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。
博主 justin_hart 只截了一张乐谱图片、配上一段免费的 Für Elise 音频，就交给 Claude Opus 5.5 复刻出电影中「镜头扫过乐谱、音符随演奏依次点亮」的动画效果，全程没有写代码。这展示了当前模型从单张图像理解乐谱并生成同步动画的能力。
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。
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。
Google Cloud 将原生 TPU 支持集成进 vLLM，在 Cloud TPU 上实现企业级精度的长上下文多模态嵌入推理。该方案以 Qwen3-Embedding-8B 为目标模型，支持文本 4K+ tokens、多模态文本加图像 15K+ tokens 的超长上下文，并以余弦相似度验证跨硬件数值对齐，文本目标阈值 ≥0.999、多模态 ≥0.995。
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。
MexHat 是一个面向墨西哥西班牙语视频的仇恨言论检测数据集，包含约 1k 个视频片段，设有三分类（无负面内容、攻击性内容、仇恨言论内容）与含三个仇恨言论子类别的细粒度标注两项评测任务。它针对非英语多模态资源稀缺的问题，旨在捕捉墨西哥西班牙语语境下的语言与文化线索。数据集统计与基线结果均显示该任务本身仍具挑战。
研究用 Decoy Font 方法构建包含 300 张图像的 DecoyBench，测试 3 个模型家族共 6 个闭源视觉语言模型，发现它们只能读出双层文字中的一层。高分辨率下模型对锐利轮廓文字准确率接近人类，却几乎无法完整提取柔和阴影文字；低分辨率下轮廓文字人类与模型均读不出，阴影文字反而能高准确率提取。
一种 Metric-based Loss Weighting 训练方法利用 PCXMI 和 Congruency-based PCXMI 识别受益于图像的 token，在 CoMMuTE 对比数据集上使多模态机器翻译准确率较标准微调最高提升超过 7 个百分点。该方法通过微调三个预训练多模态大语言模型，在三个语言方向的图像引导机器翻译任务上评估，并保持较强通用翻译性能。
SEA-CLIP-Tiny 是参数量不足 50M 的多语言文本-视觉嵌入模型，面向东南亚语言，用 CLIP-KD 式框架结合区域数据筛选与多语言教师引导。在 7 种东南亚语言上，其平均检索表现在受评学生模型中最佳，R@1、R@5、R@10 分别为 12.9%、31.5%、42.2%。
KNOWS 基准用开放式复杂浏览器任务评测 computer-use 智能体能否跨多步检索信息、综合成文档/演示文稿/表格等成品。任务配有结合确定性检查与 LLM 判定的 evaluator；最佳智能体完全成功不到 3% 的复杂长程任务，视觉步骤失败还会让成品不可用。
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。
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。
AMD 以 82 亿美元收购 World Labs，李飞飞称其正把空间智能与 SceniX 的机器人仿真能力结合。Atlas 从零训练，像 LLM 预测下一个 token 一样从 2D 图像预测下一个视角，用生成模型与多视图几何解决稀疏重建难题。Claude Sonnet 5.5 在 Opus 5.5 一周后上线，官方称比 Sonnet 5 快 30% 以上、多数任务便宜最多 30%。
一位 Reddit 用户分享了一套 retention_analysis 提示词模板，用来解决 AI 生成多角色对话视频时的台词错位和人物形象在各镜头间漂移问题。
动画创作者 @AlfredAlfer77 用 AI 影视工具 NoSpoon 搭配 Minimax H3 模型，凭一段单段落 prompt 在 10 分钟、约 20 美元内自动写并拍出一集动画片段。他坦言结果仍有大量错误和 glitch，但几次重roll加轻度剪辑即可成片。他认为 NoSpoon 与 The Slop Cannon 这类 harness 正把 AI 生成电影带向全新阶段。
腾讯正在秘密内测 AI 游戏陪伴产品“鹅次元”，主打数字人 AI 搭子，提供语音对话、画面实时识别和游戏陪伴等能力。产品内置多位人设各异的男女虚拟角色，选定后可闲聊互动，或激活适配多款主流网游的游戏陪伴模式。目前全部功能限时免费，界面已露出星币兑换能量的付费框架，预示未来商业化方向。
AMD 宣布计划以 82 亿美元股票收购世界模型开发商 World Labs，预计年底前完成交易。World Labs 由李飞飞于 2024 年创立，其最新模型 Atlas 可依据几张照片生成工厂或仓库的虚拟副本，并模拟传送带等运动物体，用于训练机器人。
ProCAP 是面向 CLIP 等视觉语言模型的概率交叉注意力提示学习框架，冻结 CLIP 权重，学习视觉与文本提示 token，并用堆叠的双向多头交叉注意力让两个分支在提示深度上互相修正。
一项大规模实证研究通过超过 3,375 次实验，考察多模态错误信息检测的设计选择，覆盖三个 benchmark 数据集与多类预训练视觉和语言骨干网络。研究围绕 4 个关键研究问题，归纳出哪些设计选择有效、何时会静默失效，以及流程中哪些环节最影响模型行为。论文已被第十届 WiNLP Workshop 接收，该 workshop 与 EMNLP 2026 同期举办。
一篇获 Information Fusion 接收的综述从信息融合视角梳理虚假评论检测，覆盖 2018 年至今年初的 211 项研究，并追溯从传统机器学习到 PLM 与 LLM 方法的演进。
Google Research 提出 AI video co-director，一个构建在 Gemini 和 Veo 之上的统一多智能体编排框架，用于自动化生成跨镜头连贯的分钟级长视频。
AWS 在官方博客给出基于 Strands Agents SDK 的对话式视频智能方案，由大模型在运行时决定调用 Amazon Bedrock、Amazon Rekognition 还是 Amazon Transcribe，不再为每类问题预建处理流水线。
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。
Google 在 Google I/O 2026 重组 Gemini 订阅体系，新增约 $100 的 AI Ultra 档，并把所有方案从固定月度配额改为基于算力的用量上限。
Hugging Face 用 Gradio Workflow 把 AUTOMATIC1111（stable-diffusion-webui）的多数功能重建为一个工作流画布 Workflow1111，由 11 条媒体流水线和 73 个节点组成。
推荐理由：读者可以看到把 AUTOMATIC1111 式图像流程拆成节点图后，输出如何自动变成 REST 与 MCP 接口。
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。
作者用 TRL 和 OpenEnv 复现了让语言模型写 p5.brush 代码画水彩的训练流程，把参考池、RL 环境、训练脚本和训练好的模型全部开源在 Hugging Face 上，想法源自 Surya Narreddi 走红的模型水彩画视频。
推荐理由：整套训练流水线、参考池和三组奖励配比的产物都已开源，可据此复现用奖励模型训练模型画画的流程。
Google 汇总 8 月 AI 更新，涵盖 Gemini 3.7 Flash、Gemini 3.5 Transcribe、Pixel 11 系列以及 Gemini app 月活突破 10 亿。
Google DeepMind 面向 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 推出智能体视频理解功能，将视频分析的 token 消耗降低最多 88%、成本降低最多 66%，准确率提升最多 7%。
推荐理由：原文给出 token 消耗、成本与准确率的对比数据，可用于判断长视频分析的成本结构变化。
Google 在 Google Earth AI 下推出实验性研究能力行星预测引擎（PPE），可直接从自然语言查询出发，自动完成地理空间数据检索、特征工程到模型训练与评估的全流程，把原先需要数周的人工数据工程缩短到数分钟。
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 给出 5 种用 Google Search 升级家居装饰的方式：AI Mode 上传房间照片预览家具摆放，Google Lens 拍照找同款复古装饰，Circle to Search 圈选屏幕搜索装饰；Search Live 可语音加摄像头指导 DIY，商品页支持比价、价格历史与降价提醒。
Sentence Transformers v6.0 新增第四种模型类型 MultiVectorEncoder，用于 ColBERT 式后交互检索，可直接加载 PyLate 与 Stanford-NLP ColBERT 检查点。
推荐理由：文章展示 Sentence Transformers v6.0 的多向量编码器如何用 token 级向量与 MaxSim 换取更高检索质量，并给出可直接运行的接入代码。
Google Research 提出 PhotoScan，可用普通手机 2D 照片估算体脂率、A/G 比和 V/S 比三项体成分指标。该框架在 UK Biobank 超过 3.5 万条记录上预训练，再用 677 名成人的手机照片配对 DXA 数据微调，并在 132 人的独立队列中验证。
Fetch 是一款 AI 狗狗伴侣应用：上传一张照片即可识别最可能的品种，并给出性格、体型、能量水平和护理建议。同一只狗的资料贯穿聊天助手、一键护理计划（可应用内阅读、下载 PDF 或打印）和有声故事书三处；Gemini 承担视觉品种识别、品种相关聊天、结构化护理计划和故事生成，ElevenLabs 提供故事旁白。
Dog Mind 是一个 AI 网页应用，上传狗照片即可生成品种猜测、情绪评分、肢体语言观察和虚构内心独白。它用 Google Gemini 做多模态分析、ElevenLabs 合成配音，提供六种声音人格和最多三个追问，对话记录 24 小时后过期。代码已在 GitHub 开源，应用部署在 Vercel，定位为娱乐用途。
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。
Google Research 发布 AMIE (Video)，一个基于 Gemini 和 Project Astra 的实时视频临床问诊系统，由 Talker、Planner、Perception 三个并行智能体组成。
推荐理由：研究用 100 个场景、300 场随机问诊对比 AMIE 视频版与初级保健医生，可了解多智能体架构在实时临床对话中的分工取舍。
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。