#多模态

Claude Opus 5.5 在 Claude Code 中做出用声音联网的双人手机游戏 Chirp Pong

Claude Opus 5.5 Extra 在 Claude Code 中构建了双人竞技游戏 Chirp Pong，两台手机运行静态 HTML，通过麦克风发送 chirp 音频并由 Web 麦克风 API 解析来同步游戏状态。玩家把手机靠近即可对战，游戏在 pong 基础上加入了图形与玩法变化。

Meta 发布开源权重模型 Muse Spark Open，816B 参数支持百万 token 上下文

Meta 发布开源权重模型 Muse Spark Open，称其为美国最强开源权重模型，面向编码与智能体任务，拥有 8160 亿参数（激活 420 亿）、最高 100 万 token 上下文，支持文本、图像、视频和音频。

同一新闻，精选展示《Meta 发布开源权重多模态 MoE 模型 Muse Spark Open》

Meta 与 Apple 合作让 Muse Spark Open 模型在 Mac 上运行更佳

Meta 发布 Muse Spark Open 模型，称其为迄今能力最强的美国开源权重模型，也是同类中首个能在桌面端运行、使用两台搭载最新 MLX 框架的 Apple M5 Ultra Mac Studio 的模型。

Google 发布 Gemini 4 Argon，瞄准机器人全流程单一模型

Google 发布 Gemini 4 Argon，定位为覆盖机器人全流程的单一模型，可控制机器人、构建虚拟练习环境并评估训练视频。演示中它从一张照片生成 77 个任务和 4500 余条训练片段，使真实机器人成功率从 56% 升至 75%，执行时间从 35 秒降至 24 秒。

Meta 发布开源权重多模态 MoE 模型 Muse Spark Open

Meta 发布开源权重模型 Muse Spark Open，采用 MoE 架构，总参数约 816B、每 token 激活约 42B，支持文本、图像、音频和视频输入，上下文窗口最高 1M tokens。

Nvidia 发布 Nemotron 3.5 Super VL 开源多模态模型，同步推出两款端侧 Bolt 模型

Nvidia 发布 Nemotron 3.5 Super VL，这是一个 1200 亿参数的开源多模态模型，面向持续运行的企业智能体，采用 MoE 架构，每个 token 仅激活 120 亿参数。

Apertus 1.5 发布：8B 与 70B 模型新增图像音频理解与思考模式

Apertus 1.5 在 8B 和 70B 两代模型上新增图像与音频理解、可选思考模式，上下文窗口扩展到 262,144 tokens，为 1.0 的 4 倍，权重以 Apache 2.0 许可发布在 Hugging Face。

NVIDIA 扩展 Nemotron 家族，发布 Nemotron 3.5 Super VL 与 Bolt 模型

NVIDIA 发布开放 1200 亿参数的 Nemotron 3.5 Super VL，主打多模态智能体任务，官方称其准确率接近自家最大推理模型而参数量约为五分之一，吞吐量最高为同类模型的 5 倍。

YouTube Music 上线 AI 音乐标签，区分全生成与部分生成

YouTube Music 周三宣布推出新的标签系统，用于标明借助生成式 AI 创作的歌曲，标签会出现在播放器页面，点击可查看 AI 在创作中的具体作用，并同样适用于 YouTube 主应用。

Google Research 发布 Research@ 2026：10 项放大人类创造力的进展

Google Research 在 Research@ 活动上公布 10 项进展，包括扩展 Google Earth AI 早期访问并开放三项实验能力，以及向公众开放 Deep Review 技术文档核查系统。TimesFM 与 TabFM 两款数值基础模型将集成进 Gemini for business，并已向所有 Cloud BigQuery 用户开放。

AI Engineer NYC 综述：Gemini 4 Argon 正式发布与 Vals AI 基准讨论

Gemini 4 Argon 今日正式 GA，覆盖编码、知识工作、企业工作流与网络防御，接入付费 Gemini API 与 Gemini 平台、Gemini 应用中的 Google AI Pro 和 Ultra、Search 的 AI Mode 以及 Antigravity 的 Ultra。

llm-gemini 0.35 支持 Gemini 4 Argon 模型

Simon Willison 为 llm-gemini 0.35 加入对 Gemini 4 Argon 的支持，该模型当天通过 Gemini API 和每月 100 美元订阅计划开放。

Google 全球上线 Gemini 4 Argon，取代 Pro 成为新前沿系列

Google 全球上线 Gemini 4 Argon，开发者可通过 API 在 AI Studio 和 Gemini 平台使用，AI Ultra 订阅者可在 Google Antigravity 中使用，Ultra 和 Pro 订阅者可通过 Gemini 应用和 Google 搜索的 AI 模式访问。

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

Google DeepMind 发布 Gemini 4 Argon 机器人模型

Google DeepMind 发布 Gemini 4 Argon，主打物理理解、代码生成与视觉语义推理，在 Embodied Reasoning（ERQA）基准上用纯推理取得 87%，称超过其他前沿模型。

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

Google DeepMind 发布 Gemini 4 Argon 前沿模型

Google DeepMind 发布 Gemini 4 Argon，面向开发者、企业和消费者开放，通过 AI Studio、Gemini API、Google Antigravity 及 Gemini 应用和搜索 AI Mode 提供，定价为每百万输入 token 2 美元、输出 token 10 美元，缓存输入享 95% 折扣。

Meta 发布 Muse Wonder 与 Muse Wonder Full 模型

Meta Superintelligence Labs 发布第二代模型家族 Muse Wonder 与 Muse Wonder Full，距该实验室成立约 14 个月。

Meta AI 发布 Muse Wonder 与 Muse Wonder Full 模型

Meta AI 发布新模型 Muse Wonder 和 Muse Wonder Full，称其为目前能力最强的模型。

Import AI 476：AI 创造力与递归自我改进、开源权重模型表现逊于中国、AI 走向太空

Elorian 与 Scale AI 发布 Humanity's Sixth Sense 基准，用 522 道题测试多模态模型的直觉视觉推理，人类 pass@1 达 93.1，最佳 AI 系统 GPT 6 Astra 仅 53.6，GLM-5.3-flash 和 Kimi K3 分别只有 26.8 和 25.5。

TII 推出 Falcon-ASR：1.6B 参数阿拉伯语语音识别模型

阿布扎比技术创新研究院（TII）发布 Falcon-ASR，一款 1.6B 参数的语音识别模型，重点覆盖阿联酋方言，同时支持英语、法语、西班牙语和葡萄牙语。在六个阿拉伯语测试集上平均 WER 为 20.92%，优于所用榜单快照中最佳公开结果 23.17%；内部阿联酋方言评测 WER 22.73%、CER 10.19%，比次优的 Qwen3-Omni 低 4.07 个百分点。

Google DeepMind 发布 EmbeddingGemma 2 开源轻量多模态嵌入模型

Google DeepMind 发布 EmbeddingGemma 2，基于 Gemma 4 架构、740M 参数，采用 Apache 2.0 许可，将文本、图像、音频、视频映射到统一嵌入空间。

Mistral 发布 Mistral Large 4 公开预览，1 万亿参数原生多模态

Mistral AI 发布 Mistral Large 4 公开预览，这是一个 1 万亿参数、520 亿激活参数的原生多模态模型，可在 Mistral Studio 试用预览 API，权重将于本月底开放。

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、细胞状态和影像等多模态数据训练的生物学世界模型，以及连接模型、科学工具、文献和实验人员的交互式编排框架组成。

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 的原生实时对话模型上加入近实时视频生成，使智能体能边听、边看、边说并呈现动态视觉形象。