ZoomGain 利用只有放大后才能看清的视觉细节，针对整张图像构建问题，并将这种全局到缩放的感知差距用作视觉语言模型的监督信号。发布内容包括 arXiv 论文、ZoomGainBench 基准（1,000 个问题，覆盖 941 张图像，涉及属性识别、计数和 OCR）、基于 7,713 张源图像的 9,000 条强化学习训练记录，以及 ZoomGain-4B 和 ZoomGain-9B 检查点。28 个模型中最佳者在 ZoomGainBench 上得分 61.08，而 ZoomGain-9B 在多个细粒度和通用感知基准上取得了更优表现。
Meta 发布了 Muse Ember，这是其最小、最高效的模型，面向智能体全天执行的重复性工作，例如工具调用、编码子任务、路由、抽取和长文档解析。Meta 称其在约三分之一成本下达到 Claude Haiku 5.5 的最佳分数，并击败 GPT-6 Luna 的所有配置，价格为每百万输入 token 0.10 美元、每百万输出 token 0.50 美元。该模型配备 100 万 token 上下文窗口、最高 51.2 万输出 token，原生支持文本、图像、音频和视频输入，即日起在 Muse Code 和 Meta Model API 上以 muse-ember-1.0 提供。
推荐理由：Meta 最小的模型瞄准高吞吐的智能体步骤，其与 Claude Haiku 5.5 和 GPT-6 Luna 的每任务成本对比说明了效率主张的来源。
苹果本周开始在中国区 Apple Intelligence 内对 Qwen 进行开发者测试，计划于 12 月随 iOS 27.3 推出，以用户主动选择的方式将 Qwen 引入 Siri、写作工具和视觉智能。腾讯 11 月 4 日发布的 Hy4 增加了视觉推理与计算机使用能力，百度、月之暗面、蚂蚁和美团也发布或推出了新模型。
VeRL-Omni v0.3.0 发布，包含异步与解耦的强化学习执行路径，默认使用 V1 训练器，并扩展了覆盖图像、视频、音频和多模态理解的后训练范围。该版本新增完全异步的 Qwen3-Omni 文本与音频训练、带重放缓冲区的分离异步 Omni 与扩散训练，以及包括 MiniMax H3 搭配 DiffusionNFT 和 MiniCPM-o 4.5 GSPO 在内的新配方。在 4×H800 80 GB 上的 MiniCPM-o 4.5 AVQA 实验中，分离异步 3+1 在自然响应长度下每个提示比同置 4+0 慢约 9%，在 512 token 时大致持平，在 1024 token 时快约 6.7%。
Meta 正在美国率先于移动端、网页端和 Mac 端的 Muse 应用中推出实时语音对话和表情虚拟形象。用户点击电话图标即可通话，可以打断回复，并可从数百种声音以及纯语音、虚拟形象或全屏模式中进行选择。语音功能即将登陆 AI Glasses 和 Muse Charm。
推荐理由：Meta 的 Muse 应用现已支持带表情虚拟形象的实时语音对话，显示出语音和打断处理正进入消费级 AI 助手。
Google DeepMind 推出 Gemini Omni 1.2 Flash，现已在 Gemini API 和 Gemini for business 中全面可用，支持原生 15 秒视频生成、多轮对话式编辑和更强的参考遵循能力。价格较 Gemini Omni 1.1 下降 30%，720p 视频为每秒 0.07 美元，用户可先以 360p 或 720p 草稿生成，再升级至 1080p 或 4K。片段时长可在 3 至 15 秒之间以一秒为增量设置，输出内容带有不可感知的 SynthID 水印。
推荐理由：Gemini Omni 1.2 Flash 将原生片段时长提升至 15 秒，并将 720p 视频价格降低 30% 至每秒 0.07 美元，多轮对话式编辑现已全面可用。
Google DeepMind 推出 Gemini Omni 1.2 Flash，并在 Gemini API 和 Gemini for business 中全面开放。该模型可生成和编辑最长 15 秒的原生片段（Omni 1.1 为 10 秒），支持多轮对话式编辑，并能更一致地保持角色、产品和风格参考；720p 视频现价为每秒 0.07 美元，比 Omni 1.1 低 30%。输出内容带有 SynthID 水印，该模型正在 Flow、Google Vids、Gemini 应用和 Google Ads 中逐步推出。
推荐理由：Gemini Omni 1.2 Flash 将 720p 视频价格降低 30% 至每秒 0.07 美元，同时将原生片段延长至 15 秒，为大规模制作视频的团队提供了一个可与先前版本比较的更便宜选择。
VIALS-AA 分析了 19 个模型如何对科学图像进行推理，对 9,177 次工具调用轨迹进行了分类。查看图像占调用量的 38.3%，图像准备或测量占 47.3%；而图像测量在 GPT-6 Astra (max) 和 GPT-6.1 Sol (max) 中仅占调用量的 5–6%，相比之下 Claude Opus 5.5 (max) 和 Claude Sonnet 5.5 (max) 为 25–27%。Gemini 3.8 Flash (high) 产生了该队列中 86.7% 的评论/空操作调用，且不同模型间的单任务成本相差近 100 倍。
Descript 2026年11月6日的发布汇总新增生成式布局包，可将品牌规范、徽标和颜色转化为四个 AI 提议方向，并在付费方案上生成一套完整可编辑的布局包。Underlord 现支持可复用技能，在聊天中用“/”调用，取代提示词模板，后者将于11月30日停用。已删除项目现会在回收站中保留30天，Enterprise 云端硬盘搜索可匹配图片和视频中的内容，包括通过 Descript MCP 和 API 进行搜索。
Google Research 推出了 Agile Deliberation，这是一个将主观性 AI 分类器创建转化为迭代式对话的框架，AI 在其中帮助用户厘清自己的定义。该框架将任务拆分为概念范围界定和概念迭代，利用视觉语言模型找出边界图像，并将反馈接入自动提示优化循环。在 18 场时长 1.5 小时的实时用户会话中，该方法减轻了用户的疲劳与焦虑，并产出了更一致的模型，其表现优于标准基线；代码已在 GitHub 上开源。
Preferred Networks于11月5日在Hugging Face上以开放权重模型形式发布了PLaMo 3 Translate，这是其PLaMo Translation服务中使用的翻译专用大语言模型。该模型提供0.8B、2B、8B和31B四种规模，支持包括日语和英语在内的53种语言，可在智能手机、笔记本电脑和内部服务器上运行，无需连接云端。
推荐理由：PFN发布了四种规模（从0.8B到31B）的翻译专用大语言模型，使企业和个人无需云端访问即可在设备端运行53种语言的翻译。
Meta已与INCA合作，后者是一家成立于1918年的加拿大非营利组织，旨在帮助更多加拿大盲人、聋盲人和低视力人群从AI眼镜中受益。Meta的资金将支持INCA在四个领域开展工作：倾听社区声音、支持开展线下演示和同伴培训的社区倡导者、将社区反馈传递给Meta的无障碍和产品团队，以及提供无障碍学习指南和培训资源。Meta还通过INCA的“Opening the Doors to Work”项目捐赠AI眼镜，用于帮助求职者。
Meta已与成立于1918年的非营利组织CNIB合作，将AI眼镜带给更多加拿大盲人、聋盲人或低视力人群。Meta的资金将支持CNIB在四个领域开展工作：社区倾听、由社区倡导者主导的同伴培训、与Meta的无障碍和产品团队分享见解，以及提供无障碍指南和培训材料。Meta还通过CNIB的“Come to Work”项目捐赠AI眼镜，面向正在探索就业的人群。
Meta正与五所美国大学——加州理工学院、俄亥俄州立大学医学院、路易斯安那州立大学、印第安纳大学和UTHealth Houston——合作，并提供200万美元资助，支持利用其模型在医学、物理学、化学、生物学、计算机科学和数学领域开展研究。项目包括：基于Meta开放权重SAM模型构建的计算机视觉系统，用于检测婴儿气管造口管移位；多模态AI帮助对话代理适应痴呆症患者；以及从常规CT扫描和医疗记录预测心力衰竭风险的开放权重模型。
研究人员正在改造 Ai2 的开源 olmOCR 2 模型，用于转录历史和考古档案。历史学家 Maurice Casey 构建了 ArtificeOCR，在本地将 olmOCR 2 与 Tropy 配合运行，使他的档案照片库可进行关键词搜索；而维也纳工业大学的 CENTURIA 项目则用 LoRA 在 57 条标注记录上对 olmOCR 2 进行微调，将 450 条测试记录上的转录错误率从 15.58% 降至 1.11%。
Meta正在支持五所美国大学的研究——加州理工学院、俄亥俄州立大学医学院、路易斯安那州立大学、印第安纳大学和UTHealth Houston——为其提供最新Muse模型的使用权限、研究人员协作和资金支持。研究人员将使用Muse Spark Open、Muse Wonder、Muse Spark、30B开放权重的Muse Glimmer，以及SAM、V-JEPA、DINO、UMA和SeamlessM4T。项目涵盖医学、物理学、化学、生物学、计算机科学和数学，大学保留对所有患者和临床数据的控制权。
Apple 宣布对 Apple Creator Studio 进行更新，为 Keynote、Pages 和 Numbers 带来基于 Apple 及第三方模型的智能助手，并支持 Model Context Protocol，使外部 AI 代理可以读取这些应用中的内容并执行编辑。Mac 版 Final Cut Pro 现已内置 MotionVFX 和 Content Hub 库存视频，Logic Pro 新增测试版助手和可分离鼓声的 Stem Splitter，Pixelmator Pro 则加入 Generate Fill 用于自然语言图像编辑。这些更新将于今年 11 月在 App Store 上线，现有订阅用户免费，新订阅价格为每月 12.99 美元或每年 129 美元。
Google Research 在 IDWeek 2026 上介绍了其胸部 X 光结核病筛查模型如何从 2019 年《Radiology》上的一项基准测试，发展为经 CE MDR Class IIb 认证的工具，并由合作伙伴 Nexus AI 在六个国家的约 40 家医疗机构部署。已有 90 多名临床医生评估了超过 25,000 张胸部 X 光片，将周转时间从数周缩短至 45 秒以内，该工具还被部署在南非 Mponeng 金矿地下四公里处的离线环境中。Google 已通过 HAI-DEF 开源了胸部 X 光嵌入和 MedSigLIP，并发布了 MedGemma，称其下载量已超过 1000 万次，同时印度尼西亚卫生部正在利用国内 X 光片对这两个模型进行微调，以支持一项全国性筛查计划。
Audible 的技术团队正在使用可控文本转语音技术，让有声书中的角色拥有鲜明且一致的声音，并以对白应如何呈现的自然语言描述作为引导。BookLLM 组件能够刻画角色并识别其对话，在英语中准确率达 97%，在西班牙语中达 94%；同时，一条合成数据流水线利用带字幕的语音来训练模型。在 MUSHRA 测试中，对话区分度提升了 3.7 分，并且在英语和西班牙语测试中，十种声音里有八种在聆听体验上取得了统计显著的提升。
Ai2 发布了 OlmoEarth v1.3，这是一个卫星嵌入模型，可将一年的 Sentinel-1、Sentinel-2 和 Landsat 时间序列转换为每个 10 米像素一个 128 维向量，其中前 64 维可作为更小的嵌入使用。Ai2 预计算了全球的年度嵌入并发布在 Source Cooperative 上，其 128 维嵌入在针对 AlphaEarth Foundations 和 Tessera v2 的 27 项评估中有 20 项得分最高，包括一项名为 PLANTEUR 的新热带作物基准。此次发布还包括 OlmoEarth Embeddings Explorer，这是一个无需登录的浏览器工具，可用于比较年份、查找相似地点并就地训练小型分类器，其中 2025、2024 和 2023 年为全球范围，2017 至 2022 年覆盖部分国家；权重、预训练数据和代码均已开放。
Google Research 在 JAMA Network Open 上发表了一项前瞻性多中心研究，显示其 AI 模型通过盲扫超声估计孕龄的平均绝对误差为 4.18 天，而使用标准生物测量的专家超声医师为 4.48 天。该模型仅在 120 名芝加哥参与者上进行了最小调优，并在内罗毕未做任何本地优化的情况下进行测试，达到 4.27 天的 MAE，而芝加哥为 4.10 天。该研究面向一线孕产妇护理，WHO 估计每年有超过 25 万例可预防的妊娠相关死亡发生，且三分之二的人无法获得诊断成像。
Meta 发布了 Muse Spark Open 的权重，这是一个开放权重的原生多模态模型，总参数 816B（激活参数 42B），上下文窗口为 1M token，定位面向编程和智能体任务。它是同类模型中首个借助 MLX 框架、在两台 Apple M5 Ultra Mac Studio 上于桌面端运行的模型，并可通过 Baseten、Fireworks AI、Groq、Modal、Nebius、OpenRouter 和 Together AI 等 API 合作伙伴获取，权重已在 Hugging Face、Amazon SageMaker AI、Google Cloud Model Garden 和 Microsoft Foundry Models 上提供。Meta 表示，该模型在 SGLang 中附带可自动调优的 Helion GPU 内核，在 NVIDIA 和 AMD GPU 上实现 1.03-3.95 倍的内核级加速，在 AMD MI350 上实现 3% 的端到端加速。
推荐理由：Meta 发布了一个 816B 参数多模态模型的开放权重，该模型可在两台 Mac Studio 上运行，为开发者提供了一个用于长程编程和智能体任务的本地选项。
Import AI 476 介绍了一项新基准，显示前沿大语言模型在直觉视觉推理上仍落后于人类，GPT 6 Astra 的 pass@1 得分为 53.6，而人类基线为 93.1。文章还讨论了AI系统通过 TasteVal 基准在“研究品味”上的提升，并认为AI可能加速太空工业化并形成复利式的先发优势。
Mistral 已推出 Mistral Large 4 的公开预览版，这是一个 1 万亿参数的原生多模态模型，拥有 520 亿活跃参数，现可通过 Mistral Studio API 使用。Mistral 表示，该模型可与最强的开源模型竞争，并优于美国和欧洲的其他开放权重模型，在 Artificial Analysis Cyber Index 漏洞复现与修补测试中得分 82%，在其综合 Coding Agent Index 中得分 49.8%。权重将于本月底发布，此前已与网络安全合作伙伴和主管部门进行红队测试；Mistral 表示，该模型是在其自有欧洲数据中心内的 3,800 块 NVIDIA Grace Blackwell GPU 上从零开始训练的。
推荐理由：Mistral 迄今最大的模型声称在网络安全和智能体编程方面拥有开放权重领先地位，并承诺月底发布权重。
Ethan Mollick 认为，像 GPT-6 Astra 和 Fable 5.1 这样的现有模型在得到恰当引导时，已经能完成数周的人类工作量，但它们的能力却几乎未被使用。他通过让 GPT-6 Astra 把 1977 年的文字冒险游戏 Zork 改造成可玩的 3D 动作游戏，以及让 Fable 5.1 以 3D 形式重建翁贝托·埃科的图书馆——在 27,000 个书架位置中放置约 5,000 本已识别的书籍——来证明这一点。Mollick 将这一差距称为“能力悬置”，并表示用户应将 AI 与深度知识、广博知识、品味和能动性相结合。
创意工作室 Afterimage 用真实拍摄的素材测试了 GPT-6 Astra，看它的 Blender 3D 技能能否迁移到视觉特效工作中。Astra 处理的任务范围很广，从在移动摇镜中替换一个盘子，到在布鲁克林街景中添加一栋建筑，再到在手持 iPhone 拍摄的画面中让一个巨大的游行花车出现在窗外。有些镜头成功了，有些没有，但团队最终构想出了他们以前从未尝试过的特效。
MiniMax 推出了 Music 3.0，这是一款开放权重音乐生成模型，能够根据创意概念和可选歌词，在单次生成中作曲、编曲并制作出最长五分钟的完整歌曲。该流程将一个基于 Qwen3.5-8B 初始化的 8B Global LLM 与一个 0.6B Local LLM 配对，融合二者连续的隐藏状态来为 2.4B 流匹配模块和 123M Flow-VAE 提供条件，并使用八层 RVQ 以及随时间描述情感、配器和演唱方式的结构化字幕（Structured Captions）。MiniMax 表示，这能更准确地理解创作意图，编曲更丰满，人声更清晰、更自然。
推荐理由：MiniMax 的架构拆解展示了 8B 全局 LLM 如何与 0.6B 局部模型及流匹配技术栈配合，以解决长歌曲的连贯性问题。
MiniMax 发布了 H3，这是一款通用多模态生成模型，可将文本、图像、视频和音频理解为统一上下文，并生成最高 15 秒、2K 分辨率且带原生立体声的视频。该公司称，2K 输出的每秒成本不到主流模型的三分之一，并计划在符合适用法律法规的前提下于未来几天开放模型权重。H3 基于 Contextual Omni Representation、H3-VAE、H3-Omni Transformer 和 In-Context Regeneration 构建，MiniMax 表示完整技术报告即将发布。
推荐理由：MiniMax 的 H3 将文本、图像、视频和音频生成统一在一个模型中，并声称 2K 定价低于主流模型的三分之一，同时承诺很快开放权重。
Ethan Mollick 发布了一份犀利指南，认为如今使用 AI 意味着运行将模型与工具结合的智能体系统，而不只是与聊天机器人对话。他推荐每月 20 美元的 ChatGPT（Work 和 Codex 模式）或 Claude（Cowork 和 Code 模式）用于实际工作，起步时使用 GPT-5.6 Sol 或 Fable/Opus 的高思考等级，并保持审批提示开启以防范提示注入。他还表示，谷歌目前没有领先的前沿模型或 Codex/Code 的等价物，不过 Gemini Notebook 和 Gemini Omni 在研究 and 视频编辑方面仍然有用。
Thinking Machines 发布了 Inkling，这是一个通用多模态模型，可接收文本、图像和音频输入并输出文本，Modal 从第一天起就以按 token 计费的托管端点形式提供该模型。Inkling 是一个混合专家 Transformer，总参数 975B，激活参数 41B，上下文窗口 1M token，原生支持音频和视觉，每五个滑动窗口注意力层对应一个全注意力层。在 8 块 B200 上的智能体工作负载中，Modal 定制的 DFlash 推测器在每 GPU 吞吐 2.5M TPM 时达到每用户每秒 250 token，在同等吞吐下交互速度比模型内置的推测路径快 67%。
推荐理由：Modal 为 Thinking Machines 的 975B 参数 Inkling 提供的首日端点表明，定制的 DFlash 推测器将交互速度比模型内置的推测路径提升了 67%。
MiniMax 发布了 M3，这是一款开放权重模型，据称是首个将前沿编程与智能体性能、100 万 token 上下文窗口以及原生图像和视频输入结合在一起的模型。M3 采用 MiniMax 新的 MSA 稀疏注意力架构，公司报告称该架构将 100 万上下文下的每 token 计算量降至上一代的 1/20，并将预填充速度提升 9 倍以上、解码速度提升 15 倍以上。它在 SWE-Bench Pro 上得分 59.0%，在 Terminal-Bench 2.1 上得分 66.0%，在 MCP Atlas 上得分 74.2%，可通过 MiniMax Code、Token Plan 和 API 使用，权重和技术报告承诺在 10 天内发布。
推荐理由：MiniMax M3 将 100 万 token 上下文、前沿编程与智能体得分以及原生图像和视频输入结合在一个开放权重模型中，MSA 降低了长上下文下的每 token 计算量。
Modal 在多模态工作负载上对 SGLang 的调度器进行了性能分析，并用一个简单的 Python 字典缓存替代了重复的 CUDA IPC 句柄记录工作，在 H100 上运行 Qwen2.5-VL-3B-Instruct 时，吞吐量提升了 16.2%，平均 TTFT 降低了 13.2%，TPOT 降低了 17.2%。该修复已合并到 SGLang v0.5.10 中。
Narakeet 可将书面文稿转换为逼真的配音，提供 70 多种语言的 600 多种声音，并支持 140 多种语言和方言。该平台可将旁白与 PowerPoint、Google Slides 和 Markdown 文件同步，生成字幕和说明文字，并提供支持批处理的开发者 API。套餐起价约为每月 5 美元，并提供免费套餐。
一个演示应用利用时间戳、地理位置数据和来自 Clay v1 基础模型的卫星图像嵌入，对加利福尼亚州进行混合搜索。Modal 负责编排每日 Sentinel API 查询、MongoDB Atlas 存储以及在 A10 GPU 上进行 GPU 嵌入推理，并通过 FastAPI 提供一个小的 Alpine JS 前端。