多模态

百度营销发布擎舵3.0与智能投放，双擎驱动AI营销增长

百度营销在9月9日发布会上正式推出擎舵3.0营销创意智能体与全新升级的智能投放产品。擎舵3.0从AIGC创作工具进化为多Agent协同的营销创意智能体，包含图片Agent和视频Agent，已累计服务超15万家客户，人效提升超300%。智能投放产品AIMax升级为扩量、控本、稳效三位一体，客户渗透率达44.2%，超6000家客户将全部账户托管给AIMax。百度

RTX5090 优化版 Qwen3.8-27B NVFP4 量化模型发布

Hugging Face 上发布了 gittensor-model-hub/Qwen3.8-27B-NVFP4-RTX5090，这是基于 Qwen/Qwen3.8-27B 的 NVFP4 量化检查点，使用 NVIDIA Model Optimizer 量化，专为 RTX 5090（Blackwell）优化。该模型在 32GB 显存上支持完整 262,144

京东发布物理AI成果：十万卡算力集群与JoyAI世界模型

京东在JDD-2026全球科技探索者大会上发布物理AI建设成果，包括规划建设国产十万卡算力集群、推进1000万小时具身数据采集、发布实时可交互世界模型JoyAI-Echo WM（在WBench Navigation评测中以81.6分排名第一），以及物流超脑3.0、工业JoyIndustrial2.0、健康京医千询3.0等垂域模型。京东同时启动“物理AI加速计

用 GPT-6 Astra 与 Blender 生成 Fabergé 彩蛋模型

Simon Willison 使用 GPT-6 Astra 和 ChatGPT Images 2.5 生成了一枚以电视剧《Pluribus》为主题的 Fabergé 彩蛋图片，随后将图片粘贴到 Codex 中，通过本地 Blender 技能让模型自动构建出 .blend 三维模型，耗时 17 分 51 秒。他将该模型接入自己此前搭建的浏览器端 Blender

Agention 发布 Qwen3.8-Flash-Next ROCmFP4 量化版，可在 Strix Halo 上全 GPU 运行

Agention 发布了 Qwen3.8-Flash-Next 的 ROCmFP4 量化版 GGUF 模型，该模型可在 128GB 统一内存设备（如 Strix Halo）的 GPU 上完全运行，占用 87.06 GiB，困惑度仅比未量化模型高 2.48%。该量化版本支持视觉和投机解码，并针对长上下文预填充进行了优化，在 128k 上下文下仍保持 138 t

Suno发布首个获唱片行业支持的AI音乐模型v6

Suno发布了其首个与唱片行业合作训练的AI音乐模型v6，该模型使用了来自华纳音乐、BMG和Believe等合作伙伴的授权数据。v6包含三个子模型：v6、v6-wild和v6-mini，其中mini免费提供。新模型在理解音乐流派方面有显著提升，但仍无法生成自然的不完美音乐，且新增了通过聊天编辑歌曲部分、基于图像或视频生成音乐等功能。

另有 2 家信源报道

EPD 分离技术加速多模态模型推理的适用场景

NVIDIA 技术博客介绍了编码-预填充-解码（EPD）分离技术，用于加速多模态模型推理。该技术将视觉编码阶段与 LLM 预填充和解码阶段分离，通过 NVIDIA Dynamo 框架实现独立扩展，在图像密集型提示和短输出场景下，可将首令牌时间（TTFT）提升至 5 倍，端到端响应时间提升至 7 倍。文章还讨论了 EPD 的适用场景和硬件放置选项，并指出在长输

GAP-models 仓库发布：备份与量化评估模型存档

Hugging Face 上发布了 GAP-models 仓库，用于备份 GAP 参考生成和量化评估所用的本地模型，包含多个模型族和检查点。仓库通过清单和 SHA256 校验确保文件来源和完整性，并记录了候选模型的资格评估结果，评估基于特定 CUDA 构建和硬件环境。文件保留原始模型的许可和归属，不统一替换许可。

AI重现70年爱情故事：纪录片《Love, Rendered》

Google DeepMind 与 Primordial Soup 合作，利用 AI 图像修复和动作捕捉技术，为结婚70多年的夫妇 Burt 和 Ethelle Shatz 重现了他们初次相遇的未记录记忆，制作成纪录片短片《Love, Rendered》。该片由 Liz Garbus 执导，展示了 AI 在记忆恢复和情感连接方面的潜力。技术团队通过生成模型修

AWS 推出 Ray Serve 深度学习容器，简化 TorchServe 推理工作负载

AWS 发布了 Ray Serve 深度学习容器（DLC），用于替代不再维护的 TorchServe，提供预构建、优化的推理镜像。该容器集成了 PyTorch、Ray Serve、CUDA 等组件，并支持在 Amazon EKS 上部署视觉语言模型（如 Qwen3-VL-2B）。文章详细介绍了部署步骤和架构，旨在简化模型推理的依赖管理和安全补丁更新。

Transformers v5.17.0 发布：新增 HYV4、VibeVoice 等模型支持

Hugging Face Transformers 库发布 v5.17.0 版本，新增多个模型支持，包括 HYV4、VibeVoice、NeoMME、Fun-ASR-Nano、KimiLinear 和 Canary。这些模型涵盖语言、语音、多模态等不同领域，并引入了多种创新架构。该版本扩展了 Transformers 的模型生态，为开发者提供了更多选择。

Shipt 推出 AI 购物助手 Ask Shipt

Shipt 是 Target 旗下的当日达配送平台，推出了名为“Ask Shipt”的 AI 购物助手，用户可通过自然语言生成定制购物车，或上传菜品图片自动添加食材。该工具已在 Shipt 应用和网站上可用，是继 Instacart、Uber Eats 和 DoorDash 之后又一采用 AI 助手的配送应用。

Suno发布v6音乐模型，与华纳等合作

Suno发布新一代v6音乐生成模型，与华纳音乐、BMG和Believe合作开发，提供三个版本，其中v6-mini免费。新模型支持多模态输入和文本指令编辑歌曲部分，但训练数据细节保密。华纳已和解，环球和索尼仍在起诉。

另有 2 家信源报道

亚马逊Prime Video推出AI口型同步配音技术

亚马逊Prime Video推出新AI功能，利用AI和视觉特效技术使演员口型与配音音频同步。该功能目前仅适用于德国剧集《Maxton Hall》的英语配音版，但计划未来扩展至更多内容。此前，Prime Video已在12部影视作品中试验AI辅助配音，而Meta和YouTube也推出了类似的口型同步自动配音功能。

OpenAI Agents Python v0.22.2 发布：支持图像生成工具选项并修复安全漏洞

OpenAI Agents Python 库发布 v0.22.2 版本，主要新增对当前图像生成工具选项的支持，并修复了 UnixLocal 沙箱中文件 API 的符号链接竞争问题，以及会话压缩响应链重置的缺陷。该版本还更新了相关文档，以反映 v0.22.1 的行为变更。

OpenAI 发布 ChatGPT Images 2.5：更快更精准，但体验因用户而异

OpenAI 发布了 ChatGPT Images 2.5 图像生成模型，包含 Flare 和 Sunburst 两个版本，分别面向速度和精度。新模型支持更精准的编辑、自然光照和纹理，并引入 Sketch 绘图工具和可分享提示词。API 定价与旧版一致，但新增了更高品质档位，且无批量折扣。测试显示，在 ChatGPT 的 Work 模式下编辑一致性较好，而

另有 2 家信源报道

llama.cpp b10873 发布：修复视频 ID 传播问题

llama.cpp 发布 b10873 版本，主要修复了 mtmd 中视频 ID 传播的问题（PR #28601）。该版本提供了适用于 macOS、Linux、Windows、Android 等多个平台的预编译二进制文件，并支持多种硬件后端，如 Vulkan、ROCm、CUDA、OpenVINO 等。

蚂蚁阿福与河北肿瘤医院合作：AI预测胃癌术后风险取得突破

蚂蚁集团阿福医疗AI实验室与河北医科大学第四医院合作，利用AI分析病理切片和CT影像，开发了DeepComp、RSA和RCSA三个模型，分别用于预测胃癌术后并发症、早期复发和肝转移风险。研究基于数千例患者数据，在多个外部队列中验证了模型的有效性，部分成果已发表于《肿瘤学年鉴》和《自然·通讯》。该合作旨在提高胃癌风险预测的准确性，为临床决策提供更精准的参考，未

跨模态扩散模型对抗攻击与防御综述

这篇综述首次统一回顾了扩散模型在图像、视频和3D三种视觉模态下的对抗攻击与防御研究。文章提出了一种以任务为中心的全面分类法，按模态、攻击/防御和生成任务组织文献，并深入分析了评估设置，包括数据集、指标和基准。最后，作者指出了若干开放挑战并提出了具体的未来研究方向。

CaseWeaver：多智能体框架生成多模态虚拟临床病例

CaseWeaver是一个多智能体框架，用于生成多模态虚拟临床病例。它基于时间线锚定的潜在临床病例图（LCCG）组织患者背景、疾病轨迹和模态证据，通过模态智能体生成临床记录、实验室结果、生理信号和医学图像。评估显示，CaseWeaver在临床可推断性和病例多样性上优于通用模型和智能体工作流基线。