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进展。
9 条精选近 30 天 5 条共收录 12 条
Google DeepMind 发布前沿模型 Gemini 4 Argon，输出 token 限制扩展至 1M，支持复杂长周期工作流。模型已赋能 Google 内部编码和知识工作，在 CWE-bench v1 漏洞修复中达 68%、Vals Finance Agent v2 多步金融研究中领先、视频理解基准 LVBench 达 91.7%。
推荐理由：模型在复杂工作流中的具体表现有数字支撑（1M token 输出、CWE-bench 68%、2.7x 加速等），便于读者判断其对实际工作的价值。
Microsoft Research 发布 Quine，这是一个结合生物世界模型与交互式工具链的 AI 研究系统，旨在连接科学工具、文献、湿实验和科研人员。与 Broad Institute 合作，团队将 Quine 用于胰腺导管腺癌（PDAC）细胞状态转换研究，基于预测优先排序数千种化合物并完成湿实验验证，最高排名化合物产生了最大预期转录变化，整个筛选到验证流程仅耗时一个周末。
推荐理由：Quine 给出了具体的能力定位和胰腺癌化合物筛选的实验验证结果，读者可据此评估它在加速生物学发现上的实际潜力。
Google DeepMind 发布 Gemini 3.8 Live 的 Live Avatar 功能，将实时视频生成与语音对话深度融合，支持精确唇形同步、自然表情和流畅话轮转换，可同时处理视觉与音频输入。该功能通过异步工具调用在后台执行复杂任务并保持对话连贯，支持 97 种语言的实时切换，SynthID 水印嵌入音视频输出以保障内容可溯源性，即日起面向 Gemini Enterprise 开放。
推荐理由：原文披露了实时视觉对话、异步工具调用、97语言无缝切换等具体能力差异，以及 SynthID 水印的安全设计，读者可据此评估该功能对现有企业服务的补充方向。
Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文字转语音模型，前者支持用自然语言提示从零创建语音并逐行控制表演，后者针对高容量场景优化。两个模型在 Hume AI 语音设计基准中分别排名第一和第二，支持超过 100 种语言，并内置 SynthID 水印和同意验证等安全机制。
推荐理由：两个模型在语音设计基准和综合质量指数中均排名第一，可作为当前文本转语音领域的前沿参考。
Google DeepMind 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款语音对话模型，前者主打规模化成本效益，后者针对高复杂度任务强化多步推理。
推荐理由：原文给出了具体评测分数和分平台上线时间，读者可以据此判断 Gemini 3.8 Live 系列在语音对话模型中的实际能力和可用范围。
Google DeepMind 和 Google Research 发布 WeatherNext 3，号称是目前最先进、最准确的全球天气 AI 模型，由独立机构 Brightband 实时评估验证。
推荐理由：WeatherNext 3 在分辨率（5km）、更新频率（每小时）和降水预测精度（CRPS 提升 10%-60%）上均给出了可量化指标，用户可直接判断它对天气预报可靠性的实际影响。
Microsoft Research 开源了 GigaPath-Flash 和 GigaTIME-Flash，这是 GigaPath 和 GigaTIME 的蒸馏高效版本。
推荐理由：GigaPath-Flash 在保持 97% 性能的同时将计算量降低约 50 倍，使大规模病理研究从不可行变为可操作。
微软推出 MindTopo 拓扑推理基准，测试多模态大模型对连通性、分离、秩序、围合和绳结等拓扑关系的理解能力。评测涵盖静态推理和交互式规划两类任务，测试范围包括迷宫连通性判断、绳结真伪识别、围栏内动物定位等场景。结果显示，当前模型在静态识别上表现较好，但在需要跨多步操作保持拓扑一致性的规划任务中显著落后，且错误多发生在规划阶段而非感知阶段，表现为忽视动作后果、丢失任务目标或违反环境物理约束。
推荐理由：微软发布拓扑推理基准 MindTopo，测试发现当前多模态模型在静态识别上表现尚可，但在需要保持拓扑关系的多步规划任务中表现明显下滑，揭示了感知与行动之间的一致性缺口。
微软研究院提出了统一胸部 X 光 VLM CARE-X，将生成式报告与结构化诊断预测整合到同一模型，并通过辅助分类头、定位头与 DAPO 强化学习进行协同训练。
推荐理由：该研究提出辅助监督与 DAPO 强化学习结合可同时提升 VLM 生成能力和结构化预测精度，工具增强方法在测量依赖诊断上显著优于纯视觉推理。