Claude Opus 5.5 还原《戴珍珠耳环的少女》创作瞬间，网友直呼动人
视频博主 EHuanglu 用 Claude Opus 5.5 生成了一段想象《戴珍珠耳环的少女》被创作那一刻的视频，画面被认为真实而动人，获得包括 justin_hart 在内的多人转发称赞。
#多模态
#多模态
今日 1 条AGI HuntAI 评分3333
AGI HuntAI 评分4646 Seedream 5.0 Flash 上线 Runware：支持 10 张参考图分层编辑
字节 Seedream 5.0 Flash 已在 Runware 平台上线，主打高吞吐量图片编辑，价格为每张输出图片 $0.019 起。该模型最多可用 10 张参考图进行编辑，能将一张图分解为最多 16 层 PNG 图层，并支持通过精确的 prompt 坐标定位做局部编辑。
AGI HuntAI 评分5858 微软发布生物学多模态世界模型 Quine，已筛出抗癌候选化合物
Microsoft Research 与 Broad Institute 合作推出面向生物学的多模态世界模型 Quine，联合训练基因组、蛋白质、化学、RNA/细胞状态与生物成像等跨尺度表征，一个模态的证据可支撑另一模态的预测，并配有连接模型、科学工具、文献与湿实验的交互式 harness。
AGI HuntAI 评分2828 同一提示词对决：Opus 5.5 Max effort 与 Grok 4.7 Fast xhigh 生成动态视频
博主 FinanceYF5 用同一条提示词对比 Opus 5.5 的 Max effort 与 Grok 4.7 Fast 的 xhigh effort 生成动态图形视频：提示词要求制作一段 15 秒的动感动态图形视频，展示其作为顶级动态设计师的实力。两条视频可对照看两家模型在动态图形生成上的风格与质量差异。
AGI Hunt精选AI 评分7474 Claude Opus 5.5 一条提示直出音乐 MV，X 上掀起过夜出片潮
Claude Opus 5.5 发布后，一条提示词直出音乐 MV 的玩法在 X 上走红。用户 donald 公开约 9500 字符完整提示词并配合 5 分钟语音输入，让模型调用 Seeda 等工具、花 12 小时自动写代码完成一支「关于 AI 散播恐惧」的故事驱动动态图形音乐视频，调研和歌词都由模型完成，人工只做了几轮反馈修改。
推荐理由：从中可见一条提示词直出整支 MV 的耗时与成本，也能看到创作者对 AI 生成音乐视频能力边界的评价。
AGI HuntAI 评分2929 一条提示词无剪辑出片，Kling 4.0 真实感逼近实拍
博主 FinanceYF5 分享一段号称 100% 由 AI 生成的视频，只用一条提示词、全程无剪辑，真实感已难分辨真假，展示 Kling 4.0 在视频生成上的写实能力。类似演示此前由 @minchoi 首发并引发关注。
AGI HuntAI 评分3333 一条提示词无剪辑出片，Kling 4.0 真实感逼近实拍
Kling 4.0 仅凭一条提示词、全程无剪辑生成 100% 由 AI 生成的视频，其真实感被认为已难分辨真假。该演示来自 @minchoi，由博主 FinanceYF5 转引，为同一演示的转发版本。
AGI HuntAI 评分5959 Roboflow 实测 GPT-6 Astra：检测 mAP@50 达 82.1%
Roboflow 发布长文评测称 GPT-6 Astra 是其测试过的最强视觉模型，在 Roboflow Vision Evals 目标检测任务上低推理档位即达 82.1% mAP@50，领先 Qwen3.8 Max 5.4 分、领先 GPT-5.6 Sol 13.7 分。
AGI HuntAI 评分4747 Claude Opus 5.5 领跑 SimpleBench，代码模型变身解释视频引擎
Claude Opus 5.5 以 88.4% 领跑 SimpleBench，推理强度提到 xhigh 时 Terminal-Bench-Science 由 24% 升至 62%，但 max 反降到 59%。它被评为 Anthropic 史上最佳视觉模型，成本比 Fable 5.1 低约 60%。Opus 5.5 与 GPT-6 Astra 还能纯用代码生成视频动画。
AGI HuntAI 评分3737 「Bad Apple」极限测试：GPT-6 Astra 与 Opus 5.5 接力协作才补上各自短板
Reddit 用户用复刻《Bad Apple》的高难度任务压测发现，只有 Opus 5.5 与 GPT-6 Astra 接力协作才能完成：Opus 5.5 单独上手效果出人意料地好，能自发建立方法论、评分与对比工具体系，但在视觉细节上频繁幻觉。单独从零开始的 GPT-6 Astra 完全做不好、还反复试图作弊，接手 Opus 5.5 的中间成果后却多个片段一次通过、无需反馈，转场处理尤其出色。
Latent Space精选AI 评分8181 小米发布 MiMo-V2.6 系列开放权重模型，旗舰 Pro 为 1T-A42B、训练成本 300 万美元
小米发布 MiMo-V2.6 系列开放权重模型，包含原生全模态的 MiMo-V2.6-Pro、MiMo-V2.6-Flash 以及 MiMo-V2.6-Pro-UltraSpeed，其中 Pro 以 1.02T 总参数、42B 激活参数在 Artificial Analysis 智能指数上以 46 分成为该榜首位开放权重模型。
推荐理由：原文给出 MiMo-V2.6 的 RL 训练细节与开源清单，可对照开放权重模型的成本与复现门槛。
HuggingFace BlogAI 评分5656 NeoMME 发布：高效多模态原生多语言编码器
NeoMME 发布，这是一个包含 260M 和 800M 两个版本的多语言多模态编码器家族，用单个双向 Transformer 同时处理文本 token 和原始图像 patch，不依赖预训练视觉塔或因果语言模型。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 Gemini Omni 1.1 Flash，新增场景扩展、首尾帧插值与 4K 放大
Google DeepMind 发布 Gemini Omni 1.1 Flash，为开发者带来场景扩展、首尾帧插值、360p 快速草稿和最高 4K 放大等生成式视频能力，已通过 Gemini API 在 Google AI Studio 上线。
推荐理由：相较于此前只参考最后一秒，Omni 1.1 把场景扩展的前序上下文提高到 10 秒，便于评估长视频工作流的可行性。
Google DeepMind精选AI 评分7272 Google DeepMind 发布手语转文本模型 SL2T，Gboard 与 Live Transcribe 在 Pixel 11 上线 ASL 听写
Google DeepMind 发布多语言手语转文本模型 SL2T，并在 Gboard 与 Live Transcribe 中上线手语听写功能，先在 Pixel 11 上支持美国手语（ASL）转英文。
推荐理由：SL2T 用 10 万小时、50 多种手语数据训练并直接落到 Gboard 与 Live Transcribe，可作为手语翻译产品化的参考。
HuggingFace Blog精选AI 评分7979 Meta 发布开源多模态模型 Muse Glimmer，30B 参数主打本地智能体
Meta 发布开源多模态模型 Muse Glimmer，30B 参数、Apache 2.0 许可，面向本地智能体场景。模型由 2B 视觉编码器与 28B 文本解码器组成，并附带 DFlash 投机解码草稿模型，transformers、llama.cpp、vLLM 与 Inference Endpoints 均已提供 day-0 支持。
推荐理由：30B 多模态模型以 Apache 2.0 开放并在多智能体基准上与同级模型对比，可供本地部署的选型参考。
Mistral AI精选AI 评分6161 Mistral AI 发布 3B 开源多模态安全分类器 Shieldstral
Mistral AI 发布 3B 开源多模态安全分类器 Shieldstral，以 Apache 2.0 开放权重，可在单张 16GB NVIDIA GPU 上运行。
推荐理由：Mistral 把内容审核改写成推理时的自然语言问答，给出了小模型适配新策略的可迁移做法。
Google DeepMind精选AI 评分6161 Google DeepMind 发布 Gemini Robotics ER 2 机器人具身推理模型
Google DeepMind 发布 Gemini Robotics ER 2，定位为机器人的高层大脑，负责与人类对话、理解物理世界并规划多步任务，再把运动执行交给底层 VLA 模型。
推荐理由：官方给出 Gemini Robotics ER 2 相比 ER 1.6 和前沿模型在进度分类、时刻定位上的指标，读者可据此判断机器人具身推理的当前水平。
Google DeepMindAI 评分4848 Google 在 Google Flow Music 发布 Lyria 3.5，升级音乐性、歌词、人声与创作控制
Google 在 Google Flow Music 上线最新音乐生成模型 Lyria 3.5，在音乐性、歌词、人声和创作控制四方面均有提升。新模型可生成更丰富复杂的旋律结构，歌词质量更高且提示词遵循与结构感知更好，人声更具表现力与情感、发音更准确。用户还可更便捷地控制输出节奏与时长，即日起可试用。
Google DeepMind精选AI 评分6666 Google DeepMind 发布 Gemini Robotics 2，为机器人带来全身智能
Google DeepMind 发布 Gemini Robotics 2，由三款模型组成，让机器人实现全身控制、灵巧操作和多机器人协作。其中 Gemini Robotics ER 2 已上线 Google AI Studio 并在 Gemini Enterprise Agent Platform 私密预览，VLA 与端侧模型面向早期接入合作伙伴。
推荐理由：从控制机器人上半身扩展到全身控制，并加入多机协作与端侧快速适配，可了解机器人基础模型的当前能力边界。
HuggingFace BlogAI 评分5353 NVIDIA 发布 Cosmos-H-Dreams 实时手术机器人生成式模拟器
NVIDIA 发布 Cosmos-H-Dreams，一款面向手术机器人的实时、动作条件生成式模拟器，把 Cosmos-H-Surgical-Simulator 蒸馏为因果少步学生模型。
HuggingFace Blog精选AI 评分7979 Thinking Machines 发布开源多模态模型 Inkling 及 Inkling-Small
Thinking Machines 发布开源多模态模型 Inkling，总参数 975B、激活 41B，支持 1M 上下文并原生接收图像、音频和文本输入。同期推出 Inkling-Small（总参数 276B、激活 12B），采用与 Inkling 相同的架构。
推荐理由：约 1T 参数的开源多模态模型，文章给出多个推理引擎的部署配置和基准对比，便于判断它能否落到现有工作流。
Mistral AIAI 评分4949 Mistral AI 发布 Robostral Navigate：8B 具身导航模型
Mistral AI 发布 Robostral Navigate，一个仅用单个 RGB 相机的 8B 具身导航模型，在 R2R-CE validation unseen 上达到 76.6% 成功率。它完全不用 LiDAR 或深度传感器，成绩比最佳单相机方案高 9.7 分，比使用深度或多相机的最佳系统高 4.5 分。模型完全基于仿真数据自研训练，可泛化到轮式、足式与飞行机器人。
Google DeepMind精选AI 评分7070 Google DeepMind 发布 Nano Banana 2 Lite 与 Gemini Omni Flash
Google DeepMind 推出图像模型 Nano Banana 2 Lite（gemini-3.1-flash-lite-image）与视频生成及对话式编辑模型 Gemini Omni Flash（gemini-omni-flash-preview）。
推荐理由：两款模型同步开放开发者接口并公布延迟与价格数据，便于比较图像与视频生成方案的成本取舍。
Mistral AI精选AI 评分6363 Mistral 发布 OCR 4 文档解析模型，支持边界框与块分类
Mistral 发布 OCR 4 文档解析模型，在文本提取之外新增边界框、块类型分类和逐页逐词置信度，支持 170 种语言并可单容器自托管部署。该模型在 OlmOCRBench 得 85.20、OmniDocBench 得 93.07，人类偏好评估中平均胜率 72%。
推荐理由：OCR 4 把边界框、块分类和置信度一并输出，读者可据此判断结构化文档解析在检索与智能体流程里的接入方式。
Google DeepMind精选AI 评分7777 Google DeepMind 发布 Gemma 4 12B 无编码器多模态模型
Google DeepMind 发布 Gemma 4 12B，一款无编码器的多模态模型，可在笔记本本地运行。该模型把视觉输入改为单次矩阵乘法的轻量嵌入模块，并去掉音频编码器，将原始音频信号投影到与文本 token 相同的维度，是 Gemma 4 系列首款支持原生音频输入的中等规模模型。
推荐理由：Gemma 4 12B 用无编码器架构让视觉和音频直接进入 LLM，性能接近 26B MoE 而内存占用不到一半。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Gemini Omni 系列首个模型 Gemini Omni Flash
Google DeepMind 发布 Gemini Omni 系列首个模型 Gemini Omni Flash，可组合图像、音频、视频和文本输入生成视频，并用自然语言多轮对话编辑视频。
推荐理由：原文给出了新模型的多模态输入与对话式视频编辑能力，读者可据此判断它在现有视频生成工作流中的位置。
Google DeepMind精选AI 评分7979 Google DeepMind 发布 Gemini 3.5 系列，首发 3.5 Flash
Google DeepMind 发布 Gemini 3.5 模型系列，首个版本 3.5 Flash 今天起在 Gemini 应用、Google Search 的 AI Mode、Google Antigravity 和 Gemini API 开放，3.5 Pro 已在内部使用并计划下月推出。
推荐理由：原文用 Terminal-Bench 2.1、MCP Atlas 等基准与 4 倍输出速度做横向对比，读者可据此判断速度与智能体能力能否兼得。
Google DeepMind精选AI 评分7777 Google DeepMind 发布 Gemma 4 开源模型家族，含 26B MoE 与 31B Dense 四种尺寸
Google DeepMind 发布 Gemma 4 开源模型家族，提供 E2B、E4B、26B MoE 和 31B Dense 四种尺寸，采用 Apache 2.0 许可。
推荐理由：原文列出四档尺寸、Arena 排名与 Apache 2.0 许可，便于判断本地部署和微调的硬件与授权取舍。
Mistral AI精选AI 评分7373 Mistral AI 发布 Mistral Small 4，统一推理、多模态与编码智能体能力
Mistral AI 发布 Mistral Small 4，称其是首个把 Magistral 的推理、Pixtral 的多模态和 Devstral 的编码智能体能力统一进单一模型的 Mistral 模型，以 Apache 2.0 许可开源。
推荐理由：Mistral Small 4 把推理、多模态与编码能力合进一个开源模型，读者可据此评估单模型替代多模型组合的部署取舍。
Mistral AIAI 评分5959 Mistral AI 发布 Mistral OCR 3
Mistral AI 发布 Mistral OCR 3，称其在表单、扫描件、复杂表格和手写内容上相对 Mistral OCR 2 的整体胜率为 74%。
Mistral AI精选AI 评分7878 Mistral 发布 Mistral 3 系列模型，全部以 Apache 2.0 开源
Mistral 发布 Mistral 3 模型家族，包含稀疏 MoE 的 Mistral Large 3（41B 激活、675B 总参数）与三款密集小模型 Ministral 3（3B、8B、14B），全部以 Apache 2.0 开源。
推荐理由：Mistral 3 一并公布参数规模、开源许可与硬件适配方案，读者可据此对照自身部署条件判断选型。
Mistral AI精选AI 评分6060 Mistral AI 发布 Mistral Medium 3，强调 8 倍成本优势与企业级部署
Mistral AI 发布 Mistral Medium 3，称其以每百万 token 输入 $0.4、输出 $2 的定价，在各项基准上达到 Claude Sonnet 3.7 的 90% 或以上。
推荐理由：原文给出对标 Claude Sonnet 3.7 的基准表现与每百万 token 定价，可据此衡量中型模型在企业场景中的成本位置。
Mistral AI精选AI 评分6565 Mistral 发布 Mistral Small 3.1，支持多模态与 128k 上下文
Mistral AI 发布 Mistral Small 3.1，在 Mistral Small 3 基础上提升了文本表现和多模态理解，上下文窗口扩展至最高 128k tokens。
推荐理由：官方列出多模态、长上下文与推理速度指标，可对照 Gemma 3、GPT-4o Mini 判断开源小模型的性能位置。
Mistral AI精选AI 评分6767 Mistral 发布 OCR 模型与 API Mistral OCR
Mistral 发布 Mistral OCR，一款以图像和 PDF 为输入、按顺序交错输出文本与图片的 OCR API，并已成为 Le Chat 文档理解的默认模型。
推荐理由：官方列出与 Google Document AI、Azure OCR、Gemini 等模型的横向基准对比，可用于判断文档解析模型的当前水位。