多模态

使用LFM2.5加速视觉语言模型-VL-DS park

Meta为其Muse AI代理提供视频化身、电子邮件地址和Mac控制

在Meta Connect 2026上，Meta扩展了其人工智能代理Muse，并推出了几款新设备。Meta为其Muse AI代理提供视频化身、电子邮件地址和Mac控制这篇文章首先出现在The Decoder上。

GPT-6之后，具身智能走向何方？诺因发布GLOW技术报告，给出机器人“一教就会”的答案

人类演示一次，机器人即可实现跨场景任务复用

海信新一代性能旗舰E7S Pro+正式发布，原生真彩再进阶

9月23日，2026海信电视秋季新品发布会上，定位“原生真彩，性能旗舰”的RGB-Mini LED新品E7S Pro+正式发布

Meta的人工智能代理Muse迎来了一切新事物

首席执行官马克·扎克伯格（Mark Zuckerberg）周三在门洛帕克（Menlo Park）拉开了公司年度Connect活动的序幕，他的主题演讲明确了一件事：Meta正在全力支持Muse。它甚至出现在Meta的人工智能眼镜上。

Meta Connect 2026：7大公告

Meta在周三的年度Meta Connect展示会上宣布了一系列新的可穿戴设备。此次活动的明星是新款Meta VR Glasses，它将虚拟现实技术融入到带有系绳冰球的轻型智能眼镜式框架中。Meta还宣布了新款无屏幕智能眼镜，以及一些新的人工智能[.]

Meta VR眼镜、雷朋Meta音频、雷朋Meta Gen 3：规格、功能、价格

在其Meta Connect活动上，首席执行官马克·扎克伯格宣布了一系列新的智能眼镜，包括一款瘦身的VR耳机和该公司首款无摄像头眼镜。

Meta的下一个VR设备不是耳机-它是眼镜

Meta正在推出新的VR硬件：一副眼镜。新的Meta VR眼镜像典型的眼镜一样戴在耳朵上，而不是绑在头上，但它们仍然具有沉浸式显示屏，用于观看电影、玩游戏和完成工作。想象一下一副厚重的黑色太阳镜，上面有[.]

推出 NV-Reason-CT Open 3D CT VLM，实现放射科医生式思维链推理

📌 One-Sentence Summary NVIDIA 推出 NV-Reason-CT，一款开放的 3D CT 视觉语言模型，将放射科医生风格的思维链推理、结构化报告生成和多轮对话引入体积 CT 分析，在 CT-RATE 基准测试上取得最先进的结果。 📝 Summary NV-Reason-CT 是一款专为 3D CT 分析打造的开源研究基础模型，填补了

Google发布Gemini 3.8 Flash TTS和Flash-Lite TTS，采用基于语音的语音设计

谷歌发布了Gemini 3.8 Flash TTC和Flash Lite TTC，这是两种新的文本到语音模型，现已通过Gemini API和Google AI Studio提供。Flash TTC根据100多种语言的自然语言提示设计新声音。它在Hume AI的语音设计基准中排名第一，评分为71.4。Flash Lite TTC以较低的成本瞄准大容量配音和语音

基于AWS构建的详尽对话视频智能

了解如何使用代理架构在AWS上构建对话视频智能解决方案。单个Strands Agents SDK代理在运行时协调Amazon Bedrock、Amazon Rekognition和Amazon Transcribe，决定调用哪个服务，以便您可以询问有关视频的自然语言问题并在几秒钟内获得答案。

谷歌的新Flash TTC模型让您使用文本描述从头开始设计人工智能语音

谷歌正在推出两种新的文本转语音模型：Gemini 3.8 Flash TTC和Flash Lite TTC，支持100多种语言。Flash TTC可以从文本描述中创建新的声音，这两种模型都允许用户将舞台指示添加到单独的台词中，并从单个脚本生成双语音对话。语音克隆功能可以根据30秒的样本构建语音配置文件。谷歌新的Flash TTC模型让您可以使用文本描述从头开

YouTube向Creator Studio添加了人工智能工具，包括脚本指导、智能缩略图和Gemini编辑

YouTube正在为其创作者工作室添加人工智能工具。一名讲故事的助理分析剧本和粗剪辑，Gemini成为Shorts的聊天编辑助理，一个新的实时翻译功能将英语流转换为西班牙语。YouTube文章将人工智能工具添加到Creator Studio，包括脚本指导、智能缩略图和Gemini编辑，首次出现在The Decoder上。

Gemini 3.8 文本转语音模型你好

📌 One-Sentence Summary Google 推出了 Gemini 3.8 Flash TTS 和 Flash-Lite TTS，这两款先进的文本转语音模型提供了生成式语音设计、逐行性能控制以及多语言支持。 📝 Summary Google 宣布了 Gemini 家族中的两个新文本转语音模型：Gemini 3.8 Flash TTS 和 Gem

YouTube在其Studio应用程序中为创作者发布新的人工智能功能

YouTube正在添加新功能来生成想法并监控缩略图的性能。

短视频中的模态错配与原创性归属：Meta 如何用多智能体系统治理上亿视频 — Aditya Gautam

📌 One-Sentence Summary Aditya Gautam 讲解 Meta 如何在超过 1 亿条短视频中检测模态错配与搬运内容：由审查、感知、检索三个智能体分工协作，配合专用小型 VLM 的完整训练链、覆盖全管线的整体评估，以及时空压缩、缓存与元数据剪枝等优化手段实现规模化治理。 📝 Summary Aditya Gautam 介绍了 Meta

影像场景行业正在换赛道：定义影像设备的权利，正在交给千行百业的真实场景

过去一年，影像行业最值得琢磨的变化，是越来越多厂商开始用“场景”重新定义自己。 9月22日，深圳。乐其创新SmallRig联合36氪主办的第三届全球影像场景产业大会（2026）在深铁铂尔曼酒店举行，索尼、尼康、影石、荣耀、vivo、适马、蓝箭航天、极壳、朗翰科技等众多产业链上的品牌到场，主题是“连接·共生·新边界”。 与往届相比，今年现场被反复提起的，不是画

阿里巴巴推出Qwen音频3.1新型号，AI音频价格大幅下调95%

阿里巴巴人工智能团队Qwen发布了Qwen-Audio-3.1，这是语音识别（ASB）、文本转语音（TTC）和实时交互五种型号的阵容。ASB模型改进了多语言和方言识别，并自动清理填充词和重复内容。ASR-Next添加了具有时间戳的多扬声器识别，并检测情感、环境声音和机器噪音。TTC处理多语言合成[.]阿里巴巴推出了Qwen Audio 3.1以及新型号，并将

Qwen-Audio-3.1 发布！

📌 One-Sentence Summary Qwen-Audio-3.1 是一个完整的音频堆栈，包括五个模型，用于理解、生成、交互和创造，价格大幅下降。 📝 Summary Qwen-Audio-3.1 是 Qwen-Audio 系列的重大升级，包括五个模型，分别是 ASR、TTS、Realtime、TTS-Next 和 ASR-Next，每个模型都有自己

斑马智能发布端模型AutoOmni2.0，让元神AI更懂“我的世界”

9月23日云栖大会期间，斑马智能发布新一代全模态端侧大模型AutoOmni 2.0-23B-A3B

实时世界模型进入“全科生”阶段，PixVerse R2先交卷！

实时性和通用能力，世界模型可以全都要

OpenAI 发布 GPT-6 Sol 和 Luna；传字节跳动豆包收缩对话团队；千问发布AI 手机全栈解决方案| 极客早知道 - geekpark.net

乐享以太大模型，让中国具身智能坐上定义席

从“预测”到“求解”：乐享以太大模型重塑 Physical AI 解题范式。 作者丨 幸丽娟 编辑丨 董子博 具身智能行业一直在等一个 ChatGPT 时刻。 但这个时刻，未必长得像 ChatGPT 。 决定这个时刻的，不是机器人会聊天，也不是机器人学会了几个动作，而是在不确定环境里，机器人能不能自主思考、判断和执行，在无序的事件中，持续完成任务。 过去两年

Opus 5.5 生成的金门大桥 3D 场景

📌 One-Sentence Summary Peter Yang 分享了一段由 Opus 5.5 生成的金门大桥 3D 场景，并将其与 Astra 进行对比。 📝 Summary Peter Yang 分享了一段由 Opus 5.5 生成的金门大桥 3D 场景，强调其与 Astra 的相似度，并介绍了该场景的创作背景。 📊 Article Meta AI