#多模态

阿里等机构发布 Co-Design Bench 基准：AI 编码智能体在真实任务中仅约四分之一完全正确

阿里巴巴与多所亚洲大学的研究人员发布了 Co-Design Bench 基准，基于真实用户修改请求测试编码智能体。在测试的十个模型中，表现最佳的 GPT-6 Astra 平均满足约 70% 的任务要求，但完全正确的比例仅为 26.4%。研究发现，当任务涉及布局、设计、交互和内容等多种变更类型时，所有模型的性能均会下降，且运行环境（harness）对结果有显著影响。

Thinking Machines 发布 Inkling 2 Small：68 小时预训练 594B 多模态 MoE 模型

Thinking Machines 发布 Inkling 2 Small，这是一款 594B 总参数、17B 激活参数的多模态 MoE 模型，在 GB300 集群上仅用 68 小时完成 8.4T tokens 的原生 NVFP4 预训练。

Amazon 允许用户通过短信向 Alexa 发送购物清单

Amazon 为 Alexa for Shopping 新增短信购物功能，用户可发送文字描述或照片，由 AI 搜索并代为下单。该功能支持记录个人偏好及追踪降价，目前正面向美国少量用户测试，未来几周将向数百万用户推广。

Thinking Machines 发布 Inkling 2 Small，宣称成为西方最强开源权重模型

Thinking Machines 发布 Inkling 2 Small，该模型拥有 5940 亿总参数和 170 亿激活参数，在 Artificial Analysis 智能指数上得分 31，超越前代并接近 Gemini 3.8 Flash。

同一新闻，精选展示《Thinking Machines 发布 Inkling 2 Small：68 小时预训练 594B 多模态 MoE 模型》

Meta 宣布美国用户现可与 Muse AI 数字形象进行视频通话

Meta 宣布其消费级 AI 智能体 Muse 的实时视频通话功能现已向全美用户开放。该功能基于 Muse Realtime Avatar 和 Muse Realtime Voice 技术，允许用户与可自定义的拟人化数字形象进行实时互动。Meta 首席 AI 官 Alexandr Wang 发布了演示视频，并透露该功能后续将登陆 AI 眼镜及即将推出的 Muse Charm 硬件设备。

Amazon Marketplace 如何利用 Amazon SageMaker AI 评估内容质量

Amazon Marketplace 利用 Amazon SageMaker AI 构建多模型融合架构，通过 VLM 对 A+ Content 进行整体质量评估。该方案将 VLM 语义分数与 OCR 信号输入 CatBoost 分类器，结合 SHAP 解释生成改进建议，帮助卖家提升内容质量并促进销售。

腾讯发布 Hy4 模型，支持视觉理解与计算机操作，自称中国 AI 模型第二

腾讯发布 Hy4 模型，新增图像理解与自主操作计算机能力，目前仅通过腾讯云和 OpenRouter 提供访问。在 Artificial Analysis 独立评测中，Hy4 智能指数得分为 35，位列中国实验室模型第二，落后于 Kimi K3.1 Pro 的 46 分。

Nothing CEO 称公司神秘 AI 优先设备将于下月发布

Nothing CEO Carl Pei 宣布公司首款“AI 原生产品”将于 12 月发货。该设备被描述为无屏幕、非应用形态的生产力工具，Pei 强调其具备 Nothing 品牌个性，并淡化了与 AI 可穿戴设备的关联。

Gemini for Home 接入 AT&T 智能安防系统

AT&T Connected Life 系统成为首个集成 Google Home Premium 的安防产品，支持 Gemini 总结家庭事件及自然语言搜索视频。该功能需订阅每月 29.99 美元的专业监控计划，并新增基于位置自动布防/撤防功能。

使用 Amazon Nova Multimodal Embeddings 和 Amazon Bedrock AgentCore 构建智能体工程智能系统

AWS 展示了如何构建多智能体工程助手，利用 Amazon Nova Multimodal Embeddings 和 Amazon Bedrock AgentCore 自动化零部件替换评估。系统通过确定性 Python 代码进行规格评分，结合多模态嵌入实现图表检索与视觉相似度比对，并生成符合 AS9100 标准的审计追踪。

作者用 $50 的 Waveshare ESP32-S3 开发板复刻 Meta Muse Charm AI 挂件

作者使用 $50 的 Waveshare ESP32-S3 1.75C 开发板，通过 Claude Code 编程复刻了 Meta Muse Charm 的 AI 挂件功能。该设备连接 Meta Muse 云，支持语音交互、远程拍照及智能家居控制，并增加了类似电子宠物的养成游戏。

Google DeepMind 与 WRI 发布全球森林类型地图 ForTy

Google DeepMind 与世界资源研究所（WRI）联合发布 ForTy，这是一张基于卫星数据和 AI 的全球森林类型地图，旨在为欧盟无毁林产品法规（EUDR）提供 2020 年的土地用途参考基准。

AI Engineer 发布年度旗舰会议 AIE CODE 议程

AI Engineer 发布年度旗舰会议 AIE CODE 议程，聚焦无低质代码扩展、System One 模型及高难度软件重写三大主题。会议采用单轨制并邀请全球前 1000 名智能体工程师参加，旨在复盘 2026 年代码领域趋势并预览 2027 年方向。

Apple Intelligence 随 iOS 27.3 正式登陆中国

Apple 宣布 Apple Intelligence 将随 iOS 27.3 在中国上线，首批功能包括通知摘要、实时翻译、视觉智能等，但不包含新版 Siri。iOS 27.3 测试版将于 11 月 4 日开启，正式版预计 12 月发布，且苹果已与阿里巴巴合作，在部分体验中接入 Qwen 聊天机器人。

前 Palantir 高管创办 Dream，获 a16z 领投 1700 万美元用于构建建筑 AI 世界模型

前 Palantir 高管 Andy Elder 和 Arjun Mathur 创立的 Dream 获 a16z 领投 1700 万美元种子轮融资，旨在开发自动化建筑设计的 AI 世界模型。该模型基于美国超过 1 亿平方英尺的建筑许可数据训练，能生成符合物理和结构标准的完整建筑设计。Dream 已开始在得州和加州的 10 个活跃项目中部署，用于概念设计和成本估算。

AWS 教程：在 EKS 和 SageMaker HyperPod 上部署 NVIDIA Nemotron 3.5 Super VL

AWS 发布教程，展示如何在 Amazon EKS 和 SageMaker HyperPod EKS 上部署 NVIDIA Nemotron 3.5 Super VL 模型。该模型为 120B 参数 MoE 架构，支持文本、图像、文档和视频理解，并提供了 vLLM 部署配置及基于 aiperf 的性能评估方法。

Google DeepMind 发布 Gemini 4 Carbon 并优先向网络安全防御者开放

Google DeepMind 发布 Gemini 4 Carbon，该模型在 Artificial Analysis 综合基准中位列第一，并优先通过 Fairwind 计划向受信任的网络安全防御者开放。独立评测显示其在网络安全漏洞发现与利用任务上表现突出，但幻觉率从上一代模型的 4% 上升至 11%。

同一新闻，精选展示《Google DeepMind 发布 Gemini 4 Carbon 前沿模型》

Simon Willison 认为 2026 年 10 月是 Vibe 游戏开发的转折点

Simon Willison 认为 2026 年 10 月是 Vibe 游戏开发的转折点，Claude Opus 5.5 在 3D 建模、音乐生成和游戏设计方面表现出显著进步，使得构建好玩的游戏变得容易。

Meta 悄然推出“AI 宠物日记”应用 Waddle World

Meta 推出名为 Waddle World 的“AI 宠物日记”应用，用户可与虚拟宠物聊天并生成涂鸦。该应用目前仅在菲律宾面向成人免费开放，Meta 同时还在印尼等地上线了 AI 时尚应用 Style Sketch。

蛋白质与基因组设计软件引入自然语言交互功能

蛋白质与基因组设计软件开始支持自然语言交互，用户可以直接用自然语言描述想要生成的蛋白质类型。

Property Finder 在 Amazon Bedrock 上修复评估偏差并优化视觉模型

Property Finder 发现其 96.8% 的评估标签源自单一模型预测，导致评估存在系统性偏差。团队通过专家标注构建无偏基准，并利用演化式提示词优化将 Llama 4 Maverick 17B Instruct 的 Micro F1 从 0.55 提升至 0.81，同时降低了 86% 的成本。

Google DeepMind 发布 Genie 4 世界模型，支持实时音频与交互控制

Google DeepMind 发布 Genie 4 世界模型研究预览，支持实时音频生成与模拟过程中的提示词交互。该模型可将场景一致性维持至两分钟，并展示与 Gemini 结合用于机器人场景模拟的实验。

同一新闻，精选展示《Google DeepMind 发布 Genie 4 世界模型，支持原生音频与实时交互模拟》

DeepMind 发布 Genie 4 世界模型，物理与人物仿真更真实

Google DeepMind 发布 Genie 4 世界模型，在物理真实感、人物表现和音频生成方面较 Genie 3 有显著提升。该模型基于更新的 Gemini 模型构建，无需预渲染或编程交互元素，可实时逐帧生成虚拟世界，旨在为物理机器人提供无限训练环境并支持创意领域的快速原型开发。

Google 发布 Genie 4 世界模型，生成更逼真的交互式体验

Google 发布 Genie 4 世界模型，支持生成时长约两分钟的交互式体验，并允许用户通过自然语言提示实时更新场景。该模型底层采用 Gemini 3.8 Flash 辅助模拟，具备音频生成能力，旨在服务于电影预演、游戏原型设计及机器人训练场景。目前 Genie 4 以研究预览形式向可信测试者开放，后续将面向 Google AI Ultra 订阅用户推出。

Google DeepMind 发布 Genie 4 世界模型，支持原生音频与实时交互模拟

Google DeepMind 发布 Genie 4，这是一款原生多模态世界模型，能同时生成视觉、音频和交互式对话。该模型结合 Gemini 系列能力，支持通过自然语言实时修改场景、模拟物理现象及人物行为。目前 Genie 4 已向可信测试者开放研究预览，后续将面向 Google AI Ultra 订阅者及 Gemini API 合作伙伴推出。

C-BRAIN 与 NVIDIA 合作利用 AI 加速阿尔茨海默病研究

C-BRAIN 与 NVIDIA 合作开发 AI 工具以加速阿尔茨海默病研究，利用联邦学习处理各机构私有数据。已发布的 OpenScientist 和 InsightEngine 工具将原本需数周的分析缩短至数分钟，单次成本低于 10 美元，预计每年可释放超百万小时的研究产能。

Apple 在 Pages、Keynote 和 Numbers 中新增 AI 聊天机器人

Apple 为其生产力应用套件（包括 Keynote、Pages 和 Numbers）引入了基于 Apple 和 OpenAI 模型的 AI 助手。该助手能理解文档上下文，在 Keynote 中设计、动画化和优化幻灯片，在 Pages 中起草、重构和调整文本内容，在 Numbers 中计算、可视化和组织数据，并建议图表类型及构建自定义表格。

OpenAI 发布 GPT-6.1 Terra 模型

OpenAI 发布 GPT-6.1 Terra 模型，主打视觉推理、计算机使用和更自然的写作能力。该模型输入价格为每百万 token 1 美元，输出为 5 美元，约为 GPT-5.6 Terra 和 GPT-6.1 Sol 的一半，是 GPT-6 Luna 的约 10 倍。

OpenAI 向所有用户开放 Decisions API，加速决策模型竞争

OpenAI 正式向所有客户开放 Decisions API，该模型基于 ChatGPT Luna 重构，旨在提供快速且低成本的智能决策能力。在 Box、Datadog 等企业的初步测试中，该 API 将动作响应时间从 1.4 秒缩短至 0.13 秒，显著提升了吞吐量。

Google DeepMind 发布 ForTy 2020 全球森林类型地图

Google DeepMind 联合 WRI 和 IIASA 发布 ForTy 2020，将全球土地划分为 6 种森林及土地利用类型。该地图提供 10 米分辨率数据及 2017-2025 年时序变化，在 9000 个验证点中森林类型识别准确率达 90%。

NVIDIA 开放模型助力欧洲公共部门项目落地

NVIDIA 联合合作伙伴与欧洲多国政府，利用开放模型和加速基础设施推动公共部门 AI 应用落地。欧盟委员会通过 deepset 扩展 Haystack 平台以支持 AI@EC 的治理与优化。

NVIDIA 发布 Earth-2 欧洲版开源模型，助力区域气象与气候预测

NVIDIA 发布基于欧洲气象数据训练的 StormScope EU 模型，支持 10 分钟间隔的云况预测。AXA、Vaisala 等机构正利用 Earth-2 开源框架，将气象 AI 应用于保险风险评估、空气质量建模及太阳能发电预测等实际场景。

NVIDIA 展示欧洲零售商利用开放模型与物理智能优化业务

NVIDIA 介绍了欧洲零售商使用开放模型和物理智能的技术进展。Shopify 通过微调 Nemotron 3.5 Lightning 将推理成本降低 90% 并提升 7 倍响应速度。Otto Group 利用 Omniverse 在数字孪生中模拟仓库运营，CATCHES 的虚拟试穿技术则帮助 AMIRI 提升了转化率和销售额。

Gemini 对话式导航功能登陆 Apple CarPlay

Google 将 Gemini 对话式导航功能引入 Apple CarPlay，目前面向美国司机开放，全球其他地区也在陆续推出。用户可在 Google Maps 中通过语音助手进行多步骤交互，如获取地点推荐并规划避开收费道路的路线。

Mistral 与 Nvidia 合作利用物理 AI 加速工业设计

Mistral 与 Nvidia 宣布合作，旨在利用 AI 加速工程模拟和工业产品设计。双方计划将 Mistral Large 4 语言模型与 Mistral 的物理 AI 结合 Nvidia 的 CUDA-X、Warp 软件库及 Omniverse 3D 仿真平台，构建设计、模拟与 AI 训练一体化的连续工作流，服务于航空航天、汽车和半导体行业。

NVIDIA 发布 Nemotron 3.5、Kumo、Cosmos 等开源模型族

NVIDIA 发布了 Nemotron 3.5 Super VL 和 Bolt E4B 4GB 模型，以及用于结构化企业数据的 Kumo 模型、用于机器人训练的 Cosmos 世界模型、用于自动驾驶的 Alpamayo 2 Edge、用于蛋白质设计的 BioNeMo RFD4-Proteina 和用于量子计算的 Ising 模型。

Google 将个性化 Gemini AI 引入 Android Auto 及内置 Google 汽车

Google 宣布将 Personal Intelligence 功能引入 Android Auto 及内置 Google 系统的汽车，使 Gemini 能够访问 Gmail、日历、地图等应用数据。用户可查询航班状态或根据照片导航至特定地点，该功能需手动开启且仅在手机连接时生效，目前已在 Android Auto 上线，内置 Google 汽车支持将在未来几个月内推出。

Electric Plant 开发 AI 模型 Bombadil 解读植物电信号

Electric Plant 推出 AI 模型 Bombadil，通过解读植物茎部电信号来监测其需求。该模型支持约 125 个物种，传感器成本仅数十美元，据称可提升产量并减少 20% 以上的水资源使用。

Spotify 从推荐中移除 5000 万首 AI 垃圾及垃圾歌曲

Spotify 宣布在过去一年中从用户推荐中移除了超过 5000 万首被认定为 AI 生成的垃圾或垃圾歌曲。公司同时调整了推荐系统以突出人类艺术家的作品，并为使用 AI 身份的非真实艺人推出了 AI Persona 徽章，且不再推荐此类音乐。

TwelveLabs Pegasus 1.5 上线 Amazon Bedrock，支持长视频结构化元数据生成

TwelveLabs 的视频语言模型 Pegasus 1.5 现已在 Amazon Bedrock 上可用，支持直接分析最长两小时的视频并返回带时间戳的结构化 JSON 元数据。该模型新增视频分段、多模态提示（支持参考图像）和即时处理功能，无需预索引即可从 Amazon S3 或 base64 字符串直接读取视频，数据保留在 AWS 数据边界内。