#多模态

VAST开源实时世界模型EdenLive，单张RTX 5090上720P超24FPS

VAST发布并开源实时世界模型EdenLive，在单张消费级显卡RTX 5090、720P条件下，5B模型生成速度超过24FPS，可分钟级连续生成，端到端延迟为百毫秒级。

DeepSeek V4.1 Flash 1017 更新，同一提示词对比新旧版本生成效果

DeepSeek 更新 V4.1 Flash 1017，作者用同一段提示词让新旧版本分别生成日式雨夜便利店场景。旧版能搭出便利店但周围基本一片黑，新版补上了街角环境、雨幕、路面积水反光和店内暖光，旋转镜头时空间层次与氛围感差异明显。作者称旧版耗时 2 小时，新版耗时半小时且尚未彻底迭代完成。

DeepSeek V4.1 Flash 与 Claude Opus 5.5 的 3D 建模对比：浮岛细节与光照测试

在 Higgsfield 上对 DeepSeek V4.1 Flash 与 Claude Opus 5.5 进行了 3D 建模对比测试，聚焦浮岛细节与光照表现。测试由 Higgsfield 平台完成，未披露具体评分或结果数据。

Elorian 发布多模态模型 Glimpse，主打视觉理解与视频推理

Elorian 发布新 AI 模型 Glimpse，主打真正理解所见内容，覆盖复杂计数、视觉谜题和视频推理等任务。该模型由参与 Gemini 与 Apple MM-1 的研究人员打造，作者称其方向为 Visual Thinking。

谷歌发布 Gemini 4 Argon，API 限时半价

谷歌正式面向全球开发者、企业及付费订阅用户陆续开放 Gemini 4 Argon，重点加强编程、专业知识工作和复杂任务持续执行能力。首发 API 价格为每百万输入 token 2 美元、输出 10 美元，优惠截至 11 月 30 日，12 月 1 日起恢复至 4 美元和 20 美元。

Elorian 发布首个模型 Glimpse，面向视觉思考

Elorian 发布首个模型 Glimpse，主打 Visual Thinking，可对图片和视频提问并推理所看到的内容。作者关注的是它对视频片段的追问能力，比如画面里发生了什么变化、为什么发生、机器人在每一步做什么。他认为如果这类能力足够可靠，机器人遥操作数据标注会彻底改变，因为大量遥操作视频因逐步手工切分标注太慢太贵而闲置，模型自己看片段写标签就能把这些积压素材变成训练数据。

可灵 Kling 4.0 全面开放，主打更精细运动与专业级视听输出

可灵 Kling 4.0 已在官方平台全面开放，官方称其带来更精细的运动、更精准的创作控制和专业级视听输出。可灵 AI 在 Advertising Week New York 2026 与 WPP、Adobe 同台，讨论 AI 视频如何从创意实验走向真实生产，并称下一阶段不只是生成质量，而是把模型、工具和工作流连接起来，让创意在一致性和可控性下规模化。

同一新闻，精选展示《可灵 Kling 4.0 全面开放，新增 MCP 与 CLI 接入》

Elorian 发布首个模型 Glimpse，主打用图像推理而非描述图像

Elorian 发布首个模型 Glimpse，以研究预览形式上线，提供 API 访问，聊天界面仅限候补名单。Glimpse 在推理过程中可裁剪图像区域、抽取视频帧或运行代码来测量和比较所见内容，Elorian 称之为 visual scratch space。

可灵 Kling 4.0 全量上线，主打专业视频创作

可灵 AI 的 Kling 4.0 于 10 月 15 日晚正式全量上线，面向专业用户强化大幅动态与复杂运镜，全能参考扩充至最多 15 项素材、关键帧最多 10 张图片，单次原生生成延长到 30 秒。

同一新闻，精选展示《可灵 Kling 4.0 全面开放，新增 MCP 与 CLI 接入》

Meta 发布开放权重模型 Muse Spark Open，8160 亿参数可在两台 Mac Studio 本地运行

Meta 发布开放权重模型 Muse Spark Open，总参数量 8160 亿，每次推理激活 420 亿参数，支持 100 万 Token 上下文窗口，原生支持多模态，主攻编程和 Agent 任务。

同一新闻，精选展示《Meta 开源 Muse Spark Open：816B 多模态 MoE 模型》

Meta 开源 816B 模型 Muse Spark Open，两台 Mac Studio 即可运行

Meta 正式开源 Muse Spark Open，官方定位为美国迄今最强大的开源权重模型，总参数 816B、激活参数 42B，采用 MoE 架构，支持 100 万 Token 上下文和文本、图像、视频、音频原生多模态，专为编码与复杂推理设计。

同一新闻，精选展示《Meta 开源 Muse Spark Open：816B 多模态 MoE 模型》

可灵4.0正式上线，支持30秒一镜到底与多帧参考

可灵AI凌晨正式上线视频模型Kling 4.0，支持最长30秒直出，此前9月底已向部分黑金年卡及Ultra年度订阅用户开放4.0 Flash尝鲜。作者实测了城市追逐、马戏团、电梯打斗、花样滑冰等场景，认为其在物理规律理解、复杂动作衔接和镜头调度上有提升，并观察到人物压扁纸箱的形变细节。

Meta 发布 Muse Spark Open 开源权重模型，816B 参数对标 Qwen、GLM 和 Kimi

Meta 发布开源权重模型 Muse Spark Open，称其为美国最强开源权重模型，面向编码和智能体任务，拥有 8160 亿参数（420 亿激活）、最高 100 万 token 上下文，支持文本、图像、视频和音频。

同一新闻，精选展示《Meta 开源 Muse Spark Open：816B 多模态 MoE 模型》

Meta 发布开放权重模型 Muse Spark Open，8160 亿参数可免费商用

Meta 10 月 15 日发布开放权重模型 Muse Spark Open，权重可在 Hugging Face、亚马逊 SageMaker、Google Cloud Model Garden 和微软 Foundry 下载，按 Muse Model License 免费使用并允许商用。

同一新闻，精选展示《Meta 开源 Muse Spark Open：816B 多模态 MoE 模型》

Meta 发布开源模型 Muse Spark Open，816B 参数可在两台 M5 Ultra Mac Studio 本地运行

Meta 发布开源模型 Muse Spark Open，称其为迄今为止美国最强大的开源模型。该模型总参数 816B、活跃参数 42B，支持 1T 上下文窗口，原生支持文本、图像、视频、音频全模态输入，基于苹果 MLX 框架深度优化，可在两台 M5 Ultra Mac Studio 上本地运行。博主称其在长时任务、复杂软件工程和多步骤推理上表现出色，测评基准分数与 K3、GLM-5.3 差不多。

同一新闻，精选展示《Meta 开源 Muse Spark Open：816B 多模态 MoE 模型》

Kling 4.0 发布：单次生成最长 30 秒，支持 10 个关键帧与 15 个参考

Kling 4.0 发布，单次生成最长 30 秒，支持最多 10 个关键帧输入、最多 15 个参考，并内置动态运动和多语言对白。视频演示了用起始帧、多个中间帧和结束帧控制画面，再配合脚本让 Claude 生成 Kling 4.0 提示词后上传生成。作者称这能减少剪辑拼接，面向影视、广告和创作者。

Nvidia 发布 Nemotron 3.5 Super VL 开源多模态模型，面向企业智能体

Nvidia 发布 Nemotron 3.5 Super VL，一个 1200 亿参数的开源多模态模型，面向持续在后台运行的企业智能体，处理文本、图像、文档和视频。

NVIDIA 发布 Nemotron 3.5 Super VL 与两款 Bolt 端侧模型

NVIDIA 发布开源 1200 亿参数模型 Nemotron 3.5 Super VL，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，精度接近 NVIDIA 最大推理模型而参数量约为其五分之一。

可灵 Kling 4.0 全面开放，官方发布 KING CARD 样片

可灵 Kling 4.0 现已全面开放使用。官方同步发布了一支由 Kling 4.0 生成的短片 KING CARD，以魔法世界和卡牌故事为主题。

同一新闻，精选展示《可灵 Kling 4.0 全面开放，新增 MCP 与 CLI 接入》

Apertus 1.5 发布：8B 和 70B 模型新增图像音频理解与思考模式

Apertus 1.5 在 8B 和 70B 两个规模上扩展了 Apertus 1.0，新增图像和音频理解、可选思考模式、4 倍长的上下文窗口、更好的指令遵循和工具调用能力，权重于 2026 年 7 月 24 日以 Apache 2.0 协议发布在 Hugging Face。

JEV 1.14.0 更新：支持多模态，上下文提升至 262K

JEV 发布 1.14.0 大版本，正式支持多模态，官方称该模型原本就是多模态，只是首个版本未加入支持。新增 box 类型，模型可返回目标在图像中的位置；每次请求和每个回答的上下文均提升至 262K，多语言能力也明显改善。

Higgsfield 对比 Gemini 4 Argon 与 Claude Opus 5.5 的水墨风动画生成

Higgsfield 发布一段电影级动画对比，用同一段水墨风格奇幻序列测试 Gemini 4 Argon 与 Claude Opus 5.5 的角色动作和镜头调度表现。对比片段在 Higgsfield 上生成，官方附上了视频链接。

Gemini 4 Argon 与 Claude Opus 5.5 在 Higgsfield 上模拟软糖蠕虫弹性与碰撞

Gemini 4 Argon 与 Claude Opus 5.5 在 Higgsfield 上以软糖蠕虫为对象进行物理测试，模拟弹性与碰撞。该测试展示了两个模型在物理仿真任务上的表现对比。

Meta 开源 Muse Spark Open：816B 多模态 MoE 模型

Meta 发布开源权重模型 Muse Spark Open，采用 MoE 架构，总参数约 816B、每 token 激活约 42B，上下文窗口最高 100 万 token，支持文本、图像、音频和视频输入，输出文本。

Gemini 4 Argon 与 Claude Opus 5.5 交互式 3D 模拟对比：基于 Higgsfield 的粒子运动与动态光照测试

一项基于 Higgsfield 的交互式 3D 模拟对比测试，比较了 Gemini 4 Argon 与 Claude Opus 5.5 在粒子运动和动态光照方面的表现。测试以粒子运动与动态光照为核心项目，用于对比两款模型生成交互式 3D 模拟的效果。

Gemini 4 Argon 与 Claude Opus 5.5 在软体物理中的对比：基于 Higgsfield 的材质弹性模拟与形变测试

Gemini 4 Argon 与 Claude Opus 5.5 在 Higgsfield 上进行了软体物理对比，测试内容为材质弹性模拟与形变。该测试由 Higgsfield 制作，用于比较两个模型在软体物理任务中的表现。

谷歌正式上线 Gemini 4 Argon，输出上限拉到 100 万 Token

谷歌正式上线新旗舰 Gemini 4 Argon，在 100 万 Token 原生多模态输入基础上把单次最大输出上限从前代 6.4 万提升约 16 倍至 100 万 Token，输入输出共享同一上下文池。

谷歌发布 Gemini 4 Argon，主打物理推理与具身智能

谷歌发布通用物理推理模型 Gemini 4 Argon，官方称其打通机器人技术栈中的物理理解、代码生成与视觉语义推理，在具身推理基准 ERQA 上以纯推理拿下 87%。

实测 Gemini 4 Argon：跑分专业办公第一，但使用体验糟糕

作者自费升级 100 美元 Ultra 会员实测 Gemini 4 Argon，认为它难以冲击 Claude Opus 5.5 和 GPT-6 Astra 的地位。

谷歌 Gemini 4 Argon 全球上线，Pro 与 Ultra 用户可体验

谷歌发布新一代旗舰模型 Gemini 4 Argon，Pro 用户可在 Gemini 应用和搜索 AI 模式中体验，开发者可通过付费 API 在 AI Studio、Android Studio 调用，Ultra 用户还可在 AI Studio 和 Antigravity 中使用。

Gemini 4 Argon 发布：12 个演示展示 Canvas 生成 3D 世界与游戏

Google 发布 Gemini 4 Argon，作者获得早期权限在 Gemini 应用中实测了 12 个演示，并给出每个演示的完整提示词。最大变化在 Canvas 能力，一句提示词即可生成完整 3D 世界、真实物理效果和可在应用内直接运行的可玩游戏，还能把杂乱文件整理成完整演示文稿，新 Tasks 功能可在用户离开时继续处理任务。

面壁开源 MiniCPM-V 4.7：35B MoE 模型断网在 iPhone 上跑，仅占 3G 内存

面壁智能和 OpenBMB 开源 MiniCPM-V 4.7，包含 35B-A3B 和 1B 两个版本，其中 35B-A3B 是 MiniCPM-V 系列首个 MoE 模型，约 3G 内存即可在 iOS、安卓设备上运行。

Gemini 4 Argon 全球上线，成为 Google 最强前沿模型

Google 全球上线 Gemini 4 Argon，开发者可通过 AI Studio 和 Gemini 平台的 API 使用，AI Ultra 订阅者可在 Google Antigravity 中使用，Ultra 和 Pro 订阅者可通过 Gemini 应用和 Google Search 的 AI 模式访问。

Google 发布 Gemini 4 Argon 机器人模型

Google 发布面向机器人的 Gemini 4 Argon，官方称其在测试 3D 物理空间理解的 Embodied Reasoning（ERQA）基准上用纯推理取得 87%，超过其他前沿模型。

Matt Wolfe 实测 Gemini 4 Argon 并对比 Claude 与 ChatGPT

Matt Wolfe 上手测试了 Google 的 Gemini 4 Argon，覆盖编码游戏、3D 打印 Gary Busey、日程安排与研究任务等场景。他记录了哪些表现令人印象深刻、哪些环节卡住，并对比了 Google 与 Claude、ChatGPT 的差距，视频还涉及基准测试、百万 token 输出、Antigravity 与 Gemini App 更新以及定价和访问权限。

Gemini 4 Argon 正式上线 AI Studio 与 Vertex

Gemini 4 Argon 正式上线，已在 AI Studio、Vertex 可用。社区开发者晒出多项实测案例，包括用纯 SVG 矢量代码临摹初音未来（1500 多个独立矢量元素逐步叠加）、体素构建中国古典建筑群并支持昼夜切换、纯 CSS 绘制徕卡 M 系列相机正面，以及与 3.8 Flash 对比的琉璃机械孔雀。

Gemini 4 Argon 零素材搭建 Apple 电脑互动博物馆

有人让 Gemini 4 Argon 做一个 Apple 电脑互动博物馆，全程没有提供任何图片或数据。它自行抓取 Mac 档案照片、写工具清洗图片、拉取 50 年规格数据，并搭出 3D Cover Flow 界面，UI 会随所处年代变形。

实测 Gemini 4 Argon：一周内用它做了游戏、合成器和视频剪辑

Theoretically Media 提前一周把 Gemini 4 Argon 当作日常主力模型使用，并展示了多个实际产出。Gemini 4 Argon 已上线 AI Ultra 和每月 20 美元的 Pro 套餐，具备 1M 统一 token 上限和 Antigravity 中的 continuation protocol。

博主用 Gemini 4 Argon 早期权限生成 AI 电力瓶颈交互幻灯片

博主 Justine Moore 获得 Gemini 4 Argon 早期访问权限，让它围绕 AI 电力瓶颈生成幻灯片。该模型整合了 8 年的 10-K 文件、覆盖美国全部 6 家电网运营商的 FERC 排队数据、17 吉瓦集群建设信息以及近十年的 GPU 散热规格，最终输出一份交互式幻灯片。

Google 发布 Gemini 4 Argon，1M 输出 token 并演示人形机器人投沙包

Google 发布 Gemini 4 Argon，支持 1M 输出 token，可一次完成 100K+ token 推理轨迹、整仓库代码生成与重构。官方称其在 CWE-Bench 漏洞修复上以 68% 并列第一，是抗间接提示词注入最强的模型，并已在 Google AI Pro 和 Ultra 订阅中上线。