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。
5 条精选近 30 天 5 条共收录 11 条
Liquid AI 发布两款开放权重决策模型 d1-3B 和实验性 d1-omni-600M。d1-3B 在 Decision Index 0.2.1 拿到 48.57 分，成为 10B 以下最佳决策模型，超过 Decider 35B-A3B 的 47.11 分。
推荐理由：原文给出 d1-3B 的 Decision Index 得分和三种 Jetson 设备的单题延迟，读者可据此判断端侧决策场景的实际开销。
Google DeepMind 发布开源轻量多模态嵌入模型 EmbeddingGemma 2，以 740M 参数在统一嵌入空间中原生处理文本、图像、音频、视频和代码。
推荐理由：原文给出了参数规模、量化后的内存占用与多模态评测结果，便于读者评估端侧统一嵌入检索的落地成本。
Mistral 发布 Mistral Large 4 公开预览，为 1T 总参数、52B 活跃参数的原生多模态模型。预览 API 今日可在 Mistral Studio 使用，权重计划月底开放。官方称其在编码、智能体工作流、多模态和网络安全等评测中达到或领先开源权重模型，并在视觉定位任务上超过部分前沿闭源模型。
推荐理由：原文给出 1T 总参数、52B 活跃参数与月底开放权重计划，并附多项评测，可据此对标现有开源模型。
Google DeepMind 发布前沿模型 Gemini 4 Argon，已通过 Fairwind Program 向部分可信网络防御者推出，并将在未来逐步开放给付费 API 客户和 Google AI Ultra 订阅者。
推荐理由：原文给出 DeepSWE、AutomationBench 等基准的具体得分和内部代码迁移与内存优化实例，可用于评估该模型在长周期工程和企业任务中的实际影响。
Google Research 提出一套基于 Gemini 与 Veo 的多智能体框架，用于自动化连贯长视频生成，覆盖创意编排、视觉故事板、时序生成和闭环修正。
推荐理由：这套框架把长视频一致性拆成创意编排、视觉记忆、时序生成和闭环修正四个环节，并以 Co-Director、CANVAS、A²RD、VQQA 给出可对照基准的改进。