多模态

ChatGPT Voice 升级：接入邮件日历 Slack，迈向“Her”式助手

OpenAI 为 ChatGPT Voice 推出重大升级，该功能现基于新的 GPT-6 Astra、Sol 和 Luna 模型运行，并首次可接入邮件、日历和 Slack 等插件。用户可通过语音直接完成查询日历、发送邮件、发现并取消财务应用中的重复扣款，甚至搭建带结账页面的网站等任务。语音功能也进入网页和移动端的 ChatGPT Work，支持通过对话创建文

YouTube 为 Creator Studio 添加脚本辅导、智能缩略图和 Gemini 编辑等 AI 工具

YouTube 在 Creator Studio 中推出一系列 AI 工具，包括分析脚本和粗剪并给出节奏、结构与叙事建议的故事助手，支持最多三个剪辑版本的 A/B 测试，以及自动为不同观众展示最合适预览图的动态缩略图。Gemini 作为聊天式编辑助手接入 Shorts 和 YouTube Create 应用，可重排画面、裁剪片段并同步音乐。此外，YouTub

llama.cpp b11136：llama-server 支持 OpenAI video url 视频输入

llama.cpp 发布 b11136 版本，其 llama-server 现在接受 OpenAI 兼容的 video url 内容类型，并支持 data:video/ 的 base64 URI。此前服务端只接受非标准的 input video 类型且拒绝视频 data URI，导致符合 OpenAI 规范的客户端报错。该改动使 llama-server 能

生物安全是AI军备竞赛：Radical Numerics CEO谈基因组语言模型

Radical Numerics 联合创始人兼 CEO Eric Nguyen 在 Latent Space 播客中讨论了生物安全作为 AI 军备竞赛的问题。他指出，Anthropic 的过滤器将网络安全和生物学列为两大风险领域，而能够提升生物能力的模型同样可以帮助防御方跟上步伐。Eric 曾在斯坦福参与开发 Evo 和 Evo 2 基因组语言模型，这些模型

LiconStudio 发布 LTX-2.5 多主体参考 LoRA

LiconStudio 在 Hugging Face 发布 Licon MSR V1，这是一个为 Lightricks 的 LTX-2.5 视频生成模型训练的多参考 LoRA。它采用 Multiple Subject Reference（MSR）方法，将最多五张参考图编码为与目标视频同一潜空间的视觉 token，并通过学习到的 slot embedding

斑马智能发布端侧大模型AutoOmni 2.0

斑马智能在云栖大会发布新一代全模态端侧大模型AutoOmni 2.0-23B-A3B，采用MoE架构，普通任务能力堪比10倍参数量云模型，复杂任务达其80%-90%。同时亮相AutoClaw 2.0智舱协作服务实车方案，并宣布与YoooClaw合作打通车内车外上下文数据。该模型已合作10家芯片企业，推理加速5-6倍，量化保真度超99%。

Qwen-Image-2.1 文本编码器 Heretic 量化版发布 GGUF/FP8/bf16

Hugging Face 用户 pottokao 发布了 Qwen-Image-2.1 文本编码器（Heretic）的量化版本，提供 GGUF（Q4 K M）、FP8 和 bf16 三种格式，并附带 mmproj 文件以支持 Qwen3-VL 视觉塔。作者指出此前 GGUF 报错源于 ComfyUI-GGUF 未加载视觉塔，并提供了配套补丁节点 ComfyU

爱诗科技发布实时世界模型PixVerse R2

爱诗科技发布新一代实时世界模型PixVerse R2，将LLM式的Scaling逻辑引入实时世界模型，通过统一可扩展的因果建模框架把视觉、动作、音频、时序及控制信号纳入同一表示体系，并采用Omni Causal AR与Real-Time Acceleration两层架构分别负责能力上限与实时性。文章称R2在实时性、长程一致性、多模态控制等方面较R1提升，可应

另有 1 家信源报道

GPT-6 Astra 搓3D刷屏后，3D生成竞争转向 Agent-Ready

量子位报道称，GPT-6 Astra 通过写代码、调用 Blender 等方式完成 3D 建模并刷屏，引发行业对通用大模型与专业 3D 生成模型关系的讨论。文章认为通用模型负责理解目标与拆解任务，专业 3D 模型负责复杂曲面与材质生成，3D 生成正从服务人类创作者的 Production-Ready 转向服务 Agent 的 Agent-Ready。影眸 H

自监督预训练提升多模态卒中复发预测的跨模态学习

该研究探讨了自监督图像预训练与选择性参数冻结策略对多模态卒中复发预测的影响。研究基于491名患者的3D CTA影像与临床表格数据，预训练并微调了ResNet和ViT两种多模态网络，并与先前基线及从头训练模型对比。结果显示自监督预训练能更有效利用多模态数据，最佳ViT模型克服了单模态崩溃，且视觉与性别、CHD之间存在显著跨模态交互。代码已公开。

LEDFlow：熵引导生成顺序的均匀离散流采样器

该论文提出 LEDFlow，一种无需训练的采样器，通过熵引导的吸收策略为均匀离散流引入生成顺序。研究发现均匀离散流中 9.4% 的生成单元在中间步骤正确但最终输出错误，LEDFlow 将这一比例降至 2.6%。在 Nikoli 数独上达到 0.845 的求解准确率，在文本到图像生成和多模态理解任务上也优于原生采样器，且推理成本相当。

RULER：面向 SVG 生成的实例感知评分标准奖励

该论文提出 RULER 方法，用于从自然语言指令生成 SVG 代码的强化学习。作者发现用多轴评分标准（rubric）提示视觉语言模型评判，比 CLIP、Aesthetic 等标量指标更符合人类判断，且能避免奖励黑客问题。RULER 将每条指令转化为包含语义、视觉、风格六个条目的实例感知评分标准，由评判 VLM 逐项打分并加权作为奖励，通过 GRPO 优化，无

NVIDIA 新加坡 AI Day 展示东南亚 AI 进展

NVIDIA 在新加坡举办 AI Day，联合东南亚合作伙伴展示多项 AI 进展。新加坡 HTX 使用 Nemotron 3 Super 和 Nemotron 3 Nano Omni 模型推进公共安全 AI；NCS、ST Engineering 等企业采用 Nemotron 模型和 NeMo 工具开发智能体 AI 方案。马来西亚、越南、泰国、文莱等国的机构也

Ollama 发布 v0.34.4：修复模型未找到错误并优化结构化输出

Ollama 发布 v0.34.4 版本，修复了服务端间歇性出现的“model not found”错误，并针对思考模型优化了结构化输出的单次处理流程。此外，该版本更新了 llama.cpp 与 MLX 依赖，改进了 MLX 下 Gemma 4 图像分辨率动态选择及 Qwen 3.8 提示处理速度，同时调整了应用端对 ChatGPT/Codex 的检测方式。

LeCun ECCV 2026 演讲：预测像素是伪命题，押注 JEPA 世界模型

图灵奖得主 Yann LeCun 在 ECCV 2026 发表 Keynote 演讲，主张仅靠语言和 token 训练无法让 AI 达到人类水平智能，也无法跨越物理世界门槛。他批评当前视频生成路线「预测像素」是伪命题，力推 JEPA 联合嵌入预测架构，在抽象表征空间预测未来并规划动作。LeCun 还透露约一个月前创立了 Advanced Machine In

乐享以太大模型：能量驱动重塑具身智能解题范式

乐享科技发布以太大模型（Energy-Driven 能量驱动架构），用于具身智能机器人决策，并在上海烧烤店进行近一小时公开直播，让两台机器人自主完成接单、烤串、上菜等任务，接受观众实时干扰测试。文章称该架构以能量函数替代 VLA/WAM 的预测范式，将任务目标与物理约束写入目标函数，并配合神经元分配实现实时计算。此前乐享曾指控 OpenAI 的 GPT-6

华为ADS 5上车，岚图梦想家9上市42万起

岚图全新旗舰MPV梦想家9正式上市，售价41.99万～52.99万元，全系搭载华为乾崑智驾ADS 5与鸿蒙座舱HarmonySpace 6，基于全域L3级冗余架构开发，配备896线激光雷达、三腔空气悬架、双阀EDC及双向10°后轮转向。纯电版搭载120kWh电池，CLTC续航701km；插混版综合续航1500km并支持5C快充。该车将高端MPV竞争从舒适配置

苹果高管不建议给iPhone贴膜引热议；DeepSeek将向联合国安理会介绍AI风险；Meta个人AI助手Muse爆红

苹果硬件工程副总裁Tom Marieb公开表示不建议用户给iPhone贴屏幕保护膜，称团队在屏幕耐刮耐磨方面投入大量研发，希望用户直接体验原厂屏幕，此番言论引发网友热议。此外，DeepSeek将向联合国安理会介绍AI风险，月之暗面等中国企业也受邀参会；Meta个人AI助手Muse上线两周下载量超250万次，登顶美国iOS免费榜，带动Meta股价单日上涨11.

DeepSeek-V4-Flash 面向 Strix Halo 的 ROCmFPX 量化 GGUF 发布

Geometric-AI 与 Lucebox 在 Hugging Face 发布了面向 128GB AMD Strix Halo 系统的 DeepSeek-V4-Flash-0731 量化 GGUF 文件，单个 98.29GB 文件在 92 题评测中取得 82/92 分，平均每权重约 2.766 比特。同时还发布了支持图像输入的 DeepSeek-V4-Fl

llama.cpp b11112：server 支持 function call output 传入图像

llama.cpp 发布 b11112 版本，主要更新是 server 端在 function call output 中支持 input image，即函数调用输出可以携带图像输入。该版本同时提供 macOS、Linux、Windows、Android 等多平台预编译二进制包，覆盖 CUDA、Vulkan、ROCm、SYCL、OpenVINO 等后端。这一