Suno发布了新的创作工具，旨在将创意控制权完全交还给艺术家。新功能包括支持上传最长8分钟的音频、具备行业首创编辑工具（如歌词替换、段落修改和重混）的升级版歌曲编辑器，以及可调节创作风格的“创意滑块”。创作完成后，用户可利用前沿技术将轨道分离为12条独立音轨（如人声、鼓、贝斯）进行预览和下载，便于在数字音频工作站（DAW）中进行后续编辑。
关联讨论 2 条Suno：Blog（网页）X：Suno (@suno)小米开源多模态大模型Xiaomi MiMo-VL，该模型定位为Agent时代的推理基座，旨在为智能体时代提供基础推理能力。
Gemma 3n 预览版发布，专为移动设备优化的开源多模态模型。采用 2-in-1 架构，支持音频理解，适用于实时交互和音频中心应用开发。
关联讨论 1 条Google DeepMind：Blog（RSS）Runway 开放 Gen-4 Image API，集成 References 功能，定价 $0.08/张。支持虚拟试衣、游戏资产生成、室内设计等场景，开发者可通过 bounding boxes 精确控制构图，将多模态生成能力接入自有应用。
OpenRouter 平台现已支持对所有模型进行 PDF 文件处理。此前仅部分模型支持该功能，此次更新实现了全覆盖，用户使用任意模型时均可直接上传并处理 PDF 文档。
OpenRouter现已为平台上的所有模型提供PDF文件处理支持。这项通用功能意味着用户在使用任何模型时，都能直接上传和分析PDF文档。此举消除了以往特定模型才能处理PDF的限制，显著扩展了工具的应用场景，便于用户进行文档总结、信息提取或内容问答等一系列任务。
MiniMax 发布 MCP Server，集成文本转语音、语音克隆、文生图、文生视频等多模态能力。支持 Claude Desktop、Cursor、Windsurf 等主流 MCP 客户端，通过统一工作流实现文本到音视频的一站式生成，面向创作者和开发者免费开放。
Runway与制片公司Fabula达成合作，将其AI电影工具接入后者全球制作管线。Fabula曾出品《A FANTASTIC WOMAN》等获奖影片，此次合作覆盖从概念构思到VFX的全流程。Sundance获奖导演Cutter Hodierne已在新片《THE SHEPHERD》中使用该工具制作高保真预可视化，实现在剧本阶段即可探索视觉风格，突破传统拍摄后才确立视觉语言的模式。Fabula称这帮助团队快速产出高质量提案物料，Runway则借此进一步支持全球电影人创作。
PLAID 是一种多模态生成模型，通过学习蛋白质折叠模型的潜在空间，同时生成蛋白质的1D序列与3D全原子结构。该方法仅需序列数据训练（可利用比结构数据库大2-4个数量级的数据），支持基于功能与生物体的组合式提示控制。相比传统仅预测骨架的模型，PLAID 解决了离散序列与连续结构坐标的多模态协同生成难题，为可控蛋白质设计提供了新范式。
Runway 完成 3 亿美元 D 轮融资，General Atlantic 领投，NVIDIA、软银等参投。资金将扩展 Runway Studios AI 影视工作室，并推进 Gen-4 模型研发。Gen-4 支持跨场景一致角色与场景生成，旨在构建基于世界模拟器的新媒体生态。
Mistral AI 推出 Mistral OCR，一款专注于文档理解的光学字符识别 API。该模型支持图像和 PDF 输入，能高精度提取并理解文本、表格、公式及内联图像，输出有序的文本与图像内容。其在内部基准测试中总分 94.89，超越了 GPT-4o-2024-11-20（89.77）与 Gemini-2.0-Flash-001（88.69）。API 命名为 mistral-ocr-latest，定价为 1000 页每美元，批量推理时处理能力翻倍。该 API 已在 la Plateforme 上线，支持部分组织自托管。模型原生支持多语言，单节点处理速度可达每分钟 2000 页。
Mistral AI 推出全新 le Chat AI 助手，基于其高性能模型提供快速响应（最高约 1000 词/秒）。该助手提供 Pro（$14.99/月起）和 Team 版本，并开启企业版私有预览，支持 SaaS、本地及 VPC 部署。功能包括图像生成、代码执行分析及高质量文档处理，并即将推出数据连接器和多步骤智能体。
OpenRouter 新增对 OpenAI 4o 和 Fireworks 模型的结构化输出支持，同时免费提供 Gemini Flash 2.0 模型。
Mistral AI 基于 Mistral Large 2 发布了开源多模态模型 Pixtral Large。该模型包含 123B 多模态解码器和 1B 视觉编码器，支持 128K 上下文窗口。性能方面，它在 MathVista、DocVQA、ChartQA 和 MM-MT-Bench 等基准测试中超越 GPT-4o 与 Gemini-1.5 Pro，并在 LMSYS Vision Leaderboard 上成为得分最高的开源模型。需要注意的是，该模型已停止维护，并被更新的视觉模型所取代。
Mistral AI 对其免费 AI 工作助手 le Chat 进行了重大更新（Beta）。新增功能包括：支持带引用的网络搜索；用于协作创作的 Canvas 界面；由新多模态模型 Pixtral Large 驱动的文档与图像理解功能；由 Black Forest Labs Flux Pro 支持的图像生成能力；以及更快的响应速度（由推测编辑技术驱动）。此次更新也展示了 le Chat 在提供前沿模型访问、网络搜索、Canvas 等多项核心功能方面的免费优势。所有新功能将陆续向用户开放。
xAI 启动 Grok API 公测，发布新模型 grok-beta，支持 128k 上下文、函数调用及系统提示，视觉版本下周上线。开发者每月可获 $25 免费额度至年底，已购预付额度可叠加。API 兼容 OpenAI 与 Anthropic 格式，修改 base_url 即可迁移。
Suno 推出全新歌曲创作模式 Suno Scenes，支持通过手机相机拍摄的照片或视频直接生成定制歌曲。用户拍摄风景、自拍或日常视频后，Sunto Scenes 会将其转化为独特的音乐作品。该功能首先面向 iOS 移动端用户开放，在应用内相机创作模式中即可使用，方便用户随时将视觉内容转化为可分享的音乐。
Mistral AI 发布了多模态模型 Pixtral 12B，该模型现已弃用，已被更新更强的版本取代。其基于 Mistral Nemo 构建，包含一个从头训练的 400M 参数视觉编码器，总参数为 12B。模型原生支持可变图像尺寸与宽高比，并能在 128K token 的上下文窗口中处理多张图像。在 MMMU 推理基准测试中，Pixtral 12B 达到 52.5% 的分数，超越了众多更大规模的模型。它在保持强大文本能力（如指令跟随，相对前代开源模型有 20% 提升）的同时，在多模态任务上表现出色。该模型采用 Apache 2.0 许可证。
Mistral AI 宣布多项更新：la Plateforme平台推出免费层，支持开发者零成本实验与原型开发，并可无缝升级至商业层；全线模型大幅降价，其中Mistral Small和Codestral的输入价格降幅达80%；发布22B参数的企业级新模型Mistral Small v24.09，定位介于Mistral NeMo 12B与Mistral Large 2之间；开源视觉模型Pixtral 12B现已可在le Chat中免费使用。
Suno 正式推出其首款移动应用，让用户能随时随地创作和分享音乐。应用首版（v1）目前仅在美国地区面向 iOS 平台发布，未来将拓展至 Android 及全球市场。其核心功能包括：基于文本（歌词和描述）生成歌曲、使用手机录音并转化为歌曲、以及收听和策划其他创作者的音乐。截至目前，已有 1200 万人使用 Suno 进行自我表达、连接、教学和娱乐。
Chatbot Arena 新增图像对战功能并发布多模态排行榜。基于两周内17,429份跨60余种语言的投票，GPT-4o以1226分领跑，Claude 3.5 Sonnet以1209分紧随其后，两者视觉优势较纯语言模型更明显。Gemini 1.5 Pro与GPT-4 Turbo并列第三，开源模型Llava 1.6 34B位列第八。平台同步将"Elo评分"更名为"Arena Score"，并计划扩展至PDF、视频及音频等模态支持。
OpenAI 将 GPT-4o 向所有 ChatGPT 用户免费开放，无广告。全新语音（及视频）模式响应速度接近人类，表现力极强，被 Sam Altman 称为「用过最好的计算机界面」，像电影里的 AI。未来还将支持个性化、代操作等功能。
xAI 发布 Grok-1.5 Vision 预览版，新增视觉理解能力，可处理图像、图表及文档内容，支持跨模态推理与视觉问答，现面向早期测试者开放试用。
音乐生成平台 Suno 发布了 v3 模型，这是其首个能生成广播级质量音乐的模型，支持用户在数秒内创作完整的两分钟歌曲，现已对所有用户开放。v3 在音频质量、风格多样性及提示词遵循性上进行了改进，减少了模型幻觉并提升了歌曲结尾的自然度。该模型专为原创音乐设计，不支持对其他艺术家的参考，并部署了不可听水印技术以检测 AI 生成内容。v4 模型已在开发中。
Runway 与 Musixmatch 达成合作，后者超100万艺术家社区将可使用 Gen-2 等模型制作动态歌词视频。结合 Musixmatch 歌词语义提取与 Runway 视频生成能力，让音乐视频创作更快、更独特且易于获取，帮助艺术家与全球听众建立更深连接。
Runway 获1.41亿美元融资，用于扩展多模态AI研究及团队招聘。公司此前推出Gen-1和Gen-2视频生成模型，其AI工具正被财富500强企业使用以优化创作流程。
Runway 完成 5000 万美元 Series C 轮融资，Felicis 领投，Amplify Partners、Lux Capital 等现有投资方及 Madrona 跟投，Vercel、Replit、Airtable、PyTorch 等 CEO 参与天使投资。资金将用于研发下一代创意工具、推进多模态 AI 系统，并扩招工程、研究和 GTM 团队。Runway 成立于 2018 年，其创意套件包含 30 余个 AI Magic Tools，已服务 CBS、Publicis、New Balance 等企业。
处理图像生成文本（如图像描述和视觉问答）的技术已有多年研究。传统方法通常依赖目标检测网络作为视觉编码器来捕捉视觉特征，再通过文本解码器生成文字。该内容聚焦于一种特定的技术路径，即扩展预训练的通用语言模型，使其具备处理视觉信号的能力，从而完成视觉语言任务。
OpenAI 发布 DALL•E 2 研究版本，支持通过自然语言指令生成和编辑图像。作者认为这标志着计算机界面新趋势——自然语言交互，并指出与 Copilot 不同，DALL•E 2 能独立完成完整作品，可能率先冲击创意工作而非体力劳动，预示 AI 对劳动力市场的潜在影响。团队计划今年夏天正式产品化，当前采用渐进式部署策略以评估风险。
Runway 从2019年的机器学习平台发展为新一代创意工具，依托生成式机器学习、新分发渠道和Web技术三大驱动力，已支持用户训练超5万个AI模型、上传2400万资源。平台通过AI视频编辑、绿幕工具等技术缩小好莱坞与TikTok创作者的内容差距，服务IBM、Google及RISD等院校，致力于让创意实现从想法到执行的即时转化，重新定义AI时代的创作流程。
将机器学习比作19世纪颜料管的发明。当年颜料管让户外写生成为可能，推动印象派革命；如今机器学习有望类似地释放艺术创造力，但现有工具对非技术背景艺术家门槛过高，如同当年研磨颜料的复杂工艺。作者呼吁开发更友好的机器学习工具，让艺术家无需编写底层代码即可实验，实现技术民主化。
本文作为系列教程的第二部分，重点介绍了目标检测发展中的几个经典模型。文章解析了用于图像分类的卷积神经网络，包括AlexNet、VGG和ResNet，阐述了它们如何通过深度架构推动图像分类性能的突破。同时，详细讲解了早期用于目标识别的DPM（可变形部件模型）与Overfeat模型，说明了它们在特征提取与区域提议方面的创新思路。内容梳理了从分类到检测的技术演进脉络，为理解现代目标检测方法奠定了基础。