多模态

Google 发布 Gemini 3.5 Transcribe 高精度语音转文字模型

Google DeepMind 发布了 Gemini 3.5 Transcribe，一款高精度语音转文字模型，支持实时流式与预录音频处理，具备智能转录、函数调用、自定义词汇、85+ 语言及多说话人识别等功能。该模型已集成到 Gemini API、Google AI Studio 及 Gemini Enterprise Agent Platform，并应用于

Transformers v5.16.1 发布，支持 GLM-5.3-Flash 多模态模型

Hugging Face 发布 Transformers 库 v5.16.1，重点支持 GLM-5.3-Flash 模型。该模型是 GLM-5 系列首个原生多模态模型，拥有 320B 总参数和 18B 激活参数，性能超越 GLM-5.2，价格仅为十分之一，在编码和智能体基准上接近 Claude Opus 4.8。此外，该版本还包含若干小修复，如恢复张量并行

Transformers v5.16.0 发布，新增 Qwen4-Exp 等模型支持

Hugging Face Transformers 库发布 v5.16.0，新增多个模型支持，包括 Qwen4-Exp、GraniteSpeech5、Step3p7、CohereCompass 以及 ESMC 和 ESMFold2。这些模型覆盖了混合架构、语音识别、视觉语言、蛋白质语言与折叠等领域，提升了 Transformers 对前沿模型的支持能力。

OpenCompass v0.5.4 发布：集成多模态评估与多轮推理

OpenCompass 发布 v0.5.4 版本，集成了 VLMEvalKit 以支持多模态评估，并新增多轮推理能力及 Multi-IF 基准。该版本扩展了模型 API 生态，支持 LiteLLM 网关和 TurboMind 的 PPL 评估，并新增了金融、长上下文、对齐、信息抽取和代码推理等多个基准测试。此外，修复了多项评估正确性和生成行为问题，并提升了安

VIB-ICL：基于变分信息瓶颈的多模态上下文学习自适应注意力框架

本文提出VIB-ICL框架，基于信息瓶颈原理解释多模态上下文学习中视觉上下文何时有效或被忽视。作者引入跨模态信息增益（CMIG）量化视觉信息的额外贡献，并证明视觉忽视在信息冗余时是最优解。实验显示该方法在五个基准上提升准确率最高4.7%，并减少35%的演示需求。

微信发布多模态嵌入模型WeMM-Embedding，刷新多项基准

腾讯微信视觉团队发布了WeMM-Embedding，一个支持文本、图像、视频和交错输入的多模态嵌入模型系列，包含2B、4B和9B三种规模。该模型在MMEB-v2基准上，2B版本已超越此前领先的8B开源基线，9B版本以80.6分创下新纪录。模型已在微信视频号、公众号、朋友圈和电商等场景大规模部署，并在14个在线A/B测试中表现一致提升。模型权重和代码已在Git

智谱发布GLM-5.3-Flash原生多模态模型

智谱AI发布了GLM-5.3-Flash原生多模态模型，该模型具备视觉能力，能主动观察界面、渲染与交互反馈，实现代码、浏览器与图形界面的协同闭环。模型采用线性注意力与稀疏注意力混合架构，总参数320B，激活18B，计算量与KV缓存较GLM-5.3大幅降低。此外，该模型拓展至Office文档与金融研究工作流，能自主拆解复杂目标、调用工具并优化输出。

另有 1 家信源报道

Google Gen AI Python SDK v2.20.0 发布

Google 发布了 Gen AI Python SDK 的 v2.20.0 版本，新增了音频转录配置模式、环境文件支持、Scotty 文件下载辅助功能，并在 VideoContent.MimeType 枚举中添加了 JPEG2000 类型。这些更新增强了 SDK 的多媒体处理能力和文件管理功能。

Google 推出 AgentHands：为 XR 对话代理生成同步手部手势

Google Research 发布了 AgentHands，一个基于 LLM 的 XR 原型系统，通过同步的、富有表现力的手部手势为对话代理提供空间锚定的指导，以弥合心理映射差距并增强用户在物理任务中的参与度。该系统利用眼动追踪和场景重建进行对象注册，并构建了包含指示性、象形性和表达性三类手势的库，通过词级时间戳实现语音与手势的同步。在 CHI 2026

Google 搜索五大妙招，助你升级家居装饰

Google 发布了一篇关于如何利用 Google 搜索工具升级家居装饰的指南，介绍了五种方法，包括使用 AI Mode 可视化家具、Google Lens 购物、Circle to Search 发现装饰品、Search Live 指导 DIY 项目以及价格追踪功能。文章还提到了一些搜索趋势，如“home decor inspo”搜索量在过去一个月增长了

Gamma 收购 AI 设计初创公司 Lica 以扩展演示功能

Gamma 收购了由 Accel 支持的 AI 设计初创公司 Lica，以建立自己的设计研究实验室。Lica 的联合创始人将领导该实验室，专注于为不同受众定制 AI 模型的演示和沟通风格。此次收购旨在扩展 Gamma 的演示产品，探索多模态沟通形式。

llama.cpp 0.3.0 发布：新增多模态模型与多项推理优化

llama.cpp 0.3.0 版本发布，新增 dots3-note 多模态模型及 DSA-ISWA KV 缓存，支持 GLM-4.5-Air 的 MTP 预测，并为 DeepSeek 4 添加张量分割模式和多序列回滚修复。ggml 升级至 v0.22.0，服务器新增调试参数，Web UI 支持标签页聊天导航。

Qwen3.6-35B-A3B 无审查多模态模型 Genesis Hermes V10 发布

LuffyTheFox 发布了基于 Qwen3.6-35B-A3B 的无审查多模态 MoE 模型 Qwen3.6-35B-A3B-Uncensored-Genesis-Hermes-V10-GGUF，该模型通过其自研的 Genesis 算法对 GGUF 格式的模型进行张量噪声修复，并融合了 Hermes 智能体微调数据。模型在保持无审查能力的同时，旨在提升稳

商汤开源8B生图模型SenseNova U1.5 Lite，比肩GPT-Image-2

商汤科技正式开源了8B参数的生图模型SenseNova U1.5 Lite，该模型支持4K直出、长指令遵循、原生图像编辑和复杂布局，在多个核心场景上比肩闭源GPT-Image-2。模型采用NEO-unify统一多模态架构，通过多教师在线策略蒸馏技术MOPD将专项能力融合回单一模型，强调稳定性、指令遵循和编辑精度，旨在进入真实创作流程。

紫东太初发布AutoProject，推动AI4S进入项目级自主科研时代

中科紫东太初旗下科研智能体ScienceClaw推出AutoProject项目级自主科研引擎，旨在将AI在科研中的工作单位从Task提升至Project。该系统通过Project2Task规划、TaskExecutor长程执行和EviGraph证据验证三层能力，实现从项目规划到成果沉淀的全流程自主科研。此举标志着AI4S从工具级能力向系统级能力跨越，行业竞争

人民教育音像数字出版社与小猿合作，中小学课本学习智能体首发上线

人民教育音像数字出版社与小猿合作研发的“中小学课本学习智能体”于2026年8月21日在小猿AI学习机首发上线，该智能体基于教材内容和猿力大模型，提供AI伴学和AI导学双模式。试点数据显示，使用该智能体的学生语文和英语知识点掌握量分别提升33.6%和24%，家长日均陪读时长减少20分钟。双方签署合作协议，未来将推动智能体规模化应用。

协议引导的 AI 网站冗余审计：从主观判断到可审计标准

arXiv 论文提出 Cora（反事实可观察冗余审计）框架，用于可审计的网站冗余 AI 审计。Cora 将冗余分解为重复负载、正常使用税和故障域恢复储备三个维度，并通过版本化视觉语言模型提出注释，经类型化验证和发布检查后选择性发布分数。在透明机制测试台上，Cora 的分解表示优于标量负载基线，但两个小型视觉语言模型因未满足发布要求而被拒绝自动评分。该框架定位

SD-AgentFoundry：面向 LLM/VLM 智能体的极简本地模拟基础

arXiv 论文介绍了 SD-AgentFoundry-2D 和 SD-AgentFoundry-3D，两个极简的本地模拟框架，分别用于 LLM 驱动的二维多智能体社会模拟和 VLM 驱动的三维具身模拟。框架支持本地模型运行，跨平台，并强调可修改性，旨在为教育和快速原型设计提供基础。

Warmly 发布 Qwen3.5-2B 韩英 GGUF 生产模型

neureps 发布了 warmly-qwen35-2b-enko-gguf，这是离线 SNS 应用 Warmly 的生产模型仓库，基于 Qwen3.5-2B-enko 进行词汇剪枝和 GGUF 量化。仓库包含 base 版本和 distill-v1 版本，后者通过蒸馏提升了韩语自然性，并通过了官方门禁但尚未晋升。量化变体对比显示，IQ4 XS 结合领域 i

NVIDIA发布Cosmos3全模态世界模型系列

NVIDIA发布了Cosmos3系列全模态世界模型，包括Cosmos3-Edge、Nano、Super等多个版本，支持从文本、图像、视频和动作轨迹生成视频、图像、音频和动作输出，用于机器人、自动驾驶和智能空间等物理AI应用。该系列基于Mixture-of-Transformers架构，参数规模从4B到64B不等，并采用OpenMDW1.1许可证，可商用。