可灵 AI 发布 4.0 版本，单次可生成最长 30 秒视频，支持最多 10 张关键帧图像输入，提示词理解扩展到 8,000 tokens。新版本加入双声道立体声和覆盖德语、英语、日语、韩语、西班牙语等十余种语言的改进口型同步，Omni Reference 单次最多接受 15 个参考素材。
推荐理由：可灵 4.0 的升级集中在参考素材、音频与多语言口型，同时给出与 Wan 3.0、Seedance 2.5 的对比观察。
VAST 开源 Project Eden 系列中的实时生成式渲染器 EdenLive，并同步开放 5B、14B 模型权重、实时流式推理代码、EdenGolem v0.1 与前端工作台。
推荐理由：VAST 开源实时世界模型 EdenLive，读者可了解其状态与渲染分工架构及 5B 模型在单卡上的实时表现。
大语言模型只是开始。我看好世界模型，认为它们是AI的下一个前沿。 这么早就有专门面向工程的世界模型，令人惊叹。SKY-001 在 3D 构建任务上与 GPT-6 Astra 精度相当，而每样本成本约低 150 倍。在 BIM 上，它的运行速度超过 100 倍。
Viggle 发布 JST-2，官方称其为全球首个全栈物理原生世界基础模型，整套模型栈在 3D 空间构建，可在数秒内生成 3D 场景并实时扩展。该模型附带 PINOC MCP server，向 Claude Code 发一条提示词即可生成角色、按文本驱动动画并组装场景；角色与动作共用同一骨架，因此智能体无需中途做重定向处理。
Nace 发布多模态决策模型 Drex Max，支持文本、图像和视频输入，单次决策耗时 34 ms，262K token 下低于 1 秒，输入价格为 $0.06/1M tokens。该模型可直接从截图、录屏、扫描文档、科学图表和照片中做决策，适合 computer-use 与 browser-use 智能体。Nace 称其在 Mind2Web 上达到 88.3%，超过 Jev 1.14，Decision Index 得分为 67.6（Jev 1.14 为 60.70）。
Meta 发布开源权重模型 Muse Spark Open，称其为目前美国最强的开源权重模型。该模型面向编码与智能体任务，主打长程任务、复杂软件工程和多步推理，规格为 816B 总参数、42B 激活参数、1M token 上下文窗口，原生支持文本、图像、视频和音频多模态。
推荐理由：Meta 公布开源权重模型的具体参数与多模态规格，可据此判断其长程编码与智能体任务的定位。
NVIDIA 发布 Nemotron 3.5 Super VL，扩充其 Nemotron 开源模型系列，将视觉理解、推理与工具调用结合，用于帮助 AI 智能体在更短时间内完成更多工作。该模型支持文本、图像、文档和视频理解，总参数 120B、激活参数 12B。NVIDIA 表示开源模型让用户能按自己的方式定制、部署和构建。
推荐理由：官方给出新开源多模态模型的总参数与激活参数，读者可据此判断其本地部署与定制空间。
NVIDIA 发布 Nemotron 3.5 Super VL，这是 120B 参数的开源多模态模型，主打智能体任务的速度与准确率，官方称吞吐量最高可达同类模型的 5 倍。
推荐理由：NVIDIA 一次放出 120B 多模态与两款端侧模型，读者可据此判断本地智能体部署的选型空间。
本周值得关注的新模型包括 RoboJEPA、Long-WAM、VioLA、UNITAS、DreamTrue 等机器人世界与动作模型，以及 Kandinsky 6.0 Video 和 MiMo-V2.6。
Google DeepMind 发布 Gemini 4 Argon，通过 Gemini API、AI Studio、Antigravity 及 Gemini 应用向开发者、企业和订阅用户开放，定价为每百万输入 token 2 美元、输出 token 10 美元。
推荐理由：官方披露了 Argon 在编码、科研与安全对齐上的具体案例和基准表现，可据此判断前沿模型在长程任务中的实际边界。
Google DeepMind 发布 EmbeddingGemma 2，这是基于 Gemma 4 架构、采用 Apache 2.0 许可的 740M 参数嵌入模型，可将文本、代码、图像、音频和视频映射到统一嵌入空间。
推荐理由：原文给出参数量、内存占用和基准提升，可据此判断端侧多模态检索的落地条件。
Google DeepMind 发布 EmbeddingGemma 2，这是其首个原生多模态开放模型，面向端侧嵌入场景。该模型从文本扩展到代码、图像、音频和视频，并将这些模态统一到同一嵌入空间。
阿里千问发布新一代实时同声传译模型 Qwen3.8-LiveTranslate，基于 Interleave 架构，在 60 种语言上把平均延迟（LAAL）从 2.8s 降至 2.3s，并提升忠实度、流畅度和简洁度。新能力包括实时说话人分离与更稳定的声音克隆、原文与译文同步双语显示，以及利用对话历史消歧人名和术语的长上下文能力。模型已在 QwenCloud 上线，博客同步发布。
推荐理由：官方给出延迟从 2.8s 降到 2.3s 和三项新能力，可据此判断实时同传的可用边界。
阿里 Qwen 团队发布 Qwen3.8-Omni-Flash，称其为 Qwen 首个围绕智能体能力构建的全模态模型，将原生音视频理解、推理与工具调用整合在一个模型中。
推荐理由：官方给出音视频智能体能力、基准提升与视频输入成本降幅，可据此判断长音视频场景的落地成本。
Google 发布两款 Gemini 音频模型 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking。Gemini 3.8 Live 侧重规模、速度和成本效率，支持句中打断、在 97 种语言间即时切换并理解视觉上下文；3.8 Live Extended Thinking 则边推理边说话，可处理规划活动等多步骤任务。
推荐理由：两款音频模型分别面向低延迟对话与复杂任务推理，读者可据此判断语音交互的适用边界。
DeepSeek 发布 DeepSeek-V4.1-Flash，称其为新架构家族中参数规模最小的模型，并原生支持视觉理解。官方表示该模型面向更强能力、更快推理和更高吞吐设计，并可扩展至更大模型。
推荐理由：DeepSeek 新架构家族的最小模型，原生支持视觉理解，并强调推理速度与吞吐。
DeepSeek 在 API 平台上线实验性多模态模型 DeepSeek-V4-Flash-Vision-Exp，调用时使用 model='deepseek-v4-flash-vision-exp'。
推荐理由：官方给出新模型与 V4-Flash 的文本能力对照，以及多模态智能体基准上的提升幅度，便于判断是否值得接入。
Meta 公布 Muse Spark 1.2 的新评测与演示，展示该模型在视觉理解与推理上的覆盖范围。Muse Spark 1.2 支持从视觉内容生成可运行代码、把感知转化为物理动作，并具备音视频理解能力，以支持企业场景中视频密集的工作流。演示中，模型解析多模态观测并调用工具，引导机器人在非结构化环境中导航寻找橡皮鸭。
Thinking Machines 发布 Inkling-Small，官方称其在四分之一体量下达到与 Inkling 相当的性能。该模型总参数 276B、激活参数 12B，完整权重已开放，可在 Tinker 上微调，并在 Tinker Playground 中体验文本、图像和音频交互。Mira Murati 转发了这一发布消息。
推荐理由：Inkling-Small 以四分之一体量达到与 Inkling 相当的性能，并开放完整权重，读者可据此判断小模型的部署与微调空间。
Thinking Machines 发布首个模型 Inkling，从零训练，权重开放，即日起可在 Tinker 上微调。据其介绍，Inkling 能跨文本、图像和音频模态进行高效推理，完整权重已公开，并可在 Inkling Playground 中试用。
推荐理由：Thinking Machines 首款模型从零训练并开放权重，读者可据此了解其多模态推理定位与微调入口。
Mira Murati 表示团队正在分享其在交互模型上的工作，这是一类从零训练、原生处理实时交互的新模型，而非在回合制模型上外挂交互能力。推文附有一段视频链接。