Artificial Analysis 用同一张照片对 GPT Image 2.5 Sunburst、Ideogram 4.5、FLUX 3 和 Nano Banana 2.1 做了30步连续编辑测试（每步基于上一步输出，如点火、加沙发、刷墙、昼夜切换），Ideogram 4.5 保持房间大部分不变，GPT Image 2.5 Sunburst 漂移最明显。

在 iPhone Air 上跑出 37 tok/s 确实很猛。🚀 这正是小型、能力强的开源模型的闪光点：无需云端 GPU 也能拥有强大的多模态智能。看到 MiniCPM5-2B 在移动端流畅运行真好。

Odyssey 发布世界模型 Odyssey-3，其 Pro 版本在 Physics-IQ Verified 视频到视频评测中取得 66.1 的最高报告分数。它采用自回归扩散 Transformer 架构，根据先前帧和输入动作预测后续帧，使被提示的场景能对每个动作做出反应。

Google 于 10 月 6 日发布图像模型 Nano Banana 2.1，基于 Gemini 3.6 Flash，在 AA-Image-T2I v2.0 和 AA-Image-Editing v2.0 上均排名第 4，价格为 Nano Banana 2 的一半。

Odyssey 将世界模型中的物理预测与语言模型中的编码相类比，认为能准确预测物体下落、倾倒和碰撞的模型体现了机器人和智能体所需的世界理解。文中提到机器人手臂从数十小时演示中学习任务，使用冻结的 Odyssey-3 骨干在 20 小时驾驶数据上训练的驾驶策略，以及 Flexion 的人形策略在让 VLA 基线失效的光照变化下仍能工作。

Odyssey 发布其迄今最强的基础世界模型 Odyssey-3，并向公众开放研究预览。该模型可根据提示词构建环境，并在人移动或触发事件时实时预测变化；Odyssey-3 Pro 在 Physics-IQ Verified 视频到视频任务上以 best-of-8 采样取得 66.1 分，为目前报告的最高结果。

了解更多关于我们研究的内容，以及它对全球母婴健康的未来可能意味着什么。 goo.gle/4dua2Fi

NVIDIA 发布 Long-WAM，一个通过扩展视觉上下文实现机器人实时控制的世界动作模型。原文指出，能访问历史不等于会用历史，当视频基础模型采用自回归预训练时，更长的历史带来的收益会大得多。

Hugging Face BlogAI 评分5757

TII 发布 1.6B 阿拉伯语语音识别模型 Falcon-ASR，主打阿联酋方言

TII 在 Hugging Face 发布 Falcon-ASR，一个 1.6B 参数、面向阿拉伯语尤其是阿联酋方言的语音识别模型，同时支持英语、法语、西班牙语和葡萄牙语，五种语言共用同一权重且无需指定语言标志。

GPT-6 在 ChatGPT 全球上线并带来 Intelligent UI

GPT-6 正在 ChatGPT 中全球推出，并带来 Intelligent UI，提供更快的响应以及可直接探索和使用的可视化与交互体验。

Hugging Face Blog精选AI 评分6161

Liquid AI 开源 d1-3B 与 d1-omni-600M 端侧决策模型

Liquid AI 发布 d1 决策模型家族的两款开放权重模型 d1-3B 和 d1-omni-600M（实验版），在 Decision Index 0.2.1 上 d1-3B 得分 48.57，为 10B 以下最佳，超过 Decider 35B-A3B（47.11）。

Perplexity 开源 pplx-embed-v2-late，这是面向文本和图像的多向量嵌入模型，提供 9B 和 0.6B 两种规格并共享同一嵌入空间，可用 9B 索引多模态数据、用 0.6B 在端侧查询，还支持免 OCR 搜索 PDF 页面。该模型在 MADQA 上得分 92.4%，在 BrowseComp+ 上得分 64%，权重已在 Hugging Face 开放下载。

Nano Banana 2.1 已上线 Text-to-Image Arena、Image Edit Arena 和 Multi-Image Edit Arena，分别取得第 5 名 1328 分、第 6 名 1428 分和第 4 名 1431 分。

Google 发布 EmbeddingGemma 2，一款采用 Apache 2.0 许可、面向端侧多模态 AI 的嵌入模型，可将文本、代码、图像、音频和视频映射到同一可搜索空间。

Google DeepMind精选AI 评分7474

Google DeepMind 发布 EmbeddingGemma 2 开源多模态嵌入模型

Google DeepMind 发布 EmbeddingGemma 2，一个基于 Gemma 4 架构、采用 Apache 2.0 许可的 740M 参数多模态嵌入模型，将文本、代码、图像、视频和音频统一映射到共享嵌入空间。

Mistral Large 4

Mistral Large 4 作为新模型出现在 Simon Willison 的测试中，被用 `llm -m mistral/mistral-large-4` 与 claude-opus-5.5。

Hugging Face 发布新的开源嵌入模型 EmbeddingGemma 2，面向端侧使用场景，支持代码、图像、视频、音频和文本嵌入。该模型采用模块化设计，参数量从 270m 到 740m，使用 Matryoshka embeddings 提升存储效率，采用 Apache 2 License 开源。

Google 发布 EmbeddingGemma 2 开放权重模型，采用 Apache 2 许可。该模型为 740M 参数的轻量级多模态嵌入模型，可将文本、代码、图像、视频和音频映射到统一嵌入空间，具备模块化编码器和 8K context window。

pplx-decider-v1.1-27b 开放权重多模态决策模型现已可用，在 Hugging Face 新推出的 Decision Index 0.3 基准上取得最高分。该模型成本为 v1 的一半，输入 token 价格为 $0.02 per million input tokens，相关页面见 huggingface.co/spaces/multim…。

Google DeepMind 发布 EmbeddingGemma 2，称其在 740M 参数量级上各基准表现有竞争力，甚至超过部分规模两倍以上的专用模型。开发者可用它为应用加入多模态搜索，例如通过语音备忘录查找视频片段，或与 Gemma 4 搭配实现私密的端侧 RAG。该模型以 Apache 2.0 许可发布，权重已在 Hugging Face 和 Kaggle 开放。

Google DeepMind 发布 EmbeddingGemma 2，称这是其首个面向端侧嵌入的原生多模态开放模型。该模型从文本扩展到代码、图像、音频和视频，将这些内容统一到共享空间中。

Google 发布 EmbeddingGemma 2，这是其首个专为端侧嵌入打造的原生多模态开放模型。该模型基于 Gemma 4 架构，采用 Apache 2.0 许可证发布，将图像、视频、音频和代码统一到单一嵌入空间中。

Google 发布 EmbeddingGemma 2，参数量 740M，官方称同规模下表现最佳，超过部分两倍于其规模的模型，活跃内存占用低至约 191MB 到 567MB。相比第一代，其上下文窗口扩大 4 倍至 8K，单次最多可处理 5.5 分钟音频、29 张图片或 58 帧视频。

Google 发布 EmbeddingGemma 2，这是一个可在 0.5GB RAM 本地运行的新开源模型。该模型采用 Apache 2.0 许可，参数量 740M，由 270M 文本模型、170M 视觉模型和 300M 音频模型组合而成，可通过 Unsloth 运行与训练，并提供 GGUF 文件和使用指南。

Mistral Large 4 现已在 OpenRouter 开放公开预览，参数规模为 1T（49B active），原生多模态，支持 1M 上下文与最高 256K 输出。前两周半价，价格为 $0.68 in / $2.09 out per 1M tokens（$0.07 cached）。

TechCrunch · AIAI 评分7474

Mistral AI 发布 1 万亿参数多模态模型 Mistral Large 4

Mistral AI 发布 1 万亿参数多模态模型 Mistral Large 4（ML4），代号 Le Chonk，目前仅通过公开 guardrail endpoint 访问，计划在安全测试完成后于三周内开放权重。

Mistral Large 4 已在 OpenRouter 上线 public preview，参数为 1T（49B active），原生多模态，支持 512K context 和最高 256K output。前两周半价，价格为 $0.68 in / $2.09 out per 1M tokens（cached $0.07）。

Mistral AI精选AI 评分8080

Mistral AI 公开预览 Mistral Large 4，月底开放权重

Mistral AI 宣布 Mistral Large 4（非正式代号 le Chonk）进入公开预览，可在 Mistral Studio 使用预览 API，权重将于本月底发布。

Mistral 宣布 Mistral Large 4 "Le Chonk"，一个 1T 参数的开源权重模型，具备 49B 激活参数和原生多模态能力。该模型今日起通过 API 推出，开源权重版本计划于 10 月底发布，并宣称在包括网络防御在内的关键工作负载上达到 SOTA。

Mistral 发布 Mistral Large 4（代号 Le Chonk），1T 参数、49B 激活、原生多模态，称其是美欧出品中聚合基准最强的开放权重模型。该模型在网络防御、制造、金融等关键任务上达到 SOTA，并在视觉定位上超越闭源前沿模型；全程在欧洲打造，可通过 Mistral Cloud 基础设施在欧洲部署，今日起通过 API 开放，开放权重版本将于 10 月底发布。

Mistral 发布新模型 Mistral Large 4（ML4，代号 le Chonk）的预览版，该模型拥有 1T 参数、49B 激活参数，原生具备多模态能力。作者称其处于开源模型前沿，是来自美国或欧洲的最强开源权重模型；预览版背后的 RL 训练仍在进行且未见饱和迹象，最终版本与模型权重将在月底前发布。

Hugging Face BlogAI 评分5454

Falcon-Emirati-7B 发布：面向阿联酋方言的阿拉伯语模型

Hugging Face 与 Technology Innovation Institute 发布 Falcon-Emirati-7B，基于 Falcon-H1-Arabic 7B 变体微调，专注阿联酋方言的理解与生成。

The DecoderAI 评分6161

Reka AI 发布全模态模型 Rho-1，单模型统一处理文本图像视频与机器人控制

Reka AI 发布了 Rho-1 的研究预览，这是一个 190 亿参数的全模态模型，在单一神经网络中处理并生成文本、图像、视频和机器人控制动作，所有模态以 token 形式运行在同一共享上下文窗口中，无需工具调用或外部模型。

基准测试：我们使用了 WMT26 基准，它是在我们创建模型之后发布的，确保我们无法针对其测量结果来训练 North Small Translate。(5/6)

可灵 Kling 4.0 与 Kling 4.0 Flash 创作展示

可灵发布 Kling 4.0 和 Kling 4.0 Flash，并展示创作者用其生成的作品。官方称 Kling 4.0 正在推动 AI 创意前进，评论区有用户询问具体发布时间。

Perplexity CEO AravSrinivas 宣布开源多模态决策模型 pplx-decider-27b，并同步推出新的 Decisions API，定价为每百万 input tokens 4 美分、output tokens 免费，官方表示未来几天会进一步降价。

Artificial Analysis 评测显示，Qwen-Image-2.1 最强的图像编辑用例为生产力与知识工作、零售与电商、动画与游戏，其中生产力与知识工作最接近领先者。

Artificial Analysis 宣布 Alibaba 的 Qwen-Image-2.1 成为其 AA-Image-T2I v2.0 和 AA-Image-Editing v2.0 两个榜单上的新开源权重第一名。

Tavus 发布视频对话模型 Griffin，称首个通过视频图灵测试

Tavus 发布视频到视频模型 Griffin，作者获得早期体验权限，称其能边看边听用户说话，可打断用户、接受被打断，并对房间内发生的事作出反应。

Tavus 发布 Griffin，称其是首个通过视频图灵测试的模型，也是首个 Human Interaction Model（HIM）。在与它实时对话的人中，48% 认为它是真人，而此前系统的通过率低于 3%；该模型在 NVIDIA 的全双工 AI 视频基准上排名第一。