世界模型 Atlas。该模型支持像素级精准的相机控制生成帧、从单张输入图像重建大场景、通过重排视频帧模拟时空、从一或多张图像原生输出 3D 空间，以及将多张带位姿图像组合成一致的 3D 世界，潜在应用覆盖 VFX 到机器人。

Google DeepMind 为 Gemini 推出 agentic video understanding 视频分析功能

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%。

Runway 发布 Interface World Model 首个模型 Solaris，实时生成可交互界面

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。

Open ASR Leaderboard 新增 Monsoon 印地语与印度英语评测集

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 发布行星预测引擎 PPE，用自然语言自动完成地理空间建模

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，强化生成式视频创作控制

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。