# 多模态

谷歌发布Gemini 3.5 Live Translate，实现即时语音翻译

谷歌推出基于Gemini 3.5模型的语音到语音翻译功能，支持70多种语言，延迟低至数秒，并匹配语调节奏，已在多个平台开放预览。

Ars Technica — AI1 天前

产品发布 LLM 多模态

苹果拥抱AI照片编辑：从质疑到全面采用生成式工具

苹果在WWDC 2026上推出多项AI照片编辑工具，包括基于提示的逼真图像生成，并依赖Google的SynthID水印标记AI修改内容，标志着其从谨慎转向全面拥抱AI编辑。

The Verge — AI1 天前

产品发布多模态政策与监管

Gemini 3.5 Live Translate实现流畅自然的语音翻译

Gemini 3.5 Live Translate为Google AI Studio、Google Translate和Google Meet提供近乎实时、自然的语音翻译，提升跨语言交流体验。

Google DeepMind Blog1 天前

谷歌发布Gemma 4 12B：无编码器多模态模型，可在笔记本本地运行

谷歌推出Gemma 4 12B，一款无编码器架构的多模态模型，性能接近26B MoE模型，但内存占用减半，可在16GB内存笔记本上本地运行，支持原生音频输入，推动端侧智能体应用。

Google DeepMind Blog1 天前

LLM 多模态智能体开源

苹果发布基于Google Gemini模型的新AI架构

苹果宣布对其Apple Intelligence平台进行重大升级，采用与谷歌合作基于Gemini技术开发的基础模型，实现设备端与云端协同，提升推理、多模态等能力，并强调隐私保护。

Hacker News (AI)2 天前

LLM 多模态产品发布

Simon Willison's Weblog2 天前

WWDC 2026：苹果Siri AI借视觉LLM与定制Gemini模型实现新突破

苹果在WWDC 2026上宣布Siri AI新功能，通过视觉大模型提取屏幕信息并授权定制Gemini模型，绕开应用集成难题，同时推出Core AI库让开发者充分利用硬件运行自有模型。

LLM 多模态产品发布

苹果 Image Playground 重大升级：AI 图像生成不再糟糕

苹果在 WWDC 2026 上宣布改进 Image Playground，提升 AI 图像质量，并强调隐私保护，使其成为更实用的工具。

TechCrunch — AI2 天前

产品发布多模态隐私与监管

苹果照片应用新增AI编辑功能：重构、扩展与清除

苹果在WWDC 2026上宣布，其照片应用将利用Apple Intelligence新增多项AI编辑功能，包括空间重构、扩展和升级的清除工具，提升用户照片编辑体验。

TechCrunch — AI2 天前

产品发布多模态

苹果为Siri推出独立应用，AI升级史上最大变革

苹果在WWDC上发布AI版Siri，并为其推出独立应用，用户可浏览历史对话、上传文件，实现跨设备同步，标志着Siri向AI聊天机器人转型。

TechCrunch — AI2 天前

产品发布 LLM 多模态

亚马逊推出AI生成定制商品，Alexa驱动按需打印

亚马逊扩展按需打印服务，允许用户通过Alexa用文字生成图像并印制在T恤等商品上销售，进一步推动AI在电商领域的应用。

The Verge — AI2 天前

产品发布多模态

WWDC 2026：Siri AI、iOS 27 及 Apple Intelligence 全面升级

苹果在 WWDC 2026 上宣布了 Siri AI 重大更新、iOS 27 支持 iPhone 11 起所有设备、Liquid Glass 设计可回滚等多项新功能，同时强调隐私保护，这是 CEO 库克最后一次主持大会。

TechCrunch — AI3 天前

产品发布 LLM 多模态智能体

亚马逊推出AI定制商品设计功能，降低创作门槛

亚马逊在购物应用中新增AI设计功能，用户可通过文字描述生成图案并印制在T恤、水杯等商品上，由亚马逊按需生产并配送，进一步推动AI在电商领域的应用。

TechCrunch — AI3 天前

WWDC 2026前瞻：Siri大改、Apple Intelligence与iOS 27亮点

苹果WWDC 2026即将开幕，Siri将迎来重大AI升级，整合谷歌Gemini技术，并推出独立应用；同时Apple Intelligence、相机视觉智能、Image Playground等多项更新值得期待。

TechCrunch — AI3 天前

产品发布智能体多模态

WWDC 2026：如何观看及Siri重大升级等看点

苹果年度开发者大会WWDC 2026将于6月8日开幕，预计将发布iOS、macOS等系统更新，并可能推出Siri重大升级及多项AI新功能。

The Verge — AI3 天前

产品发布智能体多模态

苹果为何可能在下一代AirPods中加入摄像头

据彭博社报道，苹果正在测试带摄像头的AirPods，让Siri能“看到”周围环境，但面临隐私和实用性挑战。此举可能为未来智能眼镜铺路，并收集视觉数据训练AI。

Wired — AI5 天前

产品发布多模态智能体隐私与监管

AI公司转向衬线字体：为赢得信任还是掩饰冰冷本质？

随着公众对AI的抵触加剧，Anthropic、Perplexity等AI公司纷纷在界面和品牌中采用衬线字体，试图通过这种传统、权威的字体风格传递人性化与信任感，但批评者认为这不过是掩盖AI冰冷本质的“品味垃圾”。

Wired — AI6 天前

产品发布行业观点多模态

Meta在Facebook推出AI创作者助手与多语言翻译功能

Meta在Facebook上推出AI创作者助手，提供个性化建议和趋势洞察，并新增AI翻译功能，旨在提升创作者活跃度和用户参与度。

TechCrunch — AI6 天前

产品发布 LLM 多模态

WWDC 2026前瞻：Siri大改版与Apple Intelligence更新

苹果WWDC 2026即将开幕，Siri将迎来重大AI升级，整合谷歌Gemini技术，并推出独立应用；同时Apple Intelligence将带来相机、照片、钱包等多款应用的智能化更新。

TechCrunch — AI6 天前

产品发布智能体多模态

Reve 2 和 Ideogram 4 发布：图像生成布局能力突破，微软开源 MAI-Thinking-1

Reve 2 和 Ideogram 4 同日发布，强调通过强标签和布局代码提升图像生成质量；微软发布 MAI-Thinking-1 技术报告，展示无需第三方蒸馏的通用推理模型，并推动企业定制化部署。

Latent Space (Swyx)7 天前

产品发布开源研究 LLM

亚马逊搜索栏将展示AI生成但无法购买的商品图像

亚马逊更新搜索栏，用户描述商品时显示AI生成的服装和家居用品图像，帮助寻找相似实物，但图像中的商品并非真实可购。

The Verge — AI7 天前

Gemma 4 12B：统一无编码器多模态模型，本地运行先进智能体

Google发布Gemma 4 12B，一款无需独立编码器即可直接处理视觉和音频输入的多模态模型，性能接近更大模型但内存占用减半，可在16GB内存的笔记本上本地运行，推动多模态智能体应用普及。

Hacker News (AI)7 天前

LLM 多模态智能体开源

亚马逊搜索将展示AI生成产品图，引导用户找到商品

亚马逊在购物应用中引入AI生成的产品图像，根据用户搜索查询展示虚拟商品图片，旨在帮助用户更直观地描述需求并导向真实搜索结果，但此举可能引发误导争议。

TechCrunch — AI7 天前

产品发布多模态行业观点

GitHub Trending (AI repos)8 天前

Hugging Face Transformers：统一模型定义框架，支持文本、视觉、音频与多模态

Transformers 是 Hugging Face 推出的模型定义框架，为文本、视觉、音频和多模态任务提供统一的推理与训练接口，支持超过100万个预训练检查点，降低了AI模型的使用门槛。

开源 LLM 多模态产品发布

GitHub Trending (AI repos)8 天前

ComfyUI：最强大的模块化扩散模型图形界面与节点工作流引擎

ComfyUI 是一款面向视觉专业人士的 AI 创作引擎，通过节点图界面实现对模型、参数和输出的精细控制，支持图像、视频、3D、音频等多种生成任务，并兼容最新开源与闭源模型。

产品发布开源多模态

GitHub Trending (AI repos)8 天前

PaddleOCR 3.5.0发布：轻量级OCR工具包，支持100+语言，SOTA文档解析

PaddleOCR 3.5.0 发布，这是一个将 PDF 和图像转换为结构化数据的轻量级 OCR 工具包，支持 100+ 语言，其 VLM 模型在文档解析上达到 SOTA 精度，并深度集成 AI Agent 生态。

开源产品发布多模态 LLM

NVIDIA发布Cosmos 3、Nemotron 3 Ultra及RTX Spark，推动开放物理AI

NVIDIA在Computex上发布Cosmos 3全模态世界模型、Nemotron 3 Ultra高效LLM及RTX Spark个人超算芯片，同时MiniMax M3等开放代理模型涌现，AI行业正从模型转向代理运行时和工具链。

Latent Space (Swyx)9 天前

LLM 多模态产品发布开源

Ethan He：视频代理模型是下一代AI视频生成的关键

前xAI研究员Ethan He在播客中提出，视频模型的主要智能来自LLM而非视频数据，下一代Sora将是视频代理而非更好的视频模型，并分享了构建Grok Imagine的经验。

Latent Space (Swyx)9 天前

LLM 多模态产品发布行业观点

Anthropic Labs 推出 Claude Design：与 Claude 协作创建视觉设计

Anthropic 发布新产品 Claude Design，允许用户与 Claude 协作创建原型、幻灯片等视觉作品，由 Claude Opus 4 驱动，面向 Pro、Max、Team 和 Enterprise 订阅者开放研究预览。

Anthropic News9 天前

AI术语全解析：从AGI到微调，一文读懂

本文是TechCrunch发布的AI术语表，系统解释了AGI、AI智能体、思维链、扩散模型等常见术语，帮助读者理解AI领域的关键概念。

TechCrunch — AI12 天前

LLM 多模态推理模型产品发布

Kiwibit AI喂鸟器：用科技观察后院鸟类

Kiwibit Bird Feeder Pro 4K AI相机是一款智能喂鸟器，能识别超1万种鸟类并记录访客，让用户通过手机App实时观察后院鸟类活动，兼具趣味与教育意义。

TechCrunch — AI12 天前

产品发布多模态

Jony Ive设计的法拉利首款电动车Luce引发争议

法拉利首款电动车Luce由Jony Ive操刀设计，外观颠覆传统，引发热议。本期Vergecast讨论了其设计、技术以及消费者对电动汽车和AI的普遍反感。

The Verge — AI12 天前

产品发布行业观点多模态

Apple Machine Learning Research14 天前

苹果在CVPR 2026展示多项计算机视觉与多模态AI研究

苹果在CVPR 2026上展示多项研究成果，涵盖视频生成、多模态LLM、图像压缩、手语识别等方向，并赞助该顶级会议。

产品发布多模态研究 LLM

Google DeepMind Blog24 天前

Project Genie 结合街景图像，让AI世界模型锚定现实

谷歌将通用世界模型 Genie 与街景真实图像结合，使 AI 代理和机器人能在基于真实地点的虚拟环境中导航和交互，现已向订阅用户开放。

产品发布多模态智能体

Google DeepMind Blog24 天前

谷歌扩展内容溯源工具，让AI生成内容更透明

谷歌宣布在搜索、Gemini、Chrome、Pixel和云服务中扩展内容透明度与验证工具，包括SynthID水印和C2PA凭证，并与OpenAI、Meta等行业伙伴合作，帮助用户识别AI生成或修改的内容。

产品发布政策与监管多模态

Google DeepMind Blog26 天前

谷歌DeepMind与新加坡达成国家级AI合作，聚焦医疗、教育等领域

谷歌DeepMind宣布与新加坡政府及多家机构建立国家级AI合作伙伴关系，旨在通过前沿AI技术推动医疗、教育、科学发现和可持续发展，助力新加坡国家AI战略实施。

产品发布行业观点多模态研究

Apple Machine Learning Research大约 1 个月前

空间功能智能基准：评估多模态大模型从位置到用途的推理能力

苹果等机构提出SFI-Bench基准，通过1700多个视频问题系统评估多模态大模型在结构化空间推理和功能推理上的表现，揭示当前模型在整合空间记忆与功能知识方面的关键瓶颈。

多模态研究 LLM

Google DeepMind Blog大约 1 个月前

谷歌DeepMind推出AI联合临床医生研究计划，探索医疗新模式

谷歌DeepMind宣布AI联合临床医生研究计划，旨在通过多模态AI辅助医生，缓解全球医疗人力短缺，提升诊疗质量。

研究多模态 LLM 产品发布

Google DeepMind Blog大约 2 个月前

Gemini 3.1 Flash TTS：新一代富有表现力的AI语音模型

Google DeepMind发布Gemini 3.1 Flash TTS文本转语音模型，在语音质量、可控性和表现力上显著提升，支持70多种语言和原生多说话人对话，并通过音频标签实现精细的创意控制。

Google DeepMind Blog大约 2 个月前

Gemini Robotics-ER 1.6：增强具身推理，赋能现实机器人任务

Google DeepMind 发布 Gemini Robotics-ER 1.6，通过提升空间推理、多视图理解和仪器读取等能力，使机器人能更精准地理解物理世界并自主执行复杂任务。

LLM 多模态具身智能产品发布

Google DeepMind Blog2 个月前

为AI时代重新构想鼠标指针：更直观的人机交互

Google DeepMind提出四项交互原则，并基于Gemini开发AI指针原型，让用户通过指向和语音即可与AI协作，无需繁琐提示，旨在将AI无缝融入日常工具。

Qwen-Image-Edit：更高质量和效率的图像编辑模型发布

Qwen团队推出基于20B参数Qwen-Image的图像编辑模型Qwen-Image-Edit，支持语义与外观编辑、精确双语文本编辑，在多项基准上达到SOTA性能。

Qwen Team Blog10 个月前

产品发布多模态研究

Qwen-Image：20B参数图像基础模型，原生文本渲染与精准编辑

阿里云发布Qwen-Image，一款20B参数的MMDiT图像基础模型，在复杂文本渲染和精准图像编辑上取得显著突破，支持中英文高保真渲染，多项基准测试达到最优。

Qwen Team Blog10 个月前

LLM 多模态产品发布

Qwen-MT：速度与智能翻译的结合，支持92种语言

Qwen-MT是阿里云基于Qwen3和强化学习推出的新一代机器翻译模型，支持92种语言，在翻译质量和速度上超越GPT-4.1-mini等模型，并通过轻量级MoE架构降低API成本。

Qwen Team Blog11 个月前

LLM 产品发布多模态

Qwen-TTS支持三种中文方言，实现人类级语音合成

Qwen-TTS是通义千问最新发布的文本转语音模型，支持中英双语和北京话、上海话、四川话三种方言，在SeedTTS-Eval基准上达到人类水平，可通过API调用。

Qwen Team Blog12 个月前

Qwen VLo：统一多模态理解与生成，从理解世界到描绘世界

Qwen VLo是阿里通义千问推出的统一多模态理解与生成模型，支持文本到图像生成、图像编辑、风格迁移等任务，并具备渐进式生成和语义一致性能力，标志着多模态模型从感知到创造的跨越。

Qwen Team Blog12 个月前

多模态产品发布研究

Qwen2.5-Omni：全能端到端多模态模型，看听说写样样精通

Qwen2.5-Omni 是 Qwen 系列的新旗舰端到端多模态模型，能同时处理文本、图像、音频和视频，并实时生成文本与自然语音，在多项基准中表现优异。

Qwen Team Blog大约 1 年前

LLM 多模态产品发布开源

Qwen2.5-VL-32B：更智能、更轻量的视觉语言模型

Qwen2.5-VL-32B是阿里云基于强化学习优化的视觉语言模型，在32B参数规模上实现了与人类偏好更一致的响应、更强的数学推理和细粒度图像理解能力，性能超越同规模竞品甚至更大模型。

Qwen Team Blog大约 1 年前

LLM 多模态开源产品发布

Qwen2.5-VL发布：旗舰视觉语言模型，支持长视频与智能体

Qwen团队发布Qwen2.5-VL系列视觉语言模型，包括3B、7B和72B三种尺寸，在图像识别、文档解析、视频理解和智能体能力上显著提升，72B模型在多项基准上达到领先水平。

Qwen Team Blog超过 1 年前

多模态产品发布开源 LLM

通义千问发布QVQ-72B-Preview：多模态推理模型新突破

阿里通义千问团队推出QVQ-72B-Preview，一个基于Qwen2-VL-72B的开源多模态推理模型，在MMMU等基准上表现优异，显著提升了AI在视觉理解和复杂问题求解方面的能力。

Qwen Team Blog超过 1 年前

LLM 多模态推理模型开源