#多模态

Google Research 提出基于可穿戴设备的 CKM 健康年龄与个性化健康指导框架

Google Research 发布一项研究性框架，用可穿戴数据构建可干预的健康年龄（CHA）模型，并训练 SensorWM 世界模型模拟个性化 12 周"如果-那么"健康轨迹，配合语言模型生成经临床审核的指导计划。

Google 发布 Gemini Decision（gemini-decision-1）及 Decisions API

Google 在 Gemini API 更新日志中发布 Gemini Decision（gemini-decision-1）和 Decisions API，用于对文本、图像、音频、视频和 PDF 进行快速、校准的二元、分类和评分标准决策，输出 token 为零。官方提供定价、速率限制和 Decisions API 入门指南。

Google 发布 Gemini Decisions API 与 Gemini Decision 1 模型，专注快速多模态封闭式决策

Google 推出 Gemini Decisions API，由新模型 Gemini Decision 1 驱动，可在 150-250ms 端到端延迟内对文本、图像、音频、视频和 PDF（最多 256K tokens）一次性评估最多 1000 个是/否、多选和评分题。

vLLM 讲解 EPD 编码分离架构如何扩展多模态推理服务

vLLM 发文讲解 Encoder/Prefill/Decode（EPD）分离架构的工程实现，支持编码、预填充、解码三个阶段独立部署扩缩容。核心变化包括 metadata-only 请求避免下游重复媒体预处理、编码器专用执行路径、NIXL 与 Mooncake 远程嵌入传输、跨编码器输出复用等。

蚂蚁 inclusionAI 开源 ZoomGain-4B/9B 模型与 ZoomGainBench 基准

蚂蚁 inclusionAI 发布 ZoomGain-4B 与 ZoomGain-9B 模型检查点，并同步开源 ZoomGainBench 评测基准和 RL 训练数据。

蚂蚁 inclusionAI 开源 ZoomGain-9B 与 ZoomGainBench 细粒度视觉评测基准

蚂蚁 inclusionAI 发布 ZoomGain-4B/9B 模型检查点、ZoomGainBench 评测基准和 RL 训练数据。ZoomGain 利用“全局看图、放大才看清”的感知差构造视觉监督，28 个模型中最佳者在 ZoomGainBench 得分 61.08，ZoomGain-9B 在多项细粒度与通用感知基准上表现更优。

inclusionAI 发布 ZoomGain-4B GGUF 量化权重

inclusionAI 在 HuggingFace 发布 ZoomGain-4B 的 GGUF 格式权重，经 llama.cpp 转换，语言模型与视觉编码器、投影器（mmproj）均提供 FP16、Q8_0、Q4_K_M 三种精度。

蚂蚁 inclusionAI 开源 SingVL_S1_4B 多模态决策模型

蚂蚁 inclusionAI 在 HuggingFace 发布基于 Qwen3.5 的 4B 多模态决策模型 SingVL_S1_4B，支持对文本或 JSON 及最多四张图片按 choice、noul、score 三类问题单次前向打分。

百度发布 ERNIE 5.5 Flash Preview，权重将于 11 月 25 日前开源

百度发布 ERNIE 5.5 Flash Preview，是基于此前 Base 模型的首个后训练版本，总参数 280B、激活参数 14B，支持 1M 上下文。模型 API 已在千帆平台上线，权重将于 11 月 25 日前开源；官方展示了游戏开发、3D 建模、知识工作、视频创作等 Agent 场景成果，并称该版本为后训练中间版本，正式版仍将持续优化。

Google DeepMind 与 Artificial Analysis 推出 MKA 多模态知识工作基准

Google DeepMind 与 Artificial Analysis 联合发布 Multimodal Knowledge Agent（MKA）基准，用 200 个跨 10 个行业的私有真实视觉任务考察智能体处理图纸、扫描件并产出幻灯片、表格、报告等交付物的能力。

Sierra 设计师复盘如何用 AI 在两周内完成语音智能体形象 Mossy

Sierra 设计师 Leonard Jung 复盘如何独自用 AI 编码智能体设计出 Sierra 语音智能体的可视化形象 Mossy，一个会随声音呼吸、生长和反应的草球，全程只花两周。他从约 50 种材料方案中选定草作为材质，用实时滑杆工具调参迭代，并从一开始就用代码而非 Figma 制作，使设计直接进入生产环节，最终亮相 Sierra Summit 大会主舞台。

OpenRouter 实测最佳 OCR 模型：Claude Opus 5.5 最准，Mistral OCR 性价比最高

OpenRouter 用 8 张自制扫描页（264 项关键值）实测 15 个视觉模型、Mistral OCR 和 Tesseract 做 OCR 的表现。

Gemini 4 Carbon (gemini-4-carbon) 正式发布 GA

Google 发布 Gemini 4 Carbon（gemini-4-carbon）正式可用版本，定位为其最强推理模型，面向持续智能体编码、多模态知识工作、科学推理和网络安全防御。2026 年 11 月 30 日前提供入门价 $2.00 per 1M input tokens、$10.00 per 1M output tokens。

同一件事，精选收录的是《Google DeepMind 发布 Gemini 4 Carbon 前沿模型》

Google 在柏林通信博物馆展出 Language Explorer，可视化全球语言多样性

Google 在柏林通信博物馆新展“Real Talk! Language. Power. World.”中展出 Language Explorer 互动装置，该平台基于开源 LinguaMeta 数据集，汇集数千种语言数据，供研究者、教育者和语言爱好者在线探索全球语言多样性。

Anthropic 发布 Claude Fable 5.2

Anthropic 发布 Claude Fable 5.2，定位为面向高难度技术挑战和开放式技术工作的模型，在编码、推理和视觉等方面有提升。模型现已向 Pro、Max、Team 和 Enterprise 计划开放，官方同时建议多数编码和知识类任务仍从 Opus 5.5 起步。

同一件事，精选收录的是《Anthropic 发布 Claude Fable 5.2 与 Claude Mythos 5.2》

Claude Mythos 5.2 预测基因治疗载体 AAV 衣壳结构

Claude 官方视频介绍 Claude Mythos 5.2 预测了完整 AAV 衣壳结构，即用于递送基因治疗的蛋白质外壳。模型编写代码在相邻五链分组上运行开源折叠模型，再利用衣壳对称性拼合全部 60 条链；在 AAV2 上预测结果与实验结构误差约为一个原子宽度。

Anthropic 演示 Claude Fable 5.2 从一段提示词设计出可用的语音助手硬件

Anthropic 展示 Claude Fable 5.2 仅凭一段提示词完成语音助手集线器设计：规划电路板、用 CAD 建模外壳并编写固件。Diode Computers 直接依据 Claude 的设计文件制造电路板，该设备是项目三台设备中的早期原型，Anthropic 与 Diode 存在商业合作关系。

Anthropic 发布 Claude Fable 5.2 与 Claude Mythos 5.2

Anthropic 发布 Claude Fable 5.2 和 Claude Mythos 5.2，两者为同一底层模型，Mythos 需通过 Cyber 或 Life Sciences Verification Program 申请访问。

Meta 发布最小最高效模型 Muse Ember，主打智能体高频任务

Meta 发布 Muse Ember（muse-ember-1.0），定位最小最高效的复杂推理执行模型，面向工具调用、编码子任务、路由、抽取和长文档解析等智能体日常重复任务。

蚂蚁 inclusionAI 开源 ZoomGain：用全局到局部感知差构建视觉监督数据

蚂蚁 inclusionAI 发布 ZoomGain，利用放大后才显现的视觉细节反推整图问题，为视觉语言模型构建监督信号。同步开源 ZoomGainBench（1000 题、941 张图，覆盖属性识别、计数与 OCR）、9000 条 RL 训练数据及 ZoomGain-4B、ZoomGain-9B 模型检查点。

Descript 发布 11 月 6 日更新：品牌版式包、Underlord 技能与项目回收站

Descript 发布 2026 年 11 月 6 日更新，AI 可根据品牌指南、Logo 和颜色生成可编辑的版式包（付费计划），并引入 Underlord 技能以斜杠调用，取代 11 月 30 日下线的提示词模板。

OpenAI 联合 Ligo 发布 BioBasicsBench 基准，评测 AI 智能体处理常规湿实验室分析的能力

OpenAI 与酶设计公司 Ligo 共同发布 BioBasicsBench 基准，用 100 个任务衡量 AI 智能体解读原始实验数据、发现错误并识别证据是否足以支持结论的能力，覆盖蛋白质方法、成像与流式、定量与检测、核酸方法和分子克隆五个领域。

Mastra 为智能体推出 Ring 门铃事件信号

Mastra 智能体现在可通过 Ring signals 接收 Ring 门铃事件，每个事件以可配置优先级的通知信号进入智能体线程。智能体可调用 Ring API 获取快照或视频片段，并据此判断门口情况。

VIALS-AA 评测：不同模型走向科学图像推理的不同路径

VIALS-AA 用 161 项任务各跑三次，测试模型解读科学图像的能力，Gemini 4 Carbon (high) 以 64% 得分领先，比 GPT-6 Astra (max) 多答对两项任务。

VeRL-Omni v0.3.0 发布：异步训练与更广的多模态后训练支持

VeRL-Omni v0.3.0 将异步执行扩展到更多多模态 RL 工作负载，并把 V1 训练器设为默认。新版本支持 Qwen3-Omni 文本与音频输入的完全异步 rollout、actor 与 rollout 引擎分离的 separate-async 训练，以及扩散模型的权重同步与动态混合 rollout 切换。

Thinking Machines Lab 发布 Inkling 2 Small：594B 参数 MoE 模型，下周开放 Apache 2.0 权重

Thinking Machines Lab 发布第二代模型 Inkling 2 Small，为 594B 总参数、17B 激活的 MoE 模型，支持图像输入与 variable effort，Artificial Analysis Intelligence Index 得分 31。

Google Research 在 Nature 发表 AI-PPG-ACC-HTN：用智能手表无袖带检测高血压迹象

Google Research 联合 Beth Israel Deaconess Medical Center 和哈佛医学院在 Nature 发表 AI-PPG-ACC-HTN 多模态 AI 系统，用消费级智能手表的 PPG 和加速度传感数据被动检测高血压迹象，无需袖带校准。

PFN 开放翻译特化模型 PLaMo 3 Translate，0.8B 至 31B 四个尺寸可离线运行

Preferred Networks 将自家翻译服务使用的翻译特化 LLM PLaMo 3 Translate 以开放权重形式在 Hugging Face 公开，提供 0.8B、2B、8B、31B 四个尺寸。

Google Research 提出 Agile Deliberation：让 AI 帮人厘清主观概念的灰色地带

Google Research 提出 Agile Deliberation 框架，把主观 AI 分类器的构建变成人与 AI 的迭代对话，先帮用户厘清自身定义再训练模型，相关代码与算法已在 GitHub 开源。

Suno 支持 MIDI 文件作为创作起点

Suno 上线 MIDI 起手功能，用户可将 .mid 或 .midi 文件拖入 Create 页面或从 + 菜单选择 MIDI 开始创作。MIDI 只包含音符与节奏等数据，用户可用自然语言指示模型严格按原谱演奏、提取动机发展新想法或更换乐器编制。该功能基于 Simple Create 模式和 v6-wild，面向所有 Pro 和 Premier 订阅用户开放。

美团 LongCat 发布 LongCat-2.5 原生多模态 MoE 模型并开源 W4A4 量化版

美团在 Hugging Face 发布 LongCat-2.5 的 W4A4 量化版本，该模型为原生多模态 MoE 架构，总参数 1.6 万亿、每 token 激活约 48B，面向长程智能体任务，结合视觉理解与智能体编码。

美团发布 LongCat-2.5：1.6T 参数原生多模态 MoE 模型，MIT 协议开源

美团 LongCat 团队发布 LongCat-2.5，总参数 1.6 万亿、每 token 约 480 亿激活，主打长时程智能体任务，结合视觉理解与智能体编码，权重以 MIT 协议开源。

Apple 重新设计的 Health app 扩展语言支持

Apple 重新设计的 Health app 新增全球英语、简体与繁体中文、法语、日语、韩语、挪威语、葡萄牙语、西班牙语、土耳其语和越南语支持，以 Apple Intelligence 为核心。

NVIDIA Cosmos 教程：为交互式仿真构建世界模型并部署 NIM 推理

NVIDIA 技术博客介绍如何用 Cosmos 平台为物理 AI 构建世界模型，覆盖 Cosmos Framework 的训练、LoRA/SFT 后训练、DPO、GRPO、PPO 等强化学习管线，以及 Cosmos3-Nano 系列 checkpoint 在自动驾驶、机器人和手术场景下生成相机视频与 LiDAR 观测的推理流程。

苹果提出在线密集强化学习框架：规划-定位智能体在真实 iOS 应用上导航

苹果研究团队提出一种在线强化学习框架，直接在真实 iOS 应用上训练 UI 导航智能体，将智能体拆分为 Planning agent 与 UI Grounding 模型，并用 LLM-as-a-Judge 提供步级密集反馈加终局奖励，配合 PPO 与步级优势估计优化。

Figma 发布 Weave 创作平台，用节点化工作流让创意流程可复用

Figma 宣布 Figma Weave，一个面向持续产出需求的创意团队平台，并把 Weave 创作工作流与 Figma 画框连接起来。Weave 用连接的节点承载图像和视频的生成与编辑，支持分支探索、多模型对比、色彩校正、合成、裁剪、Painter 等编辑节点；工作流可打包成 Weave tool 让团队成员一键运行，社区工具发布已上线。

inclusionAI 发布 ZwZ2-27B GGUF 量化权重

inclusionAI 在 HuggingFace 发布 ZwZ2-27B 的 GGUF 格式权重，属于 Zooming without Zooming v2。模型拆分为语言模型与视觉编码器/投影器（mmproj）两部分，各提供 FP16、Q8_0、Q4_K_M 三档精度，可混搭组合。使用需较新的 llama.cpp 构建并支持 Qwen3.5 多模态。

vLLM 发布 Mistral Large 4 Day 0 支持

vLLM 团队宣布对 Mistral 新旗舰模型 Mistral Large 4 提供 Day 0 支持，该模型为 1T 参数、每 token 激活 49B 的原生多模态 MoE 模型，采用 MLA 稀疏注意力加 DSA top-k 索引器、跨层 KV 共享、NoPE、SSMax 和 LeRoPE 等新架构，并内置 DSpark 推测解码草稿器与 Pixtral 视觉编码器。

OpenRouter 教程：用 LLM 从 PDF 中抽取表格

OpenRouter 发布教程，讲解如何把 PDF 以文件形式连同严格 JSON schema 发给能读文件的模型，让表格以带类型的行返回，括号亏损、千分位和脚注标记等清理都写进字段描述。

研究者将 Ai2 开源模型 olmOCR 2 应用于历史与考古档案转录

Ai2 介绍研究者如何将开源文档转录模型 olmOCR 2 适配于历史与考古档案。