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。
22 条精选近 30 天 12 条共收录 98 条
Seedream 5.5 已通过 ComfyUI 的 Partner Nodes 可用，是一个支持文生图和图像编辑的多模态模型。更新覆盖五个方向：原生生成透明与半透明 RGBA 输出、支持多轮精准局部编辑而不破坏画面其余部分、一步生成文字可读且布局结构化的海报与信息图、更真实的肖像材质与光影细节，以及可在提示词中控制灯光。
推荐理由：官方介绍 Seedream 5.5 在 ComfyUI 的接入方式与五项能力变化，读者可据此评估是否把透明输出和多轮局部编辑接入现有工作流。
OpenRouter 用 8 页自造扫描件实测 15 个视觉模型加 Mistral OCR 和 Tesseract，每模型 264 项关键值检查。Claude Opus 5.5 最准，262/264 正确，每千页 $16.42；Mistral OCR 得 258/264，仅 $2.02；Ling 3.0 Flash VL 关闭推理后 254/264，每千页 $0.04。
推荐理由：OpenRouter 用自造的 8 个测试页实测 16 个方案，给出准确率、成本和防幻觉的可行做法，读者可按自家文档场景对号选型。
Google DeepMind 发布 Gemini Omni 1.2 Flash，并在 Gemini API 和 Gemini for business 全面开放，价格较 1.1 下降 30%，720p 视频为 $0.07 per second。
推荐理由：官方给出了价格、时长和一致性等具体变化，读者可以据此评估它在视频生成工作流中的成本与用法。
Google Research 在 Nature 发表 AI-PPG-ACC-HTN 系统，用消费级智能手表的 PPG 和加速度传感器被动检测高血压迹象，无需袖带校准。
推荐理由：原文给出无需袖带校准的智能手表高血压筛查系统及与临床金标准对比的具体数据，读者可据此评估其筛查定位。
Preferred Networks 于 11 月 5 日开源发布翻译专用大模型 PLaMo 3 Translate，提供 0.8B、2B、8B、31B 四种规格，已上架 Hugging Face。
推荐理由：原文给出四个模型规格、53 种语言覆盖和离线运行能力，可帮助读者评估端侧翻译模型的选型与商用许可条件。
Mistral 发布 Mistral Large 4（Le Chonk）开放权重，为 1 万亿参数原生多模态模型，在欧洲基础设施上从零训练。
推荐理由：官方放出完整权重与各基准数字，可据此比较该模型在编码、安全与成本效率上的定位，并判断自部署可行性。
Google DeepMind 发布新一代世界模型 Genie 4，以研究预览形式向可信测试者开放，后续将向 Project Genie 中的 Google AI Ultra 订阅者及 Gemini API、Google AI Studio 早期合作伙伴推出。
推荐理由：官方原文给出 Genie 4 的实时交互、原生音频能力和与 Gemini 协作的机制，也写明了测试者反馈和已知局限。
Apple 于 10 月 27 日宣布 Apple Creator Studio 重大更新，11 月起作为免费更新推送给现有订阅者。
推荐理由：官方发布覆盖 Final Cut Pro、Logic Pro、Pixelmator Pro 及办公三件套的 AI 能力与 MCP 支持，可据此判断创作套件如何接入外部智能体。
Google Research 在 IDWeek 2026 分享其肺结核筛查 AI 从研究到落地的历程：2019 年基准研究后，经 Nexus AI 转化为 CE MDR Class IIb 认证工具，在约 40 家医疗机构部署，超过 90 名临床医生评估逾 25000 张胸片，周转时间缩短至 45 秒内。
推荐理由：Google Research 官方复盘其肺结核筛查 AI 从论文、CE 认证到开源 MedGemma 落地的完整路径，读者可了解医疗 AI 从研究走向一线的关键环节。
Google Research 在 JAMA Network Open 发表前瞻性多中心研究，验证 AI 模型解析无超声训练背景的基层人员用便携探头做的盲扫图像来估测孕周。在芝加哥和内罗毕两个环境共 385 名参与者的主要队列中，模型估测孕周的平均绝对误差为 4.18 天，非劣效于专家超声师标准流程的 4.48 天；内罗毕站点未做本地微调，误差 4.27 天，显示了跨临床环境和硬件的泛化能力。
推荐理由：原文给出前瞻性多中心验证数据，AI 用盲扫超声估孕周的误差与专家标准相当，可帮读者了解医疗 AI 跨环境落地的实际表现。
Meta 的 Muse Spark Open 开放权重模型已在 Together AI 上线，Together AI 是 Day 0 上线合作方。模型具备 1M token 上下文窗口、长程自主规划与子智能体协调、计算机使用与网页浏览、多模态输入和意图说明能力。
推荐理由：原文给出了模型能力、定价和 API 用法，读者可据此评估它在智能体编程工作流中的实际落地价值。
NVIDIA 发布开源多模态模型 Nemotron 3.5 Super VL，采用 120B 总参数、12B 激活参数的 MoE 架构，vLLM 提供发布当天支持。
推荐理由：原文给出架构细节、量化版本和部署配置，读者可据此评估它在多模态智能体工作流中的部署成本与吞吐表现。
Mistral 发布 Mistral Large 4（ML4，昵称 le Chonk）公开预览，1 万亿参数、520 亿激活参数的原生多模态模型，预览 API 已在 Mistral Studio 开放，权重将于本月底发布。
推荐理由：官方给出具体基准数字、开放权重时间表和欧洲自建训练基础设施，读者可据此判断它在开源模型中的位置。
Comfy 在 Developer Platform 上线 Comfy Router，一次集成即可调用 Seedance 2.5、MiniMax H3、Nano Banana Pro、GPT Image 2、Kling 和 Black Forest Labs 等前沿模型。
推荐理由：原文给出 Comfy Router 的接入方式、可切换的 provider 列表和队列机制，读者可据此判断是否替代直连方案。
Suno 发布新一代音乐模型 v6，与 Warner Music Group、BMG 和 Believe 等行业伙伴合作开发，包含 v6、v6-wild 和 v6-mini 三款模型，分别面向精准创作、风格探索和免费快速生成。v6 支持用自然语言编辑歌曲片段、混搭多来源素材、采样构建节拍，以及从文本、音频、图片和视频生成音乐，上线后将逐步替换旧模型。
推荐理由：原文出自 Suno 官方，给出 v6 三款模型的定位差异和新编辑能力，读者可以对照自身创作需求选择版本。
Gemini Omni 1.1 Flash 现已通过 ComfyUI 的 Partner Nodes 上线，在 Gemini Video Omni 节点选择 Omni Flash 1.1 即可用单一节点完成文生视频、图生视频、参考视频、视频编辑和场景续写。
推荐理由：官方文档给出了节点的完整参数、编辑与续写能力，以及提示词写法，读者可以直接照此上手生成和剪辑。
Suno 发布 Studio 2.0，面向音乐创作者带来更深度的制作控制，现已向 Premier 订阅用户开放。新功能包括在时间线上导入、录制和编辑 MIDI 并配合新的 wavetable 合成器，MIDI 片段还可作为音频生成的提示；Chat bar（beta）支持用对话方式创建乐器、人声和自定义插件，上线期间创建插件不消耗 credits。
推荐理由：官方列出 MIDI、Chat、分轨分离等具体新能力与订阅门槛，音乐创作者可据此评估是否升级工作流。
Thinking Machines Lab 发布多模态 MoE 模型 Inkling，Together AI 同步在 Serverless 平台提供 Day 0 接入。
推荐理由：原文给出了 Inkling 的架构细节和 Together AI 的 Day 0 上线入口，读者可以据此评估其在生产推理中的可用性。
Figma 宣布设计 Agent 在开放 beta 中向更多用户开放，支持用提示词生成可复用的插件和基于 WebGPU 的 shader effects 与 shader fills，并集中在新 Tools 标签页。
推荐理由：官方公布设计 Agent 开放测试范围与新增能力，读者可据此评估自定义工具和上下文接入对现有设计工作流的影响。
Ethan Mollick 提前试用 GPT-5.5 并撰写评测，认为其表明 AI 快速提升尚未结束。同一编程任务中 GPT-5.5 Pro 仅 GPT-5.5 Pro 真正模拟了城镇演化，耗时 20 分钟，而 GPT-5.4 Pro 需 33 分钟。
推荐理由：作者以早期访问实测对比多代模型，用同一编程任务和数据研究案例展示 GPT-5.5 的进步与边界。