Condé Nast 如何用 Amazon Bedrock 构建多模态视频发现系统
Condé Nast 与 AWS Generative AI Innovation Center 基于 Amazon Bedrock 和 Amazon OpenSearch Service 构建了多模态视频发现方案，用意图式语义搜索替代仅依赖元数据的检索。
#多模态
#多模态
今日 0 条AWS Machine Learning BlogAI 评分5656 AWS Machine Learning BlogAI 评分5555 在 SageMaker AI 上用 vLLM-Omni 构建实时语音应用 Part 1
AWS 教程演示在 Amazon SageMaker AI 上部署 Qwen3-TTS，通过 AWS vLLM-Omni DLC 实现文本输入和音频输出的实时流式语音应用。
NVIDIA BlogAI 评分4141 NVIDIA 与合作伙伴在 AI Day Singapore 展示东南亚 AI 进展
NVIDIA 在 9月22-23日的 AI Day Singapore 展示其与合作伙伴在东南亚推进 AI 从试点到生产的进展。
Hugging Face Blog精选AI 评分6565 H Company 发布 NeoMME 多语言多模态编码器，提供 260M 和 800M 版本
H Company 发布 NeoMME，一组 260M 和 800M 多语言多模态编码器，已在 Hugging Face Transformers 提供并以 Apache 2.0 许可发布检查点。
推荐理由：文章同时给出架构、ViDoRe 结果和索引压缩方案，可作为视觉文档检索选型参考。
Google DeepMind精选AI 评分8181 Google DeepMind 在 Gemini 中推出智能体视频理解功能
Google DeepMind 在 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 中推出智能体视频理解功能，用于提升视频分析准确性并降低 token 用量和成本。
推荐理由：原文同时给出成本、token 与质量变化，以及 API 开启方式，便于评估长视频分析工作流。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Gemini Omni 1.1 Flash，提供更可控的视频生成能力
Google DeepMind 发布 Gemini Omni 1.1 Flash，通过 Gemini API in Google AI Studio 为开发者提供更可控的生成式视频能力。
推荐理由：原文列出场景延展、关键帧插值和4K升级等接口细节，便于评估视频生成工作流接入方式。
Hugging Face Blog精选AI 评分7979 Gradio gr.Workflow 支持用画布构建、运行和部署 AI 工作流
Gradio 的 gr.Workflow 将 AI 应用管线描述为类型化节点图，并提供拖拽画布，让每个节点可运行、中间结果可见。同一图也会成为 REST API，并可一条命令部署到 Hugging Face Spaces。
推荐理由：原文展示了 gr.Workflow 如何把多步 AI 管线做成可运行画布和 REST API，便于复用到 Gradio 应用。
Google DeepMind精选AI 评分7474 Google DeepMind 推出 SL2T 手语转文本模型，并接入 Pixel 11
Google DeepMind 推出大规模多语言手语转文本翻译模型 SL2T，用于 Pixel 11 上 Gboard 和 Live Transcribe 的手语转文本功能，先支持 ASL 到英语。
推荐理由：原文披露了训练规模、隐私处理和产品入口，可了解手语模型从研究走向手机输入的路径。
Microsoft ResearchAI 评分5858 Microsoft Research 介绍放射学 VLM 研究模型 CARE-X
Microsoft Research 介绍 CARE-X，这是一个面向胸部 X 光多任务解读的统一放射学 VLM 研究模型，可生成报告、做结构化预测并给出可调阈值的置信分数。
Hugging Face Blog精选AI 评分8585 Meta 发布开源多模态模型 Muse Glimmer-30B，Hugging Face 提供 day-0 支持
Meta 发布 Muse Glimmer-30B，这是从 Muse 蒸馏到 30B 参数的开源多模态模型，面向本地智能体用例并采用 Apache 2.0 license。
推荐理由：原文同时给出架构、基准和本地部署示例，便于比较开源多模态模型在本地智能体场景的工程落地路径。
Mistral AI精选AI 评分6767 Mistral AI 发布 Shieldstral 3B 开放权重多模态安全分类器
Mistral AI 发布 Shieldstral，一个 3B 开放权重、策略自适应的多模态安全分类器。它在推理时接受自然语言政策问题，将文本和图像安全评估统一为二元问答任务，无需重训，并输出校准后的安全分数。
推荐理由：它把内容审核改写为可提问的安全判断，为需要按场景调整策略且不想重训的产品提供参考。
Google DeepMind精选AI 评分7575 Google DeepMind 发布 Gemini Robotics ER 2，面向视频理解、任务编排和多机器人协作
Google DeepMind 发布 Gemini Robotics ER 2，称其为面向机器人的最强“具身推理”模型，用于视频理解、任务编排和多机器人协作。
推荐理由：原文同时给出开放入口、机器人协作示例和安全评测维度，便于理解具身模型在真实任务中的落地路径。
Google DeepMind精选AI 评分7474 Google DeepMind 发布 Gemini Robotics 2，面向机器人全身控制、灵巧操作与协作
Google DeepMind 发布 Gemini Robotics 2，包括 Gemini Robotics 2、Gemini Robotics ER 2 和 Gemini Robotics On-Device 2 三个模型，面向机器人全身控制、双手或夹爪灵巧操作和多机器人协作。
推荐理由：原文同时列出云端、端侧和安全评测细节，可用于理解机器人模型从演示走向部署的路径。
Google DeepMind精选AI 评分8383 Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和 3.5 Flash Cyber
Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和 3.5 Flash Cyber，面向规模化 AI 智能体提供更高 token 效率、更低延迟和更可靠性能。
推荐理由：原文同时给出价格、token效率和基准差异，便于比较Flash系列在智能体工作流中的取舍。
Mistral AI精选AI 评分6363 Mistral AI 发布 8B 具身导航模型 Robostral Navigate
Mistral AI 发布 Robostral Navigate，这是其首个面向具身导航的 8B 模型，可用单个 RGB 摄像头和自然语言指令让机器人在环境中移动。
推荐理由：原文同时给出传感器配置、基准成绩和训练流程，便于比较具身导航路线的取舍。
Mistral AIAI 评分5252 Mistral AI Now Summit 2026 发布工业工程 AI 栈、Vibe 更新和法国数据中心
Mistral 在 AI Now Summit 2026 公布面向企业和政府的 full-stack AI 方案，包括 Mistral for Industrial Engineering、Vibe 更新和 Les Ulis data center。
Google DeepMind精选AI 评分6666 Google DeepMind 为 Project Genie 推出 Street View 真实地点生成能力
Google DeepMind 正在为 Project Genie 推出由 Street View 支持的真实地点锚定能力，并向全球符合条件的 Google AI Ultra $200 订阅用户逐步开放。
推荐理由：原文说明 Project Genie 如何用 Street View 锚定真实地点，可作为观察世界模型产品化路径的案例。
Google DeepMind精选AI 评分7373 Google 扩展 SynthID 与 C2PA 内容透明度工具，推出 AI Content Detection API
Google 正在扩展 Search、Gemini、Chrome、Pixel 和 Cloud 中的内容透明度与验证工具，并推出 AI Content Detection API。
推荐理由：原文梳理了 SynthID、C2PA 与检测 API 的扩展路径，可用于理解内容溯源工具的落地方式。
Mistral AIAI 评分4545 Mistral AI 推出 Forge：面向企业专有知识的 AI 模型训练系统
Mistral AI 推出 Forge，帮助企业用专有知识训练面向内部流程的 AI 模型。Forge 支持预训练、后训练、强化学习、dense 与 MoE 架构，以及按需处理多模态输入。Mistral Vibe 等智能体可用它微调模型、寻找超参数、调度任务并生成合成数据。
Mistral AI精选AI 评分8181 Mistral AI 发布 Mistral Small 4，统一推理、多模态和智能体编码能力
Mistral AI 发布 Mistral Small 4，这是 Mistral Small 系列的下一次主要版本，将 Magistral 的推理、Pixtral 的多模态和 Devstral 的智能体编码能力整合到一个模型中。
推荐理由：原文列出架构、上下文和部署入口，可比较开放 MoE 模型在推理与多模态任务中的取舍。
Mistral AIAI 评分5858 Mistral AI 与 NVIDIA 合作推进开放前沿模型
Mistral AI 宣布作为创始成员加入 NVIDIA Nemotron Coalition，并与 NVIDIA 计划共同开发前沿开源 AI 模型。Mistral AI 将贡献专有训练技术、多模态能力和企业级微调工具，同时利用 NVIDIA 的计算资源、模型开发工具和合成数据生成流水线；文中还提到 Mistral AI 今天发布 Mistral Small 4。
Mistral AI精选AI 评分8383 Mistral AI 发布 Mistral 3 模型家族，包含 Mistral Large 3 和 Ministral 3
Mistral AI 发布 Mistral 3，包括 14B、8B、3B 三个小型 dense 模型，以及 41B active、675B total 参数的 MoE 模型 Mistral Large 3，全部以 Apache 2.0 license 发布。
推荐理由：原文同时交代模型规模、开源许可、压缩格式和上线渠道，便于比较前沿与端侧模型的部署取舍。
OpenAI News精选AI 评分7171 OpenAI 发布 Sora 2 视频生成模型
OpenAI 介绍了 Sora 2，这是一款支持同步对白和音效的视频生成模型。材料同时说明，Sora 产品已不再可用。
推荐理由：原文只给出同步对白、音效和产品不可用信息，适合把握 Sora 2 发布的基本边界。
OpenAI News精选AI 评分7171 OpenAI 发布 Sora 2 系统卡，介绍视频和音频生成模型
OpenAI 发布 Sora 2 System Card，称 Sora 2 是新的 SOTA 视频和音频生成模型。该模型基于 Sora，引入更准确的物理、更清晰的真实感、同步音频、增强可控性和扩展的风格范围。
推荐理由：原文概括了 Sora 2 相比前代在物理、真实感、同步音频和可控性上的变化。
OpenAI NewsAI 评分4242 SchoolAI 构建赋能教师的 AI 平台
SchoolAI 使用 GPT-4.1、图像生成和 TTS，为超过 100 万间教室提供安全、由教师引导的 AI 工具。该平台用于提升学生参与度、教师监督能力和个性化学习体验。
OpenAI News精选AI 评分7474 OpenAI 发布 gpt-realtime 和 Realtime API 更新
OpenAI 发布更先进的语音到语音模型 gpt-realtime，并更新 Realtime API。新增 API 能力包括 MCP server 支持、图像输入和 SIP 电话呼叫支持。
推荐理由：原文同时列出语音模型和 Realtime API 能力变化，可用于把握实时语音交互接口的更新方向。
OpenAI News精选AI 评分8484 OpenAI 推出 GPT-5
OpenAI 推出 GPT-5，称其为迄今最好的 AI 系统。OpenAI 表示，GPT-5 相比其以往所有模型在智能上有显著提升，在编码、数学、写作、健康、视觉感知等方面具备先进性能。
推荐理由：原文列出 GPT-5 相比既有模型的覆盖领域，便于快速把握 OpenAI 对本代模型的定位。
OpenAI NewsAI 评分3030 Invideo AI 使用 OpenAI 模型将视频创作提速 10x
Invideo AI 使用 OpenAI 的 GPT-4.1、gpt-image-1 和 text-to-speech 模型，将创意在数分钟内转成专业视频，视频创建速度提升 10x。
OpenAI News精选AI 评分7878 OpenAI o3 和 o4-mini System Card 概述推理与工具能力
OpenAI o3 和 o4-mini System Card 称，两款模型结合了 state-of-the-art 推理与完整工具能力。材料列出的工具包括 web browsing、Python、图像和文件分析、图像生成、canvas、automations、file search 和 memory。
推荐理由：材料列出 o3 与 o4-mini 的推理和工具能力范围，便于了解官方对模型定位的表述。
OpenAI News精选AI 评分8585 OpenAI 为 GPT‑4o 引入原生图像生成
OpenAI 在 2025 launch 中为 GPT‑4o 引入原生图像生成，包括更强的文本渲染和指令跟随能力。原文还提到可探索 ChatGPT Images 2.5。
推荐理由：原文概括了 GPT‑4o 图像生成的能力重点，可作为了解文本渲染和指令跟随改进的入口。
Hugging Face BlogAI 评分5151 Hugging Face 介绍 IDEFICS 开源视觉语言模型复现项目
Hugging Face Blog 介绍 IDEFICS，这是一个对 SOTA 视觉语言模型的开放复现项目。材料抓取失败，仅标题可用。