ComfyUI v0.38.0 发布：新增 Ming Image、H3 ControlNet Union 2.0 与 ID-V2V 支持
ComfyUI v0.38.0 发布，新增 Ming Image 0.1 6B 文生图模型、MiniMax-H3 Fun ControlNet Union 2.0 与基于 Wan 2.1 和 VACE 的 ID-V2V 身份保持视频转视频支持。
推荐理由：版本清单列出新增模型节点与量化、HDR 支持，可据此判断现有 ComfyUI 工作流是否要调整。
多模态
全部主题文本之外的能力：视觉理解、图文混合、音视频输入输出的模型与产品进展。
最新精选
第 1–20 条 · 共 31 条AGI Hunt精选AI 评分6767 The Decoder精选AI 评分8181 AMD 以 82 亿美元收购世界模型初创公司 World Labs
AMD 宣布以约 82 亿美元全股票收购空间智能初创公司 World Labs，其创始人李飞飞将加入 AMD 出任执行副总裁兼首席科学家，直接向 CEO 苏姿丰汇报。
推荐理由：这笔 82 亿美元全股票交易把世界模型团队并入芯片厂商，可与 Nvidia 收购 Hugging Face 的生态打法对照。
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。
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 Blog精选AI 评分6060 用 Gradio Workflow 重建 AUTOMATIC1111 的媒体流水线
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。
HuggingFace Blog精选AI 评分6565 用 TRL 和 OpenEnv 训练编码模型画水彩
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 DeepMind精选AI 评分7373 Google DeepMind 为 Gemini 推出智能体视频理解功能
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 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。
HuggingFace Blog精选AI 评分6969 Sentence Transformers v6.0 新增 MultiVectorEncoder，支持 ColBERT 式后交互检索
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 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。
Google Research精选AI 评分6767 Google Research 提出 AMIE (Video)，实现实时视频临床问诊
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。
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 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 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。
Google Research精选AI 评分6060 Google Research 提出 SensorFM，用超一万亿分钟可穿戴数据训练通用健康模型
Google Research 提出大型传感器基础模型 SensorFM，基于 500 万名同意参与者、超过一万亿分钟的无标签多模态可穿戴数据完成预训练。在来自三项研究、共 13985 名参与者、覆盖心血管、代谢、心理健康、睡眠、人口统计和生活方式六类的 35 项健康任务中，冻结编码器加线性探针在 34 项上优于人工特征监督基线。
推荐理由：从超一万亿分钟无标签数据预训练的通用表征，读者可了解它如何在心血管、代谢、睡眠等多类健康任务间迁移。
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。