Berryxia.AI@berryxiaNVIDIA 重磅发布！🚀 Nemotron 3 Nano Omni 多模态开源模型来了！ 🔥 30B 参数 🔥 256K 超长上下文 🔥 最高效开放多模态模型（语言+视觉+语音+视频+音频一体化） 🔥 专为 subagents / Agentic 任务设计 🔥 完全开源（权重 + 数据 + 配方），领跑多项榜单 可通过 NVIDIA NIM API 免费试用！完美驱动多代理工作流。
Meet Nemotron 3 Nano Omni 👋 Our latest addition to the Nemotron family is the highest efficiency, open multimodal model...
Berryxia.AI@berryxia3D网格生成领域出现重大突破，新方法SATO能够直接从点云生成完整的网格模型。其核心技术在于采用了基于条带的标记化方法，从而实现了极其干净、结构清晰的边缘流。该模型在生成过程中原生集成了UV分割，简化了后续纹理贴图流程。此外，SATO的一个显著优势是单个模型能同时支持生成三角网格和四边形网格，提供了更高的灵活性和应用潜力。
ginobefun@hongming731当前，遗留代码、AI工具与组织治理正加速融合。Anthropic将Claude Code作为“新员工”引入拥有70万行代码的17年老项目；Thoughtworks推动提示词成为可版本化、可审查的一等交付物；NVIDIA致力于构建统一的全模态主干模型。随着AI已具备代码生成能力，工程挑战的核心正从“生成”转向“治理”，关键在于让AI持续理解项目上下文、使其输出可复用，并推动多模态技术落地生产环境。
Anthropic于4月29日宣布升级Claude AI，新增专属连接器，全面接入Adobe、Blender等八大主流创意软件生态。此次更新将AI能力深度整合至专业工作流，用户可直接在Adobe系列软件中调用50多项工具，在Autodesk Fusion中通过对话创建修改3D工业模型，在Blender中生成脚本与调试场景。此外，音频软件Ableton和Splice用户也能快速查询文档与检索采样库。Claude旨在充当智能助手，自动化处理重复任务，让创作者更专注于核心创意。
小互@xiaohuAdobe 将 Photoshop、Lightroom、Illustrator 等八款核心创意工具集成至 Claude。用户现可通过 AI 助手直接调用这些工具，执行调色、抠图、扩图等图像处理，套用模板设计、剪辑视频、获取 Stock 授权素材，以及搜索、总结和整理创意文件。此举旨在简化创意工作流程。
Rohan Paul@rohanpaul_ai
Suno@suno
OpenRouter@OpenRouterNVIDIA 发布了 Nemotron 3 Nano Omni 模型，这是一个专为处理长上下文多模态任务设计的轻量级模型。该模型能够同时理解并处理文档、音频和视频数据，旨在赋能新一代多模态智能体。其核心变化在于将长上下文能力与多模态理解结合到一个小型化模型中，提升了在复杂跨模态场景下的处理效率与应用灵活性。
Sundar Pichai@sundarpichai谷歌翻译迎来二十周年，已从最初的简单模式匹配发展为每月服务超10亿用户的全球工具。其技术历经三个阶段：2006年依靠统计机器学习分析词簇，2016年转向神经网络实现超越字面的翻译，如今借助Gemini模型进一步提升能力。当前发展重点正从文本翻译转向流畅的实时对话，最新模型甚至能通过耳机充当口译器，并保留用户原有的语调和节奏。尽管AI翻译已支持近250种语言，人们却逐渐将其视为常态。谷歌对此表达感谢，并展望未来二十年的技术突破。
Google Translate 迎来 20 周年，从 2006 年的一项 AI 实验起步，现已支持近 250 种语言。官方分享了 20 条相关趣闻，并介绍了用户可尝试使用的实用技巧与新功能，以展示其多年来的技术演进与服务扩展。
SenseTime@SenseTime_AISenseNova宣布开源其U1 Lite系列模型。该系列基于NEO-unify架构，原生统一了多模态理解与生成能力。其核心优势包括：在开源模型中具备领先的效率，紧凑的8B和A3B模型在保持商业级性能的同时实现了优异的成本效益；支持原生的图像-文本交织生成，单一模型即可在单次流程中生成连贯交织的图文内容，适用于制作指南等实用场景；并拥有高密度信息渲染能力，擅长为知识图解、海报、PPT、漫画等信息密集型格式生成结构丰富的版式。模型已在Hugging Face、GitHub等平台发布。
谷歌正在测试名为“Ask YouTube”的对话式搜索功能。该功能将传统的视频列表结果页面，替换为融合文本摘要、完整长度视频及Shorts短视频的综合结果页。用户可通过自然语言对话进行搜索，获得更直接、整合的信息呈现，标志着视频搜索体验从关键词匹配向交互式对话转变。
昆仑万维发布2026年一季度财报，营收25.7亿元，同比增长46%，为“4+3战略”落地首季。公司自研视频模型与音乐模型均登顶全球第一，但正文未披露具体模型名称及版本号。具体营收增长主要来自AI业务驱动，战略聚焦多模态大模型与AI应用生态。
Berryxia.AI@berryxia商汤发布开源可商用的多模态大模型SenseNova-U1，采用NEO-Unify架构统一处理视觉与语言。其核心功能包括图文交错生成、智能图像编辑与图表渲染。模型提供8B密集版和约3B活性参数的轻量版，适合个人显卡本地部署。现提供每日5小时及1500次免费调用额度，并即将推出办公场景应用功能。
网信部门近期依法查处“剪映”“猫箱”App及“即梦 AI”网站，这些平台未有效落实人工智能生成合成内容标识规定，违反《网络安全法》《生成式人工智能服务管理暂行办法》等法律。国家互联网信息办公室指导属地部门对涉事平台采取约谈、责令改正、警告、从严处理责任人等处罚措施。网信部门强调网站平台需严守法律底线，严格落实标识要求，并将加大监督管理力度，维护社会公共利益，推动人工智能健康有序发展。
针对视觉语言模型在强化学习训练中面临的监督信号粗粒度问题，本研究提出了Perceval过程奖励模型。该模型能够从模型回应中提取图像相关声明，并与视觉证据进行逐项比对，从而精确定位感知错误的片段。在训练阶段，Perceval被整合进强化学习框架，通过对幻觉片段施加标记级惩罚，提供细粒度的监督信号。在推理阶段，该模型可截断错误回应并引导模型重新生成或反思，实现测试时扩展。实验表明，该方法在多领域基准测试中显著提升了经过RL训练的VLM性能，且其测试时扩展策略也优于多数投票等方法。代码与数据已公开。
Tuna-2是一种原生统一的跨模态模型，它摒弃了传统的VAE等模块化视觉编码器，直接通过简单的图像块嵌入层处理像素，统一执行视觉理解与生成任务。实验表明，该模型在多项跨模态基准测试中取得了最先进的性能，证明其像素空间建模在高质量图像生成上可与潜在空间方法竞争。尽管基于编码器的变体在预训练早期收敛更快，但Tuna-2的无编码器设计在大规模训练后实现了更强的跨模态理解能力，尤其在细粒度视觉感知任务上表现突出。这表明预训练视觉编码器对跨模态建模并非必需，端到端的像素学习为视觉任务提供了可扩展的新路径。
现有视觉语言模型（VLM）的空间智能评估存在系统性缺陷：基于点云标注的问答对在视频评估中因重建误差和标注伪影导致答案错误或模糊，且评估常假设全场景访问，而实际模型仅处理稀疏采样帧。为提升评估有效性，我们提出ReVSI基准，通过重新标注5个数据集的381个场景并严格生成可信问答对，确保问题在模型实际输入下可答且答案正确。该基准提供多种帧预算变体及细粒度物体可见性元数据，支持可控诊断分析。在ReVSI上的评估揭示了以往基准掩盖的系统性故障模式，实现了更可靠、更具诊断性的空间智能评估。
针对现有镜头边界检测方法存在边界不可解释、遗漏细微间断、依赖噪声标注与过时基准等问题，本研究提出OmniShotCut方法。该方法将镜头边界检测构建为结构化关系预测任务，通过基于镜头查询的密集视频Transformer，联合估计镜头范围及其内外关系。为规避人工标注不精确，采用全合成过渡合成流程自动生成带精确边界及参数化变体的主要过渡类型。同时，发布了支持整体与诊断评估的现代宽领域基准OmniShotCutBench。
阿里巴巴达摩院联合广东省人民医院等机构，研发出肠癌筛查AI模型DAMO COCA。该模型基于平扫CT影像，采用两阶段深度学习架构，在国际上首次实现了无需肠道准备、患者“无感”的肠癌机会性筛查。在回顾2.7万人影像的试验中，模型精准识别出5例漏诊肠癌，敏感性达86.6%，特异性高达99.8%。与10名影像科医生相比，其敏感性显著高出20.4%，并能辅助医生将敏感性提升14.5%。相关成果已发表于顶级期刊《肿瘤学年鉴》。
StereoFoley是一个视频到音频的生成框架，能生成48kHz、语义对齐、时间同步且空间准确的立体声。现有视频生成音频模型大多局限于单声道或无法实现对象感知的立体声成像，主要受限于缺乏专业混音、空间准确的视频-音频数据集。该研究首先开发了一个从视频生成立体声的基础模型，在语义准确性上达到了与当前最先进V2A模型相当的性能。
RADIO-ViPE 是一个在线语义SLAM系统，能够在动态环境中实现几何感知的开放词汇关联，将任意自然语言查询与定位的3D区域和物体进行匹配。该系统直接处理原始单目RGB视频流，无需预先获取相机内参、深度传感器或位姿初始化。它通过将来自聚合基础模型的多模态嵌入与几何场景信息在初始化、优化和因子图连接中进行紧耦合，提升了多模态地图的一致性。优化过程采用了自适应鲁棒核函数，以同时处理主动移动的物体和因智能体移动而改变位置的场景元素。实验表明，RADIO-ViPE 在动态TUM-RGBD基准测试中取得了最先进的结果，其性能可与依赖标定数据和静态场景假设的离线开放词汇方法相竞争。该系统为自主机器人和无约束野外视频流提供了鲁棒的开放词汇语义基础。
Berryxia.AI@berryxiaMusic-2.6 from @MiniMax_AI is free on Cloudflare this week! Generate full-length songs or instrumentals from a text prom...
TestingCatalog News 🗞@testingcatalogGemini app has gained the ability to generate and send files It's similar to Claude now It has it's own sandbox that it ...
Suno@suno
MiniMax (official)@MiniMax_AIMusic-2.6 from @MiniMax_AI is free on Cloudflare this week! Generate full-length songs or instrumentals from a text prom...
Google Meet 的实时语音翻译功能已开始向移动设备端推送。该功能支持英语、西班牙语、法语、德语、葡萄牙语和意大利语共六种语言，能在对话中近乎实时地将一种语言翻译成另一种，并用近似原说话者音色的合成语音播放译文。目前该功能仍处于早期测试阶段，在网页浏览器端运行较为成功，但在 iPhone 与 iPad 等移动设备间的通话中尚不稳定。
凡人小北@frxiaobei重新优化了一天, 调用googlemap的街景功能和3D视图功能, 用OPENAI进行优化与关键地点提取, 结合设计好的角色卡, 调用Seedance的API, 自动生成一个从起点到终点的案内视频。 自动挑选路线中的几个标志性地点, 然后让...
三星 Galaxy Glasses 智能眼镜渲染图近日曝光。产品采用无显示屏设计，外观类似 Meta 和谷歌的同类产品，运行 Android XR 系统。其搭载高通骁龙 AR1 处理器，配备 1200 万像素摄像头，支持骨传导音频，重量约 50 克。该眼镜可能在今年 7 月的三星发布会上亮相，但不会立即上市。此外，三星另一款带屏幕的智能眼镜正在开发中，预计 2027 年发布。
