Condé Nast 如何用 Amazon Bedrock 构建多模态视频检索
Condé Nast 与 AWS 生成式 AI 创新中心合作，基于 Amazon Bedrock 和 Amazon OpenSearch Service 构建多模态视频检索方案，采用 TwelveLabs Marengo 嵌入模型联合编码画面、音频与转录文本，将单次内容检索耗时从 250 分钟降至 2 分钟以内。
#多模态
#多模态
今日 2 条AWS Machine Learning BlogAI 评分2222 Google DeepMind精选AI 评分8484 Google DeepMind 发布 Gemini 4 Argon 前沿模型
Google DeepMind 发布新前沿模型 Gemini 4 Argon，先通过 Fairwind Program 向受信任的网络安全防御方开放，随后逐步向开发者、企业和消费者推出。
推荐理由：Gemini 4 Argon 公布输出上限、定价与多项基准成绩，可据此判断前沿模型在长程工程与安全防御上的能力边界。
NVIDIA Developer BlogAI 评分4040 NVIDIA VSS Blueprint 3.3 发布：降低视觉 AI 智能体构建与运行成本
NVIDIA 发布 Metropolis Blueprint for Video Search and Summarization（VSS）3.3，用于降低视觉 AI 智能体的构建与运行成本。该蓝图及其智能体技能把视频接入、流处理、事件检测、检索、摘要与报告整合为可维护的系统，支持在生产规模下理解视频。
Apple NewsroomAI 评分2222 Apple Creator Studio 将迎来新更新
Apple Creator Studio 将推出全新模板、端到端电影级视频功能与多项提效特性。Freeform 新增自动适配深色模式、文件夹整理看板，并支持 Apple Intelligence 写作工具改写、校对和摘要手写笔记。visionOS 27 中 Freeform 可将图片、视频、便签、形状和 3D 模型拖入空间并成组查看。
Microsoft Research精选AI 评分6262 微软研究院发布 Quine：面向生物学复杂性的 AI 研究系统
微软研究院发布 Quine，一个面向生物学复杂性的 AI 研究系统，由跨序列、结构、功能、细胞状态和成像等多模态数据训练的生物世界模型，以及连接模型、科学工具、文献与科研人员的交互式 harness 组成。
推荐理由：微软研究院公开 Quine 的多模态生物世界模型与实验闭环设计，并给出胰腺癌化合物筛选的湿实验验证结果。
AWS Machine Learning BlogAI 评分3636 在 Amazon SageMaker HyperPod 上用 SkyRL 加速多模态 RL 训练
在 Amazon SageMaker HyperPod 上，用开源 RL 框架 SkyRL 对 Qwen3-VL-8B 视觉语言模型做 GRPO 后训练，在固定 64 个迷宫评测集上把解迷宫成功率从 43.75% 提升到 95% 以上。
Google Research精选AI 评分6262 Google Research 发布 AI 视频联合导演框架，实现连贯长视频生成
Google Research 发布 AI video co-director 多智能体框架，在 Gemini 和 Veo 之上规划多镜头叙事的视觉连续性，并原生继承 SynthID 水印等安全机制。
推荐理由：Google 把长视频生成拆成规划、分镜、自回归合成与闭环修正四套框架，读者可了解多智能体如何抑制角色漂移与语义漂移。
Google DeepMind精选AI 评分7272 Google DeepMind 发布 Gemini 3.8 Live with Live Avatar
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，在 Gemini 3.8 Live 基础上加入近实时视频生成，让对话模型具备能听、能看、能说的动态视觉形象，并已在 Gemini Enterprise 上线。
推荐理由：Gemini 3.8 Live 新增实时视频形象能力，读者可了解多模态对话在企业场景中的形态变化。
Hugging Face BlogAI 评分3838 Liquid AI 发布 LFM2.5-VL-DSpark 草稿模型，为 LFM2.5-VL-3B 加速
Liquid AI 发布实验性草稿模型 LFM2.5-VL-DSpark，为视觉语言模型 LFM2.5-VL-3B 加入投机解码路径，端侧解码最高提速 3.13x、H100 上最高 2.66x，端到端最高提升 2.62x 和 2.27x。
NVIDIA Developer BlogAI 评分3131 NVIDIA 推出 NV-Reason-CT Open 3D CT VLM，面向放射科医生链式推理
NVIDIA 发布 NV-Reason-CT Open，这是一款面向 3D CT 扫描的开放视觉语言模型，支持放射科医生的链式推理（Chain-of-Thought）。现有通用前沿模型在体数据成像上表现不佳，多数开放医学 AI 模型也缺乏相关能力，而 3D CT 这一临床信息最丰富、数据最密集的模态长期被现代 VLM 忽视。
Google AI BlogAI 评分3434 Google Beam 扩展至六国，并与 Industrious 推出首个扩展网络
Google Beam 正式扩展至美国、加拿大、英国、法国、德国和日本六国，由 18 家渠道合作伙伴支持部署，旗舰硬件为 HP Dimension with Google Beam，可无缝接入 Google Meet 和 Zoom。
Google DeepMind精选AI 评分7474 Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS
Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，前者面向角色设计与深度创作控制，后者面向高并发、低成本的配音与语音智能体场景。
推荐理由：Google DeepMind 发布两款 TTS 模型，给出语音克隆、逐行导演与安全水印的具体能力，可据此判断语音生成工作流的变化。
NVIDIA BlogAI 评分3838 NVIDIA 与合作伙伴在新加坡 AI Day 展示东南亚 AI 进展
NVIDIA 在新加坡 AI Day 上联合合作伙伴展示东南亚 AI 进展，新加坡 HTX 将用 NVIDIA Nemotron 3 Super 和 Nemotron 3 Nano Omni 模型推进公共安全 AI。
Google ResearchAI 评分5757 Google Research 用生成式 UI 让教师创建互动学习模拟
Google Research 公布一项研究实验，让教师借助生成式 UI（GenUI）按课程目标动态生成可交互的教学模拟，并内置分级挑战、提示与反馈等教学脚手架。
Google AI Blog精选AI 评分6060 Google 公布多语言 AI 进展：Gemini 3.5 Live Translate 支持 70 种语言实时翻译
Google 表示其技术与产品已覆盖 300 多种语言、服务超 70 亿人，Gemini 3.5 Live Translate 支持 70 种语言、2000 多个语言对的实时口语翻译，并能处理语码转换和情绪线索。
推荐理由：Google 集中披露多语言语音与翻译能力进展，读者可了解实时翻译、端侧模型与无障碍功能的落地范围。
Apple Newsroom精选AI 评分8888 苹果发布 Siri AI 与新一代 Apple Intelligence
苹果发布新一代 Apple Intelligence，驱动全新版本 Siri AI，具备个人语境理解、世界知识、屏幕感知和跨应用操作能力，并集成到 iPhone、iPad、Mac 与 Vision Pro。
推荐理由：官方一次性给出 Siri AI 的能力范围、上线节奏与地区限制，可据此判断苹果 AI 助手的实际可用边界。
NVIDIA Developer BlogAI 评分2222 NVIDIA Dynamo 何时使用 Encode-Prefill-Decode 分离加速多模态模型服务
NVIDIA 详解 Encode-Prefill-Decode（EPD）分离技术：将视觉编码器阶段与 prefill、decode 阶段拆开，在图像密集提示、中短输出和量化 MoE 模型上收益最大。配合 NVIDIA Dynamo 使用，多模态模型服务最高可提速 5 倍。
Google AI BlogAI 评分3434 Google DeepMind 如何用 AI 逐帧重现一段 70 年爱情故事
Google DeepMind 与导演 Liz Garbus、Darren Aronofsky 的 Primordial Soup 合作，在短片《Love, Rendered》中用生成模型修复 Burt 和 Ethelle Shatz 年轻时的黑白照片，并通过表演捕捉模型将两人当下的微表情与姿态映射到年轻形象上，重建他们未曾被拍摄的初遇场景。
Samsung NewsroomAI 评分2222 Samsung Medison 推出高端超声 HERA Z10，补齐 HERA Z 系列
Samsung Medison 发布高端妇产科超声诊断系统 HERA Z10，与旗舰 HERA Z20 共同组成 HERA Z 系列。HERA Z10 沿用 HERA Z20 的 AI 工作流并加入先进波束成形技术，其中 Live ViewAssist 可将孕中期详细超声检查扫描时间最多缩短 52%，EzStructure 将关键测量参数的手动操作减少最多 71%。
Google AI BlogAI 评分2222 Google 8 月 AI 更新汇总：Gemini 3.7 Flash、Gemini 3.5 Transcribe 与 Pixel 11 系列
Google 发布 Gemini 3.7 Flash，距 3.6 Flash 仅三周，主打编程与智能体，每百万 token 价格为首发 3.6 Flash 的一半。
Google DeepMind精选AI 评分7474 Google DeepMind 在 Gemini 3.7 Flash 等模型上线智能体视频理解
Google DeepMind 为 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 推出智能体视频理解功能，通过原生视频工具动态搜索和检查视频片段，替代固定帧率的静态处理。
推荐理由：官方给出 token 与成本降幅及准确率变化，并说明在长视频场景下与静态逐帧处理的差异。
Google DeepMind精选AI 评分7676 Google DeepMind 发布 Gemini Omni 1.1 Flash
Google DeepMind 发布 Gemini Omni 1.1 Flash，通过 Gemini API 在 Google AI Studio 提供面向开发者的生成视频能力。
推荐理由：原文列出场景延长、首尾帧插值与 4K 放大等具体能力及 API 入口，可据此判断生成视频工作流的可控性变化。
NVIDIA Developer Blog精选AI 评分6262 阿里发布 Qwen3.8-Flash-Next 权重，预览 Qwen4 架构
阿里发布 Qwen3.8-Flash-Next 的模型权重，作为即将推出的 Qwen4 架构预览，供开发者实验和评估。该模型是多模态 MoE 模型，主模型 125B 参数，另有 51B N-gram 嵌入向量，每 token 激活 6B 参数，原生上下文窗口 262,144 token，可扩展至 1M token。NVIDIA 开发者博客介绍了在 GB300 NVL72 上针对智能体编码的实验。
推荐理由：阿里开放 Qwen3.8-Flash-Next 权重供开发者试用，可据此了解 Qwen4 架构预览版的 MoE 规格与长上下文能力。
Google DeepMind精选AI 评分6666 Google DeepMind 发布 Gemini 3.5 Transcribe 语音转写模型
Google DeepMind 发布 Gemini 3.5 Transcribe，称其为目前最精确的语音转文字模型，可直接把原始音频转成准确、格式化后的文本。
推荐理由：Gemini 3.5 Transcribe 给出了 WER、延迟与多语言数据，读者可据此判断语音转写在实际产品中的可用程度。
Google AI BlogAI 评分1212 Google Search 升级家居装饰的 5 种方式
Google Search 推出 5 种家居装饰用法：AI Mode 可上传房间照片预览沙发等家具摆放效果，Lens 拍照识别复古单品并找同款，Circle to Search 在 Pixel 和 Samsung Galaxy S26 上圈选视频或社交帖中的装饰找相似款。
Google DeepMindAI 评分4242 从 Atari 到 EVE Online：Google DeepMind 回顾 15 年游戏 AI 研究
Google DeepMind 回顾了 15 年游戏 AI 研究历程，从 DQN 在 49 款 Atari 2600 游戏中学会游玩，到 AlphaGo、AlphaZero、MuZero 和 AlphaStar 在围棋、国际象棋与 StarCraft II 中达到 Grandmaster 水平。
Samsung NewsroomAI 评分1818 三星 Galaxy Unpacked 2026：Samsung Health 用 AI 打造更简单、更互联的健康护理
三星在 Galaxy Unpacked July 2026 伦敦活动上展示了 Samsung Health 的 Connected Care 愿景，由数字健康团队负责人 Dr. Hon Pak 与认知神经科学家 Dr. Dong-seon Chang 对谈。
Google AI BlogAI 评分5858 Google 在 Search 中上线五项 AI 学习工具
Google 在 Search 的 AI Mode 和 AI Overviews 中推出五项学习功能：生成交互式可视化工具、定制练习测验、Lens 拍照分步讲解、AI Mode 笔记本以及根据上传文件生成学习文档。
Samsung NewsroomAI 评分2222 三星 AI Assistant 如何帮教师打造更具参与感与无障碍的课堂
三星为兼容的 Android 三星交互显示屏推出内置应用 Samsung AI Assistant，包含 Live Transcript、Circle to Search、AI Quiz 和 My Lessons 四项功能。
Microsoft ResearchAI 评分4141 MindTopo 揭示多模态大模型的空间推理短板
微软研究院推出 MindTopo 基准，用连续性、分离、顺序、包围、绳结五类拓扑任务评测多模态大模型的推理与规划能力。结果显示，模型在静态图像识别上明显强于交互式规划，且两者均远低于人类水平；失败多发生在规划阶段而非感知阶段，模型常在多步动作中丢失结构关系或提出违反物理约束的动作。图像与视频生成仅在单帧关系可见时偶有帮助，序列场景中仍不可靠。
Google DeepMind精选AI 评分7474 Google DeepMind 发布 SL2T 手语转文本模型，率先落地 Pixel 11 的 Gboard 与 Live Transcribe
Google DeepMind 发布多语种手语转文本模型 SL2T，在 Pixel 11 的 Gboard 和 Live Transcribe 中提供手语听写功能，首发支持美国手语（ASL）转英文，后续将扩展更多设备与语言。
推荐理由：SL2T 把多语种手语翻译模型落到 Gboard 与 Live Transcribe，读者可了解其数据规模、隐私设计与基准表现。
Microsoft ResearchAI 评分3434 微软研究院发布 CARE-X：面向临床可用的放射学 VLM，结合辅助监督、奖励对齐学习与工具增强测量
微软研究院推出研究模型 CARE-X，一个统一胸片视觉语言模型，可同时输出自由文本推理与结构化预测，覆盖报告生成、病变定位、多标签分类及导管位置检测等任务。该模型采用强化学习（DAPO）在多任务设置下奖励临床正确性，并在 Narayana Health 的真实印度临床数据上验证，涵盖罕见 ICU 病理与 CT 确认的增大类病变。CARE-X 为研究模型，未经监管批准，不用于临床诊断。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini Robotics ER 2 具身推理模型
Google DeepMind 发布面向机器人的具身推理模型 Gemini Robotics ER 2，可作为机器人的高层大脑，理解物理世界、规划多步任务并把动作执行交给底层 VLA 模型，还能原生调用 Google Search 等工具。
推荐理由：官方给出 Gemini Robotics ER 2 在进度分类、时刻定位与多机器人协作上的具体指标，可据此判断具身推理模型的当前水位。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Gemini Robotics 2，为机器人带来全身智能
Google DeepMind 发布 Gemini Robotics 2，作为新一代机器人的智能层，解锁全身控制、高级灵巧操作和多机器人协作。
推荐理由：Google DeepMind 发布 Gemini Robotics 2 系列模型，读者可了解机器人在全身控制、灵巧操作与多机协作上的能力边界。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 与 3.5 Flash Cyber
Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和面向网络安全的 3.5 Flash Cyber。
推荐理由：官方给出三款 Flash 新模型的 token 效率、价格与基准对比，可据此判断智能体工作流的成本变化。
Google DeepMindAI 评分3838 Google DeepMind 与 A24 宣布首个研究型合作伙伴关系
Google DeepMind 与 A24 宣布达成首个研究型合作伙伴关系，双方将围绕多个项目展开深度研发协作，让 A24 的创作者参与塑造新技术。Google 同时已对 A24 进行投资。该合作初期聚焦于打通前沿技术与下一代娱乐之间的鸿沟，具体目标与技术产出将随时间演进。
Berkeley AI ResearchAI 评分1212 Berkeley BAIR 实验室 2026 届博士毕业生展示
Berkeley BAIR 实验室展示 2026 届博士毕业生，研究方向覆盖机器人、大语言模型与推理、计算机视觉、生成建模、AI 安全、人机交互及 AI for science 与医疗等领域。毕业生去向包括 OpenAI、Mistral AI、Amazon、Physical Intelligence 等机构，以及 UCLA、普林斯顿 CITP 和芝加哥大学等学术岗位。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Nano Banana 2 Lite 与 Gemini Omni Flash
Google DeepMind 发布 Nano Banana 2 Lite 和 Gemini Omni Flash 两款模型。
推荐理由：两款新模型给出了延迟、价格与可用入口，读者可据此判断图像与视频生成工作流的成本变化。
Google DeepMind精选AI 评分7878 Google 发布 Gemini 3.5 Live Translate 实时语音翻译模型
Google DeepMind 发布 Gemini 3.5 Live Translate 音频模型，支持 70 多种语言的近实时语音到语音翻译，能自动检测语言并保留说话者的语调、节奏和音高。
推荐理由：Google 发布 Gemini 3.5 Live Translate，读者可了解其连续语音翻译机制与在 Google 产品中的落地节奏。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Gemma 4 12B 无编码器多模态模型
Google DeepMind 发布 Gemma 4 12B，一款面向笔记本的本地多模态模型，采用无编码器统一架构，视觉和音频输入直接进入 LLM 主干。该模型在标准基准上接近 26B MoE 模型表现，内存占用不到其一半，可在 16GB 显存或统一内存的消费级笔记本上运行，并首次在中型模型中支持原生音频输入。
推荐理由：Gemma 4 12B 用无编码器架构把多模态能力压到 16GB 显存，读者可据此判断本地智能体部署的门槛变化。