Google 在 AI 竞赛中落后了吗？DeepMind 重组引发行业热议
Google 宣布重组其 AI 部门 Google DeepMind，首席科学家 Jeff Dean 离职创业，DeepMind 联合创始人兼 CEO Demis Hassabis 将卸任 CEO 并专注于长期研究。The Verge 高级 AI 记者 Hayden Field 在 Decoder 节目中分析了这一变动，认为尽管 Google 拥有巨大资源和
多模态
技术方向 · 文本之外的能力：视觉理解、图文混合、音视频输入输出的模型与产品 · 共 777 条
只展示置信度达到公开门槛且每篇排名前三的主题标签，降低泛化误贴。
8月13日周四 · 12 条
正文结构化主题已通过公开置信门槛
正文结构化主题已通过公开置信门槛
AdvNav：黑盒攻击揭示视觉语言导航系统的潜在安全风险
香港科技大学（广州）陈昶昊教授团队提出 AdvNav，这是首个面向视觉语言导航任务的黑盒行为引导对抗攻击框架，无需访问模型内部参数，仅通过观察智能体行为即可生成扰动。在 R2R 数据集上，AdvNav 对 HAMT 和 MapGPT 模型分别取得 49.70%、65.96% 和 87.30% 的攻击成功率，揭示了当前视觉语言导航系统普遍存在的视觉脆弱性。该研
正文结构化主题已通过公开置信门槛
视觉工具使用的幻觉：对图像思维模式的因果审计
该研究对多模态大语言模型的视觉工具使用进行了因果审计，发现尽管聚合准确率有所提升，但返回的视觉证据往往对答案没有因果影响，或调用计划不连贯。研究提出了视觉证据增益等干预指标，并在六个模型和五个基准上揭示了两种失败模式，将这种不一致称为视觉工具使用的幻觉。
正文结构化主题已通过公开置信门槛
NeuPAT：面向语言保持多模态大模型的神经元感知可塑性分配调优
NeuPAT提出了一种神经元感知的可塑性分配调优框架，用于在多模态指令调优过程中保留大语言模型的语言能力。该方法通过小规模探测阶段估计神经元适应模式，选择性保护语言敏感神经元，同时促进多模态适应。实验表明，NeuPAT在11个语言基准上恢复了94.5%的语言能力退化，同时保持了相当的多模态性能。
正文结构化主题已通过公开置信门槛
自进化代码图像推理：通过可执行反思提升视觉计算能力
该研究提出Code-with-Image范式，将视觉推理从语言链转移到Python程序执行，并构建CwI-Bench基准测试。作者提出Self-Reflection over Executable Reasoning，一种无需训练的自我进化循环，通过观察和可执行反射改进技能库，显著提升GPT-5.6-luna和Qwen3.5-27B在基准上的准确率，且技能可
正文结构化主题已通过公开置信门槛
GeoUniPR：几何一致的跨模态地点识别统一框架
GeoUniPR 提出了一种几何一致的跨模态地点识别框架，通过将 LiDAR 点云投影到相机视角构建多通道深度图像视图，并利用参数高效微调的 ViT 编码器学习统一嵌入空间，无需复杂的对齐模块或多阶段训练。实验表明，GeoUniPR 在 KITTI 和 KITTI-360 数据集上达到了最先进的性能，并具有良好的跨数据集泛化能力。
正文结构化主题已通过公开置信门槛
Vercel AI SDK 更新 Moonshot 提供商，支持视频输入
Vercel AI SDK 发布了 @ai-sdk/moonshotai@2.0.45 更新，该版本不再基于 @ai-sdk/openai-compatible，而是由包自身实现聊天功能，并支持视频输入，将视频文件转换为 Moonshot 的 video url 内容部分。同时，音频和 PDF 文件部分现在会在客户端抛出错误，并新增了 promptCache
正文结构化主题已通过公开置信门槛
荣耀发布全球首款机器人手机Robot Phone，开启具身交互时代
荣耀于2026年8月12日发布全球首款机器人手机荣耀Robot Phone，该手机配备四自由度钛合金灵巧云台和系统级Agent架构，支持多模态具身交互。荣耀与ARRI合作引入电影级影像技术，并搭载第五代骁龙8至尊版平台，售价9999元起。该产品旨在推动AI终端从数字智能迈向具身智能，开启人机伙伴关系新阶段。
正文结构化主题已通过公开置信门槛
MBA：面向真实世界商业构思的多模态基准与智能体
研究人员推出了MBA-Bench，这是首个用于训练和评估商业构思智能体的多模态基准，包含六个领域的3万个样本。他们提出了MBA-b和MBA-k模型，通过LoRA微调和组相对策略优化，结合创造性和可行性奖励进行训练，显著优于文本和多模态基线。MBA-b和MBA-k分别比多模态基线提升25.6%和35.8%。
正文结构化主题已通过公开置信门槛
DeepSeek V4 Pro 0813 发布，仅限 API 访问
DeepSeek 发布了 V4 Pro 0813 模型，目前仅通过 API 提供，OpenRouter 已上线。作者推测其开放权重可能发布，因为前代模型均有权重。该模型在不同推理级别下生成的鹈鹕图像差异显著，且基准测试结果通过非官方渠道传播。
正文结构化主题已通过公开置信门槛
Cohere 发布 2.4B 原生分辨率视觉语言模型 North Micro Vision
Cohere 发布了 North-Micro-Vision-Instruct，一个 2.4B 参数的开源视觉语言模型，支持原生分辨率图像输入，采用 Apache 2.0 许可证。该模型结合了 400M 参数的视觉编码器和 2B 参数的语言模型，通过四阶段训练优化了文档理解、多语言视觉理解等能力。模型旨在支持边缘设备和移动端部署，并可通过微调适应特定领域。
正文结构化主题已通过公开置信门槛
MindTopo基准揭示多模态模型空间推理短板
微软研究院推出新基准 MindTopo，用于评估多模态大语言模型的拓扑推理能力，涵盖连通性、封闭、顺序、分离和打结等概念。研究发现，当前模型在静态图像识别上表现较好，但在交互式规划任务中显著下降，错误多出现在规划阶段而非感知阶段。该基准旨在为机器人及交互环境中的 AI 系统提供诊断工具，并指出需要显式拓扑状态或保持拓扑的世界模型。
8月12日周三 · 8 条
正文结构化主题已通过公开置信门槛
谷歌Made by Google 2026发布Pixel 11、Pixel Watch 5及Gemini新功能
谷歌在Made by Google 2026活动上发布了Pixel 11系列、Pixel Watch 5和Pixel Tag追踪器，并展示了多项Gemini驱动的功能。Pixel 11起售价899美元，Pro版起售价1099美元，均因RAM短缺而涨价。Pixel Tag定价29美元，兼容Android Find Hub网络。Gemini新增了手语翻译和Ram
正文结构化主题已通过公开置信门槛
Google 将手语 AI 集成到 Gboard 和 Live Transcribe
Google DeepMind 与 Android 团队合作，将手语识别技术 SL2T 集成到 Gboard 和 Live Transcribe 应用中，首先在 Pixel 11 上推出，免费使用。该项目与聋人社区合作开发，并成立了 AI 手语咨询委员会（AISLAC）以指导负责任部署。未来计划扩展至更多手语和手语生成功能。
正文结构化主题已通过公开置信门槛
国产具身智能创纪录：30%成本跑赢Figure AI，WALL-B模型成关键
自变量机器人在公开直播实测中，使用双机械臂和标准夹爪方案，以1816件/小时的分拣效率超过Figure AI的1248件/小时纪录，效率提升超45%，硬件成本降低70%。其核心是自研的WALL-B世界统一模型，该模型融合视觉、语言、动作等多模态信息，实现零样本泛化和实时决策。这一成果展示了通过模型能力而非复杂硬件提升机器人性能的路径，并已从家庭场景延伸至工业
正文结构化主题已通过公开置信门槛
Jina AI 发布多模态嵌入模型 v5-omni-small
Jina AI 发布了 jina-embeddings-v5-omni-small，一个约 1.74B 参数的多模态嵌入模型，支持文本、图像、视频和音频输入，生成 1024 维共享向量空间嵌入，并与文本版 v5 模型对齐，无需重新索引即可跨模态检索。该模型支持检索、分类、聚类和文本匹配等任务，最大序列长度 32768，提供 Matryoshka 维度裁剪，并
正文结构化主题已通过公开置信门槛
紫东太初推出GMC剪枝法：减80%Token仍保多模态能力
中国科学院自动化研究所紫东太初大模型团队提出核心集剪枝方法GMC，通过互补证据自适应筛选与群体互补信息传输双阶段架构，在免训练、无额外依赖的情况下压缩视觉Token。实验表明，在Qwen2.5-VL-7B上减少80% Token仍保留97.78%能力，在LLaVA-1.5-7B上性能几乎无损，并减少KV Cache占用，提升推理速度。该方法可兼容主流视觉语言
正文结构化主题已通过公开置信门槛
InSight-doc：面向长文档理解的智能视觉感知框架
InSight-doc 是一种用于长文档理解的智能视觉感知框架，将视觉分辨率视为可自适应调整的推理时资源。它从低分辨率开始，无需外部检索器即可选择性放大高分辨率区域以获取更精细的证据。通过包含17.9K SFT示例和19.2K硬RL示例的训练，InSight-doc-8B在文档VQA基准上提升了4.3-16.4个准确率点，在长文档上将幻觉减少超过40%，推理
正文结构化主题已通过公开置信门槛
Jina AI 发布多模态嵌入模型 v5-omni-small-retrieval
Jina AI 发布了 jina-embeddings-v5-omni-small-retrieval，这是一个多模态嵌入模型，支持文本、图像、视频和音频输入，并生成与文本模型对齐的共享向量空间。该模型约 1.56B 参数，嵌入维度 1024，支持最长 32768 序列，并可通过 Elastic Inference Service 或本地安装使用。该模型在图
正文结构化主题已通过公开置信门槛
llama.cpp b10369 发布：支持 pocket-tts 并优化性能
llama.cpp 发布 b10369 版本，主要更新是支持 pocket-tts 文本到语音模型。该实现将转置卷积重构为 GEMM 加 col2im，使 CUDA 上每帧生成时间降低 80%，CPU 上降低 50%，输出与参考实现高度一致。同时新增了语言包特定参数（如帧尾填充、短文本填充）和模型变体支持，并更新了文档。