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。
5 条精选近 30 天 5 条共收录 5 条
NVIDIA 发布开源模型 Nemotron 3.5 Super VL，参数规模 120B，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。同期推出两款端侧模型 Nemotron 3.5 Bolt 74B-A9B 24GB 和 Bolt E4B 4GB，前者已上线，后者将于 10 月 23 日推出。
推荐理由：原文给出三款模型的参数规模、内存占用和开放权重，读者可据此判断从数据中心到桌面的智能体部署分层。
Google DeepMind 发布前沿模型 Gemini 4 Argon，面向开发者、企业、科研人员和消费者开放，API 定价为每百万输入 token 2 美元、每百万输出 token 10 美元。
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编码与科研场景的实际位置。
Meta Superintelligence Labs 发布第二代模型家族 Muse Wonder 与 Muse Wonder Full，前者可通过 Meta Model API 和 Muse Code 使用，后者仅向 Muse Code 订阅用户开放。
推荐理由：汇总了 Meta 新模型的首发细节与多家第三方评测数据，可对照其与 Opus 5.5 等前沿模型的位置。
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 740M。
推荐理由：原文给出了端侧多模态嵌入的参数量、内存占用和基准提升，读者可据此判断本地检索与 RAG 的可行边界。
微软研究院推出 Quine，一个面向生物学的研究系统，由跨基因组、蛋白质、化学、RNA 与细胞状态、生物成像的多模态世界模型和连接科学工具、文献与实验的交互框架组成。
推荐理由：微软研究院公开 Quine 的多模态生物世界模型与工具编排框架，并给出胰腺癌细胞状态预测的湿实验验证结果。