Yann LeCun 发新论文挑战 Scaling Law：1.09 亿参数胜过 720 亿，模型越大不一定越懂世界
Yann LeCun 与其合作者提出了一种新的跨模态表征对齐方法，通过实验证明了一个仅有 1.09 亿参数的文本模型在跨模态表征对齐测试中超过了包括 Qwen2.5-72B、Llama-3-70B 在内的大型语言模型。
推荐理由：LeCun 的论文挑战了 AI 行业中模型规模与理解能力的关系，提出了新的跨模态表征对齐方法，对 AI 理论研究有重要意义。
#多模态
#多模态
今日 0 条InfoQ中文精选AI 评分7070
IT之家精选AI 评分8585 谷歌发布睡眠框架：让 AI 学会‘睡觉’，持续学习不忘旧知识
谷歌研究团队发布名为‘睡眠框架’的持续学习研究成果，旨在解决大语言模型的知识固化问题。该框架借鉴人类睡眠机制，通过模拟‘清醒阶段’和‘睡眠阶段’进行记忆巩固和自我改进，实验显示在多个任务中优于基线方法。
推荐理由：谷歌提出的睡眠框架旨在解决大语言模型的知识固化问题，通过模拟人类睡眠机制进行记忆巩固和自我改进，对持续学习领域有重要意义。
InfoQ中文精选AI 评分8585 谷歌发布 Gemini 4 Carbon：大模型新标杆，但普通开发者暂时无法使用
谷歌发布新一代大模型 Gemini 4 Carbon，在多个领域性能提升，包括编程、长程智能体任务和网络安全。目前仅向部分网络安全专家开放，后续逐步扩大访问范围。
推荐理由：谷歌发布了新一代大模型 Gemini 4 Carbon，在多个领域性能提升，但普通开发者暂时无法使用，引发对 AI 模型实际应用和成本效益的思考。
IT之家精选AI 评分8585 英伟达开源最强转录 AI 模型 Nemotron 3.5 Transcribe：支持 40 种语言，8 人抢话也能精准转录
英伟达推出开放权重语音转录模型 Nemotron 3.5 Transcribe，支持 40 种语言转录，最多可区分 8 名说话人，已在 Hugging Face 与 ModelScope 免费开放。
推荐理由：英伟达开源了 Nemotron 3.5 Transcribe 模型，支持多语言转录和说话人识别，对多场景应用有重要意义。
开源中国精选AI 评分7070 谷歌 DeepMind 发布 Genie 4：世界模型同步生成声音
谷歌 DeepMind 发布 Genie 4，一个原生多模态的世界模型，实现了画面、音乐、环境声、对话的同步生成。
推荐理由：Genie 4 的多模态能力在模拟中实现了声音与画面的同步生成，对多模态研究有重要意义。
Show HNAI 评分4545 RainbowSay – 使用喜爱的节目学习、教授和研究语言
RainbowSay 通过分析用户喜爱的系列剧、视频和播客，提供实时语言学习体验。它暂停于每个句子的结尾，展示翻译、词汇和语法。该应用支持多种语言，提供听力、口语和字幕练习方式，帮助用户在真实语境中学习语言。
36氪精选AI 评分7070 中信证券：GPT-6 Astra进入机器人控制，物理AI迎来重大拐点
中信证券研报指出，通用大模型GPT-6 Astra正在应用于机器人控制，有望推动物理AI发展，并可能成为AI行业下一个投入方向。
推荐理由：原文探讨了通用大模型在机器人控制领域的应用，读者可以了解这一领域的最新研究进展。
36氪精选AI 评分7070 Vivix发布下一代实时交互模型，探索互动内容新领域
Vivix公司推出两款实时交互模型W1和A1，旨在推动互动内容领域的发展，并探索游戏和直播等应用场景。
推荐理由：Vivix公司专注于下一代实时交互模型，其产品可能对互动内容领域产生重大影响。
Show HN精选AI 评分7070 如何加速 VLA 训练：Pi0.5 训练加速详解
本文详细介绍了如何通过多种优化方法加速 Pi0.5 模型的训练，包括内存优化、编译优化和注意力机制优化，最终实现了 3 倍的训练加速。
推荐理由：文章详细介绍了如何通过多种优化方法加速 Pi0.5 模型的训练，包括内存优化、编译优化和注意力机制优化，对于需要训练类似模型的读者具有参考价值。
Solidot精选AI 评分8585 Meta 发布 Muse Spark Open 开放权重模型
Meta 发布 Muse Spark Open，一个拥有 8160 亿参数的多模态模型，支持在 Mac Studio 上运行，已发布在 Hugging Face 上。
推荐理由：Meta 发布了 Muse Spark Open，一个强大的多模态开放权重模型，支持在苹果的 Mac Studio 上运行，读者可以关注其参数规模和运行环境对现有工作流的影响。
Show HN精选AI 评分6565 StarSkirmish Bench v0.2 评测：大型语言模型在 StarCraft 游戏中的表现
StarSkirmish Bench v0.2 评测了多个大型语言模型在 StarCraft 游戏中的表现，GPT-6 Astra 表现最佳，Gemini 4 Argon 和 Claude Opus 5.5 紧随其后。
推荐理由：StarSkirmish Bench v0.2 对比了多个大型语言模型在 StarCraft 游戏中的表现，为读者提供了关于不同模型在复杂任务中表现的数据和见解。
爱范儿精选AI 评分6565 英伟达RTX Spark笔记本发布，AI本地部署新选择
英伟达RTX Spark笔记本搭载ARM CPU、Blackwell RTX GPU和统一内存，支持运行大型AI模型，为AI本地部署提供了新的可能性。
推荐理由：英伟达RTX Spark笔记本的发布，标志着英伟达在Windows PC核心硬件平台的进入，为AI本地部署提供了新的可能性，对创作者和开发者来说是一个值得关注的事件。
量子位精选AI 评分8585 优必选 Thinker-WM：多模态统一表征，单模型实现六大能力
优必选 Thinker-WM 在三大基准评测中全部拿下第一名，刷新行业成绩。该模型通过多模态统一表征技术，实现了视频-动作联合生成、世界预测、策略推理等六大能力。
推荐理由：Thinker-WM 在三大基准评测中取得优异成绩，其多模态统一表征技术为具身智能领域带来突破性进展。
Latent Space精选AI 评分7070 AI模型和工具更新：Muse Spark Open、Nemotron 3.5、MAI-Base-2、Gemini 4 Argon等发布
Muse Spark Open发布，具有816B总参数、42B活跃参数、1M上下文窗口，支持多模态输入；Nemotron 3.5 Super VL是一个120B/12B活跃的混合Mamba-Transformer MoE VLM；MAI-Base-2是一个大约3T参数的预训练基础模型；Gemini 4 Argon在Antigravity中推出。
推荐理由：原文介绍了多个AI模型和工具的更新和发布，包括Muse Spark Open、Nemotron 3.5、MAI-Base-2、Gemini 4 Argon等，读者可以了解这些新工具的能力和特点，以及它们对AI领域的影响。
IT之家精选AI 评分6565 苹果与Meta合作：Mac Studio本地运行“美国最强开源AI模型”Muse Spark Open
Meta 和苹果公司合作，在两台 Mac Studio 上本地运行 Muse Spark Open 模型，该模型参数量达 8160 亿，面向复杂工作场景。合作标志着两家公司在 AI 领域的罕见合作，对 AI 工具的可用性和性能有重要影响。
推荐理由：Meta 和苹果公司合作，在 Mac Studio 上本地运行 Muse Spark Open 模型，标志着两家公司在 AI 领域的罕见合作，对 AI 工具的可用性和性能有重要影响。
量子位精选AI 评分8585 何恺明团队发布多模态Harness框架VISTA：视觉原生推理新框架
何恺明团队提出的VISTA框架，通过保存和利用视觉信息，显著提升了多模态模型在交互式视觉推理任务中的表现，为Agent能力的发展提供了新的思路。
推荐理由：VISTA框架通过保存和利用视觉信息，显著提升了多模态模型在交互式视觉推理任务中的表现，为Agent能力的发展提供了新的思路。
36氪精选AI 评分6060 以色列团队开发Brain-IT模型 可通过fMRI数据重建受试者所见画面
以色列魏茨曼科学研究所教授Michal Irani团队开发的Brain-IT模型，能够通过分析fMRI数据重建受试者观看图像时的视觉画面。
推荐理由：该研究展示了AI在图像生成领域的最新进展，可能对相关领域产生重要影响。
量子位精选AI 评分5858 生数科技开放 Vidu Q4 预览版：720P 约 0.6 元/秒，最高 4K 直出
生数科技开放新一代视频生成旗舰模型 Vidu Q4 预览版，主打传神表现力，先放出人物演绎、镜头语言和视效场面三项能力，最高支持 4K 直出，单条最长 16 秒，一次最多可用 15 张参考图和 3 段参考音频。
推荐理由：作者实测了 Vidu Q4 预览版的演技、镜头与特效表现，并给出 MaaS 与 SaaS 两端的计价方式，便于创作者估算成本。
Show HNAI 评分4242 Quady3D：把图片、文字或草图变成 3D 模型的 AI 工作流
Quady3D 上线，可将图片、文字、草图或多视角输入生成可预览、可下载的 3D 模型，支持 GLB、OBJ、STL 等格式。免费账户经邮箱验证可获 40 个一次性 credits，Creator 订阅 $24.92/月含每月 1,000 credits，Studio 为 $99.92/月含 5,000 credits。
爱范儿AI 评分3838 Vidu Q4 Preview 体验：0.09 元/秒起，主打人物演技与复杂特效
生数科技开放视频生成模型 Vidu Q4 Preview，定位「高表现力旗舰模型」，主打人物演技、镜头张力和复杂特效，试拍 0.09 元/秒起。该预览版参考生视频支持最多 15 张参考图、3 段参考音频及 2K、4K 超清输出，可在 Vidu 官网体验。实测中人物表情反应与运镜稳定性表现突出，但节奏自然度和画面风格控制仍有待优化。
IT之家AI 评分4242 XREAL 确认 Android XR 眼镜 AURA 起价 1279 美元，另有 1499 美元高配
XREAL 确认其 Android XR 眼镜 AURA 提供两档配置：12GB + 256GB 定价 1279 美元，16GB + 512GB 定价 1499 美元。
IT之家精选AI 评分5858 PFN 发布 PLaMo 3 Translate 31B 翻译模型，日语表现优于 GPT-6.1 Sol
日本企业 Preferred Networks（PFN）发布翻译模型 PLaMo 3 Translate 31B，基于 PLaMo 3 基础模型，训练数据中日语占比约 30%，支持语言从上代的日语、英语 2 种扩展至 53 种，并引入覆盖 15 种语言的在线会议翻译模式。
推荐理由：日本团队自研翻译模型把支持语言从 2 种扩到 53 种，并给出与 GPT-6.1 Sol 的基准对比和成本数字。
开源中国精选AI 评分6868 Mistral 发布 Mistral Large 4：1 万亿参数、原生多模态
Mistral 发布其史上最大模型 Mistral Large 4，代号 Le Chonk，为从零训练的原生多模态模型，1 万亿参数、520 亿稀疏激活。该模型即日起在 Mistral Studio 开放公开预览，权重将于月底发布。
推荐理由：原文给出模型规模、稀疏激活与多模态三项关键参数，读者可据此判断其与同代大模型的定位差异。
量子位精选AI 评分6262 何恺明团队提出NAT-ARC：用ImageNet猫狗图预训练解ARC抽象推理
何恺明团队提出纯视觉ARC解题方案NAT-ARC，在VARC流程前插入ImageNet MAE预训练，不依赖LLM。表现最好的单模型为0.6B的huge尺度，ARC-1上pass@2达63.4±0.7%，集成后达70.2±0.6%，总参数量约2B。
推荐理由：论文用ImageNet预训练打通视觉路线在ARC上的scaling瓶颈，并给出注意力可视化与任务拆解证据。
少数派AI 评分2222 派早报：微软发布 Surface Laptop Ultra、Google 发布 Nano Banana 2.1 等
微软与英伟达联合发布搭载 RTX Spark 超级芯片的 Surface Laptop Ultra，最高 20 核 Grace CPU、6,144 核 Blackwell RTX GPU 和 128GB 统一内存，起售价 2,599.99 美元，10 月 16 日发货。
TechCrunch · AI精选AI 评分7171 OpenAI 随 GPT-6 推出 Intelligent UI，ChatGPT 界面转向可视化交互
OpenAI 推出名为 Intelligent UI 的新界面，随新 GPT-6 模型于周三开始推送，在对话中大量加入可交互的图表、按钮、定制计算器和可编辑图形等视觉元素。
推荐理由：OpenAI 随 GPT-6 推出可交互的 Intelligent UI，读者可了解 ChatGPT 界面从纯文本转向可视化交互的具体形态与开放节奏。
The Decoder精选AI 评分6262 Google 开放 SynthID 检测器，称已有 1800 亿图片和视频带水印
Google 将 SynthID Detector 开放给公众，任何人都可以检测图片、视频或音频是否由 Google 及其合作方的 AI 生成。该工具可识别 Gemini、Veo、Lyria 等模型嵌入的隐形水印，支持 JPG、PNG、MP4 和 MP3 格式。
推荐理由：SynthID 检测器开放公众使用，读者可了解水印检测的适用范围与它只识别自家水印的边界。
IT之家精选AI 评分6262 谷歌 SynthID 检测网站面向全球用户开放
谷歌宣布其 AI 生成内容检测网站 SynthID 已面向全球用户开放，用户可检测图片、视频或音频是否由 AI 生成。SynthID 是谷歌 2023 年推出的隐形水印，嵌入在 Nano Banana、Veo 和 Lyria 模型中，OpenAI、英伟达和 Kakao 也支持该工具。
推荐理由：SynthID 从模型内置水印扩展为面向全球用户的独立检测入口，可了解 AI 内容溯源的实际可用范围。
Ars Technica · AI精选AI 评分5858 Google 推出改进版 SynthID AI 内容检测器，面向全球开放
Google 宣布其 SynthID 检测器现已支持所有合作方嵌入的水印，并上线独立网站 SynthID.com 供任何人使用。此前非 Google 信任测试者只能通过询问 Gemini 来检测水印，且检测器只识别 Google 自家的 SynthID，ChatGPT 等合作方生成内容即使带有 SynthID 也不会被标记。
推荐理由：SynthID 检测器从仅支持 Google 自家水印扩展到全部合作方，并开放独立网站，读者可据此判断 AI 内容溯源的实际可用性。
TechCrunch · AI精选AI 评分6262 Google 上线 SynthID 检测网站，向所有人开放 AI 生成媒体识别
Google 周二上线新网站，任何人都可以检测图片、视频或音频是否由 AI 生成。该工具此前在 Google I/O 上仅向部分记者、媒体从业者和研究人员开放测试，现已全面开放，支持 JPG、PNG、MP4、MOV、WAV、MP3 等图片、视频和音频格式。
推荐理由：SynthID 检测站点从限量测试开放给所有人，并列出支持的图片、视频、音频格式与接入方。
量子位精选AI 评分5858 Utopai X 登 Artificial Analysis 文生视频榜第二，影视公司 Utopai 公布 2027 院线片单
独立评测机构 Artificial Analysis 最新文生视频榜单中，影视公司 Utopai Studios 的模型 Utopai X 以 1150 分位列第二，与第一名阿里的 Wan 3.0 仅差 7 分。
推荐理由：读者可了解一家影视公司如何用后训练视频模型和制片平台切入院线片单，并看到其商业化进展。
IT之家AI 评分2222 豆包登陆华为鸿蒙电脑端，首版本搭载 2.1 Turbo / Pro 模型
豆包 App 已正式登陆华为鸿蒙电脑端，用户可在应用市场直接搜索下载，首版本搭载豆包 2.1 Turbo 和豆包 2.1 Pro 模型。该版本支持对话与工作随心切换，上线深入研究、PPT 生成、帮我写作、图像生成、云盘等核心能力。华为官方透露，豆包位列鸿蒙电脑用户心愿单 TOP1。
量子位AI 评分3030 Meshy 入选 a16z 消费级 AI 应用月收入 Top 50，为榜单唯一 AI 3D 公司
Meshy 在 a16z 首份消费级 AI 应用月收入榜单中位列第 31 名，是榜单上唯一的 AI 3D 公司，与 OpenAI、Anthropic、Canva 等共同上榜。
IT之家精选AI 评分6262 谷歌推出 macOS 应用 AI Edge Foresight，支持离线记录会议纪要
谷歌推出全新 macOS 应用 AI Edge Foresight，向苹果用户展示 EmbeddingGemma 2 端侧多模态模型的实力。该应用调用 Mac 麦克风和系统音频，结合用户笔记整理线上、线下会议纪要，并支持基于会议内容和其他知识库的实时问答，可完全离线运行。应用兼容 Apple 芯片的 Mac，用户可免费下载。
推荐理由：谷歌用一款免费 macOS 应用展示 EmbeddingGemma 2 的端侧多模态能力，可据此判断离线会议纪要的可用形态。
Show HNAI 评分3838 Show HN：EasyToSTL 将 2D 图像和文本转为水密可打印 STL
EasyToSTL 在 Show HN 上线，可将 JPG、PNG、WebP 图像及文本提示词生成水密、可直接打印的 STL 模型，支持 GLB、OBJ 导出，兼容 Bambu Studio、Cura、PrusaSlicer 等切片软件。Pro 模式最高支持 150 万三角面并带毫米级尺寸校准，注册即送免费额度、无需信用卡，基础格式转换和在线 3D 预览完全免费。
IT之家精选AI 评分7878 谷歌推出 EmbeddingGemma 2：支持多模态，7.4 亿参数量化后手机端运行约需 191MB 内存
谷歌正式推出 EmbeddingGemma 2，将嵌入能力从文本扩展到代码、图像、视频和音频，并统一映射到同一嵌入空间。该模型基于 Gemma 4 架构，采用 Apache 2.0 许可，总参数 7.4 亿，纯文本任务仅需 2.7 亿参数，可叠加 1.7 亿参数视觉编码器和 3 亿参数音频编码器。
推荐理由：EmbeddingGemma 2 把嵌入能力从文本扩展到代码、图像、视频和音频，并给出端侧量化内存占用，便于判断本地多模态检索的可行性。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 EmbeddingGemma 2 开源轻量多模态嵌入模型
Google DeepMind 发布 EmbeddingGemma 2，这是面向端侧的多模态嵌入模型，原生将文本、图像、音频和视频映射到统一嵌入空间，基于 Gemma 4 架构、Apache 2.0 许可，参数量 740M。
推荐理由：EmbeddingGemma 2 把文本、图像、音频、视频统一到同一嵌入空间，并给出端侧内存与向量截断的具体数据，便于评估本地多模态检索的可行性。
The Decoder精选AI 评分7171 Google 发布 EmbeddingGemma 2，称性能超越两倍规模竞品
Google 发布开源模型 EmbeddingGemma 2，可将文本、图像、视频、音频和代码转换为数值向量，参数量 7.4 亿，Google 称其是同类型中最紧凑的模型，在多模态嵌入基准上超越规模达其两倍的竞品。
推荐理由：读者可据此了解一款 740M 参数多模态嵌入模型在本地运行、离线 RAG 场景下的能力与资源占用。
Show HN精选AI 评分5858 HieraticBench：AI 能读懂古埃及圣书体手写体吗
作者发布 HieraticBench，用 268 条真实文献、符号及其他埃及文字作为对照，测试前沿模型识别和翻译圣书体（hieroglyphs 的草写体）的能力。
推荐理由：作者用自己未公开的圣书体句子和真实文献测试多个前沿模型，给出识别与释读的具体差距。
The Verge · AIAI 评分3838 苹果、Google 探索"不录制"的 AI 摄像头，重新定义"录制"边界
苹果正研发一款不保存视频的智能家居摄像头，改用 AI 将画面转成文字描述，未来 AirPods 摄像头或采用类似方案；Apple Watch Series 12 与 Ultra 4 的 Audio Intelligence 也宣称"不录制音频"，原始数据在 S11 处理器安全隔区处理完后即删除。