OpenAI 向所有 ChatGPT 用戶推出 GPT-6 系列模型及智能介面
OpenAI 宣佈向所有 ChatGPT 用戶推出 GPT-6 系列模型及智能介面(Intelligent UI),ChatGPT 全球每週活躍用戶超過 12 億。
推薦理由:GPT-6 系列此前僅供 ChatGPT Work 和 Codex 使用,現已開放予所有 ChatGPT 用戶;智能介面可按問題組合文字、圖像及互動元件生成回覆,亦支援圖表、按鈕和表單。
OpenAI 宣佈向所有 ChatGPT 用戶推出 GPT-6 系列模型及智能介面(Intelligent UI),ChatGPT 全球每週活躍用戶超過 12 億。
推薦理由:GPT-6 系列此前僅供 ChatGPT Work 和 Codex 使用,現已開放予所有 ChatGPT 用戶;智能介面可按問題組合文字、圖像及互動元件生成回覆,亦支援圖表、按鈕和表單。
Seed 正式發佈多模態圖像創作模型 Seedream 5.0 Pro,提升圖文匹配、結構合理性、文字渲染及畫面美感。其四項核心能力包括高密度資訊圖生成、交互式精準編輯、寫實影像與人像質感,以及十餘種語言的輸入與生成;目前已在火山方舟體驗中心上線,並將陸續在豆包、即夢上線。文中亦指出,更細緻的文字渲染及像素級編輯保持仍有改進空間。
字節 Seed 正式推出 SeedRealtime 音訊與影片全雙工大模型,透過統一架構原生融合音訊、影片與文字,支援連續多模態資訊流上的即時互動。端到端人工評測結果顯示,相比級聯模型,SeedRealtime 的音訊與影片對話節奏問題減少一半,單次對話順暢、完整交流的機率亦明顯提升。
OpenAI 隨 GPT-6 向 ChatGPT 推出「Intelligent UI」,讓回答結合文字與圖表、示意圖、表單及可點按按鈕等互動視覺內容。用戶還可要求 ChatGPT 在回答中生成退休儲蓄計算器、復古遊戲或分帳工具;GPT-6 亦改善網頁搜尋,並可在搜尋期間更快提供部分答案。
推薦理由:材料列出互動圖表、可捲動瀏覽的麻雀牌面分類及內嵌計算工具,呈現 ChatGPT 回答如何由文字延伸至可操作內容。
SepGen 將預訓練音訊影片生成器擴展為可在一次聯合取樣中輸出影片、混合音軌,以及每個文字描述聲源各自的波形。模型設有生成和分離兩種模式:生成模式按聲源描述輸出分軌,分離模式則按文字描述從音訊混合中提取聲音。評測顯示,描述包含對白內容時,SepGen 的表現優於語言條件分離器,尤其在語音分離上;移除對白內容後仍保持領先。
該研究提出 Humanity's Sixth Sense(HSS),以圖像和影片題目評測多模態模型對隱含時間、空間、社會及抽象結構的直覺視覺推理。人類參與者準確率為 93.1%,最強模型 GPT-6-astra 即使在最大推理力度下也只有 53.6%。研究亦測試以動態視覺操作應用於 HSS 的智能體設定,該設定縮小但未能消除人類與模型的差距。
這項研究把擴散模型、自回歸(AR)模型及兩者之間的模型描述為同一腐化格上的路徑,並以並行步驟捨棄的依賴關係定義解碼排程成本。對圖上呈 Markov 特性且沿路徑有依賴的資料,零成本排程所需的最少步數等於圖的樹深度。研究以預訓練權重估算成對依賴,預測不同排程的排名,並在文字、圖像及影片生成中驗證大部分預測。
研究團隊提出 WOVEN 視覺轉移推理基準及訓練資料,包含 36,076 個樣本,涵蓋 20 種場景、5 類動作和 8 類推理。研究團隊評估 38 個前沿多模態大語言模型,發現即使最強模型仍遠低於人類,且缺口跨模型系列、不同規模持續存在。
DataVista 建立首個數據影片理解基準,收錄 961 段真實數據影片及 6,775 條評測問題,按數據感知、時間推理和敍事理解三層能力組織。評測 19 款主流多模態大語言模型時,Gemini-3.1-Pro 以 70.0% 總體準確率居首,仍遠低於人類專家;模型在因果推理和敍事結構方面表現最弱。
Liquid AI 發佈開放權重多模態決策模型 d1-3B 和 d1-omni-600M,兩者單次前向傳播即可輸出經校準的指定答案機率,不生成文字 token。
OpenAI 開始向更多 ChatGPT 用戶推出 GPT-6,並為 ChatGPT 加入 Intelligent UI,讓回應可按問題組合文字、視覺內容和互動元件。
推薦理由:這次更新把可按問題生成互動介面與逐步作答帶進 ChatGPT,並交代推出方案及回應速度數據,呈現 GPT-6 在使用方式和回應節奏上的改變。
研究提出感測器—語言—行動(SLA)建模框架,將多模態感測器觀察、自然語言與行動整合至同一模型。研究建立涵蓋逾 116,000 人、79 種感測器模態及 60 個行動組別的基準,並推出用於階層式行動預測、狀態理解及行動解釋的 OpenSLA。OpenSLA 在臨牀預測、手術室及代謝健康等真實任務中表現優於最先進方法。
Google 已向公眾開放 SynthID Detector,供用戶檢查圖像、影片及音訊是否帶有 SynthID 浮水印。工具支援 JPG、PNG、MP4 和 MP3,但只會識別帶有 SynthID 浮水印的內容,並非通用 AI 偵測器。
Microsoft 計劃將 MAI Code 1.1 Flash 模型整合至 Windows 11 裝置;模型有 130B 參數、採用 3-bit 量化,體積縮小 80%,上下文窗口為 256K。
Liquid AI 發佈兩款開放權重端側決策模型 d1-3B 和實驗版 d1-omni-600M。d1-3B 支援文字與圖像輸入,在 Decision Index 0.2.1 得分 48.57,並在七個公開數據集取得 82.9 的平均分;d1-omni-600M 支援文字與圖像或文字與音訊輸入。
推薦理由:文章把 d1-3B 的公開基準成績與多款邊緣設備的延遲數據並列,讓讀者瞭解其決策表現及端側推理速度。
Liquid AI 發佈 d1-3B 和 d1-omni-600M 兩款開放權重決策模型,兩者均以單次前向傳遞直接輸出答案。d1-3B 支援文字和圖像輸入,d1-omni-600M 支援文字加圖像或文字加音訊輸入;兩款模型均可在 Hugging Face 取得,並支援 llama.cpp。
OpenAI 推出 Decisions API,可評估文字、圖片或兩者,速度約為 Responses API 的十倍。該 API 目前僅支援 gpt-6-luna,現處於公開 beta 階段,並將很快全面開放;輸入費用為 $0.10 per million input tokens,輸出 token 免費,回應類型包括是/否機率、從預設類別中選擇及量表評分。
Google 宣佈,SynthID AI 生成內容檢測網站已向全球用戶開放,可檢測圖片、影片或音訊是否由 AI 生成。該網站使用 SynthID 識別媒體內容;SynthID 是嵌入 Nano Banana、Veo 和 Lyria 模型的隱形水印,驗證功能亦已整合至 Gemini 應用和 Google Chrome。
Google 升級 SynthID 檢測器,現已支援所有合作夥伴的水印,並透過 SynthID.com 開放全球用戶檢查 AI 內容。SynthID 是嵌入 AI 生成圖像和影片像素、以及 AI 音訊波形中的隱形信號;用戶現在可直接在網站查驗,毋須再透過 Gemini。
Google 向所有人開放 SynthID 網站,讓用戶檢查圖片、影片及音訊是否由 AI 生成。Google 表示,目前每天有 1 million 次內容驗證請求。這類工具並非萬無一失,經常未能識別由其開發者自家模型生成的內容。
Google 於2026年10月6日公開 EmbeddingGemma 2,這款 740M 參數的多模態嵌入模型可在智能手機及 PC 運行,將文字、程式碼、圖像、音訊及影片映射至共同向量空間。模型採用 Apache 2.0 授權,支援搜尋、分類等用途,並可與 Gemma 4 配合在端側構建 RAG;其上下文窗口擴至初代的 4 倍,即 8192 個 tokens。
發帖者尚未找到可同時接收參考音訊和文字指令、生成新聲音的商用 AI 模型,並詢問是否有此類方案。ElevenLabs SFX 只支援文字生成音訊,難以單靠文字準確引導生成結果;Stable Audio 3 雖據稱能滿足需求,實測效果卻很差。發帖者希望以樣本不多且不夠乾淨的音源製作新音效。
Simon Willison 建立 llm-openai-decisions 插件,供 llm 呼叫 OpenAI 的 Decisions API。API 支援是非、選項和評分三類問題,gpt-6-luna 亦可接收圖片;OpenAI 每百萬個輸入 token 收費 10 cents,Jev 為 4.2 cents,兩者均不收取輸出費用。
OpenAI Decisions API 進入公開測試,可評估文字、圖像或兩者,並以比 Responses API 快 10 倍的速度返回具類型的答案。它提供 predicate、choice、score 三類問題,分別回傳條件成立概率、指定選項或按各級別概率加權的分數。API 目前僅支援 gpt-6-luna,並須使用專用 POST /v1/decisions 端點。
Google 推出 EmbeddingGemma 2,將 EmbeddingGemma 的嵌入能力由文字擴展至程式碼、圖像、影片和音訊,並把不同內容映射至同一嵌入空間。
Google DeepMind 發佈 EmbeddingGemma 2,將文字、程式碼、圖像、影片和音訊映射至統一嵌入空間,支援裝置端多模態搜尋與檢索。模型基於 Gemma 4 架構,擁有 740 million parameters,以 Apache 2.0 授權發佈,並提供 8K token 上下文窗口。
EmbeddingGemma 2 是一款開放、輕量的多模態嵌入模型,討論提及視覺、影片及音訊應用,並提出以此建立本地多模態搜尋的可能性。評論者觀察到,圖像及音訊嵌入可同時承載文字內容與風格、視聽語調資訊,兩者似乎可以線性分離。
Mistral 發佈 Mistral Large 4 Research Public Preview,Artificial Analysis Intelligence Index 評分為 38,並將其列為美國和中國以外最智能的模型。
Google 發佈 EmbeddingGemma 2,稱這款 740 million 個參數的開放模型在多模態嵌入基準上勝過參數量最多為其兩倍的競品。它在 Massive Text Embedding Benchmark (Code) 得分 78.68,較前代的 68.76 高近 10 分。
Google DeepMind 發佈 EmbeddingGemma 2,將文字、程式碼、圖像、影片及音訊映射至同一嵌入空間,供裝置端推理使用。
推薦理由:EmbeddingGemma 2 將文字、程式碼、圖像、影片及音訊映射至同一嵌入空間,並列出裝置端記憶體與向量儲存數據,方便評估跨模態搜尋的本地部署。
Mistral AI 發佈 Mistral Large 4(ML4,代號 Le Chonk)公開預覽版,這款多模態 MoE 模型總參數為 1.05T、每個 token 啟用 49B,並支援 1M token 上下文窗口。
推薦理由:文章把參數規模、每 token 啟用量與 API 價格並列,並交代網絡安全評測和權重開放時間,便於判斷預覽版的可用性與限制。
Google DeepMind 發佈 EmbeddingGemma 2,這款 740M 參數開放模型可將文字、程式碼、圖像、影片及音訊嵌入同一個 768 維空間。
音訊、影片與文字分數不一致時,研究以受控三分數基準評估策略應否取得第三個來源或棄答。部分留出合成測試中,閾值策略的目標決策準確率為 0.789 +/- 0.006、效用為 0.481 +/- 0.014;三分數多數決參照分別為 0.626 +/- 0.008 和 0.252 +/- 0.016。查詢選擇策略的效用取決於預算及已觀察分數對的排序,在 50% 和 63.7% 預算下效用下降。
研究提出 MIRA,將文字生成音樂請求轉為可逐項核驗的準則,並搜尋提示詞修訂以提升意圖對齊。MuRA-Bench 收錄由音樂專家整理的真實平台請求。實驗顯示,MIRA 提升意圖對齊,令開源生成器達到與 Suno、Mureka 等商業系統相若的表現。
ViRA 提出一套與規劃器無關的視覺表徵對齊框架,在保持規劃器架構及推理成本不變的情況下,提升端到端自動駕駛表現。研究發現,視覺基礎模型的目標選擇及輔助感知監督均會影響規劃效果。ViRA-Diffusion 在 NAVSIM v2 navtest 取得 92.3 EPDMS,較比較中的近期方法至少高 1.9 分。
TouchScale提出一個500小時的人類視覺觸覺資料集,以統一的穿戴式配置同步記錄第一身視角 RGB-D 影片、手腕 RGB 影片及雙手密集觸覺測量。資料涵蓋約2K項預設任務;使用完整數據訓練後,未見觸覺感測器上的零樣本接觸 IoU 由0.134升至0.383,機械人四項真實操作任務的平均成功率由22.5%升至57.5%。研究團隊計劃公開所有同步視覺觸覺錄影及重建物件模型。
研究將多智能體視覺語言導航系統化建模為受約束的協調問題,並提出導航系統 TRISS。MAVLN 基準包含 11,724 個回合,涵蓋 145 個場景及最多四個智能體的團隊,並設有三種指令模式。TRISS 結合基於大語言模型的子任務排程器、共享拓撲記憶及避碰執行機制;實驗顯示,排程、規劃與執行仍有改進空間。
Mistral AI 已開放旗艦模型 Mistral Large 4(ML4,暱稱「Le Chonk」)下載;該模型此前於本月初進入公開預覽。Mistral 表示,模型在 SWE-bench 和 Terminal Bench 等 Agent 基準達到「state-of-the-art」表現,並具備網絡安全、編碼及製造業和金融任務方面的能力。
科技公司正探索讓 AI 硬件處理影音、但不保存原始影音,這挑戰了「記錄」必須可保存和回看的既有定義。Bloomberg 報道 Apple 正研發不保存影片、改以 AI 把家中畫面轉成文字描述的智能家居鏡頭;Google 亦在探討能處理環境影像但不保存片段的智能眼鏡。文章質疑文字摘要是否仍屬可保存、可回看的記錄,並主張社會就「記錄」定義達成共識。
Mistral Large 4 是一款最先進的開放權重通用多模態模型,採用細粒度混合專家架構。模型有 49B 活躍參數、1.05T 總參數,以及 1.6B 視覺編碼器。