Google 开放 EmbeddingGemma 2：740M 多模态嵌入模型，Apache 2.0
Google 发布 EmbeddingGemma 2，一个约 740M 参数、可把文本（含代码）、图像、视频和音频映射到同一向量空间的开放嵌入模型，采用 Apache 2.0 许…
#multimodal
共 12 条，覆盖 6 期。
关注后，日报里带这个标签的条目会高亮，可一键只看关注。
每期条数最近 10 期
10月29日 周四3
NVIDIA 开放 Nemotron 3.5 Transcribe：转写、分说话人和翻译一次完成
NVIDIA 10 月 28 日在 Hugging Face 发布 Nemotron-3.5-Transcribe-30B-A4B，一个混合专家结构的语音模型，用提示词控制输出，…
Google DeepMind 发布世界模型 Genie 4，可实时交互并同步生成音频
Google DeepMind 10 月 27 日发布 Genie 4，可生成能用键盘实时操控、并能用文字提示随时修改的模拟环境，同时原生生成环境音、音乐和角色对话。
10月25日 周日2
Block 发布只用语音训练的全双工对话模型 Dessa
Block 的 AI 研究团队发布研究预览版 Dessa：一个从零开始、只用人类对话语音训练的语音到语音模型，没有使用任何文本或预训练模型。
OpenMOSS 开源 5B 文生图模型 MOSS-Image，主打中英长文本渲染
MOSI.AI（OpenMOSS 团队）开源 MOSS-Image：一个从零预训练的 5B 单流扩散 Transformer，主打中英双语长文本渲染和精确版式控制，支持自然语言、…
10月24日 周六1
研究：Claude Fable 5.1 能自创编码把信息藏进图片，另一实例可解出
SASH Fellowship 的研究者在 LessWrong 发文：让 Claude Fable 5.1 用 SVG 画图并藏入一段消息，不提示任何编码方法，再让一个全新的 F…
10月23日 周五3
NVIDIA 开放 Nemotron 3.5 嵌入、重排与文档解析模型
NVIDIA 10 月 21 日发布 Nemotron 3.5 检索模型组合：支持文本和图像的 8B、1B 嵌入模型（含 NVFP4 量化版），8B 重排模型，以及 631M 参…
IBM 发布 Granite Speech 5.0，并更新会议转写模型
IBM 10 月 21 日发布 Granite Speech 5.0 系列，三款模型均为 Apache 2.0 许可。
Etsy 收紧 AI 规则：商品须附一张未经编辑的实拍图
Etsy 10 月 22 日更新 AI 使用政策和商品图片要求：每个商品至少要有一张在真实背景下拍摄、未经编辑的实物照片（部分品类例外），所有图片必须如实反映买家将收到的商品。
10月21日 周三2
Mistral 发布 Voxtral 3 语音模型家族与语音 Agent SDK
Mistral 发布 Voxtral 3 系列，包括语音转写模型 Voxtral Small / Mini Transcribe 3、实时转写模型 Voxtral Mini Tr…
Penmentor：让 Claude 像老师一样批改手写数学作业
Penmentor 是一个开源的手写数学辅导工具：用户在 xournal++ 里用数位板手写解题过程，按下快捷键后，插件把整页内容交给 Claude，由 Claude 用彩色笔迹…
10月20日 周二1
NVIDIA 发布 Nemotron 3.5 Bolt：74B MoE 压进 24GB 本地运行
NVIDIA 在 Hugging Face 发布 Nemotron 3.5 Bolt 74B-A9B 24GB，这是从 Nemotron 3.5 Super VL 120B-A1…