技术方向
文字之外的能力：看懂图片、图文混合理解、音视频输入输出的模型与产品进展。
6 条精选近 30 天 6 条共收录 10 条
NVIDIA 发布开源 1200 亿参数模型 Nemotron 3.5 Super VL，主打多模态智能体任务，官方称其吞吐量最高可达同类模型的 5 倍。同时推出面向本地部署的 Nemotron 3.5 Bolt 74B-A9B 24GB 和 Bolt E4B 4GB，前者已上线，后者将于 10 月 23 日发布。
推荐理由：原文给出三款模型的参数规模、部署层级和开放权重，读者可据此判断本地智能体部署的选型空间。
Google DeepMind 发布 Gemini 4 Argon，定位为通用物理推理模型，在测试 3D 物理空间问题理解的 Embodied Reasoning（ERQA）基准上以纯推理取得 87%，超过其他前沿模型。
推荐理由：官方给出 Argon 在 ERQA 的 87% 成绩，并用四类机器人任务提示词展示从仿真到真机的完整用法。
Google DeepMind 发布 Gemini 4 Argon，面向开发者、企业和消费者开放，API 定价为每百万输入 token 2 美元、每百万输出 token 10 美元，缓存输入 token 享 95% 折扣。
推荐理由：官方给出定价、基准排名与多个内部落地案例，可据此判断前沿模型在专业工作流中的实际位置。
Google DeepMind 发布 EmbeddingGemma 2，将文本、图像、音频和视频映射到统一嵌入空间，采用 Apache 2.0 许可，参数量 7.4 亿。
推荐理由：原文给出参数量、量化内存占用和基准提升，读者可据此判断端侧多模态检索的部署门槛。
Mistral 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，权重将于本月底发布。
推荐理由：官方给出 1 万亿参数、520 亿激活的规格与多项基准对比，可据此判断开源权重模型的能力位置。
微软研究院推出 AI 研究系统 Quine，由跨基因组、蛋白质、化学、RNA 与细胞状态、生物成像的多模态生物世界模型和一个连接模型、科学工具、文献与研究者的交互框架组成。
推荐理由：微软研究院公开 Quine 的多模态生物世界模型与实验闭环设计，并给出胰腺癌细胞状态预测的湿实验验证结果。