ZoomGain 利用只有放大後才會清晰的視覺細節，針對整張影像建構問題，並將這種全域到縮放的感知落差作為視覺語言模型的監督訊號。本次發布包含 arXiv 論文、ZoomGainBench 基準（1,000 道問題，涵蓋 941 張影像，涉及屬性辨識、計數與 OCR）、涵蓋 7,713 張來源影像的 9,000 筆 RL 訓練紀錄，以及 ZoomGain-4B 與 ZoomGain-9B 檢查點。28 個模型中最佳者在 ZoomGainBench 上得分 61.08，而 ZoomGain-9B 在多項細粒度與通用感知基準上達到更優異的表現。
Meta 發布 Muse Ember，這是其最小、最高效的模型，瞄準代理整日從事的重複性工作，例如工具呼叫、程式編寫子任務、路由、擷取與長文件解析。Meta 表示，它在約三分之一的成本下達到 Claude Haiku 5.5 的最佳分數，並勝過所有 GPT-6 Luna 設定，每百萬輸入 token 為 0.10 美元、每百萬輸出 token 為 0.50 美元。它隨附 100 萬 token 的上下文視窗、最高 512K 輸出 token、原生文字、圖像、音訊與影片輸入，即日起在 Muse Code 與 Meta Model API 上以 muse-ember-1.0 提供。
推薦理由：Meta 最小的模型瞄準高頻的代理步驟，而其與 Claude Haiku 5.5 及 GPT-6 Luna 的每任務成本比較，說明了效率主張的來源。
Apple 本週在中國的 Apple Intelligence 中開始對 Qwen 進行開發者測試，為計劃於 12 月隨 iOS 27.3 推出的正式版本做準備，將以選擇加入的方式把 Qwen 引入 Siri、Writing Tools 和 Visual Intelligence。騰訊 11 月 4 日發布的 Hy4 新增視覺推理與電腦操作能力，而百度、Moonshot、螞蟻集團和美團也發布或推出了新模型。
VeRL-Omni v0.3.0 已發布，帶來非同步與解耦的 RL 執行路徑、以 V1 trainer 作為預設，並擴展了涵蓋圖像、影片、音訊與多模態理解的後訓練範圍。此版本新增全非同步的 Qwen3-Omni 文字與音訊訓練、搭配 replay buffer 的 separate-async Omni 與擴散訓練，以及包括 MiniMax H3 搭配 DiffusionNFT 與 MiniCPM-o 4.5 GSPO 的新配方。在 4×H800 80 GB 上進行的 MiniCPM-o 4.5 AVQA 實驗中，separate-async 3+1 在自然回應長度下每個 prompt 比 colocated 4+0 慢約 9%，在 512 tokens 時大致持平，在 1024 tokens 時則快約 6.7%。
Meta 在美國率先於行動裝置、網頁與 Mac 版的 Muse 應用中推出即時語音對話與表情虛擬人像。使用者點擊電話圖示即可對話，可打斷回應，並可從數百種語音中選擇，以及使用純語音、虛擬人像或全螢幕模式。語音功能即將登陸 AI Glasses 與 Muse Charm。
推薦理由：Meta 的 Muse 應用現已支援即時語音對話與表情虛擬人像，顯示語音與打斷處理正逐步進入消費級 AI 助理。
Google DeepMind 推出 Gemini Omni 1.2 Flash，現已在 Gemini API 與 Gemini for business 全面開放，具備原生 15 秒影片生成、多輪對話式編輯與更強的參考遵循能力。價格較 Gemini Omni 1.1 下降 30%，720p 影片為每秒 0.07 美元，使用者可先以 360p 或 720p 草擬，再升頻至 1080p 或 4K。短片長度可設定為 3 至 15 秒，以一秒為單位遞增，輸出帶有不可察覺的 SynthID 浮水印。
推薦理由：Gemini Omni 1.2 Flash 將原生短片長度提升至 15 秒，並將 720p 影片價格降低 30% 至每秒 0.07 美元，多輪對話式編輯現已全面開放。
Google DeepMind 推出 Gemini Omni 1.2 Flash，並在 Gemini API 與 Gemini for business 全面開放使用。該模型可生成與編輯原生片段，最長達 15 秒，高於 Omni 1.1 的 10 秒，支援多輪對話式編輯，並能更一致地維持角色、產品與風格參照；720p 影片現在每秒收費 0.07 美元，比 Omni 1.1 便宜 30%。輸出內容帶有 SynthID 浮水印，該模型正陸續在 Flow、Google Vids、Gemini 應用程式與 Google Ads 中推出。
推薦理由：Gemini Omni 1.2 Flash 將 720p 影片價格調降 30% 至每秒 0.07 美元，同時把原生片段延長至 15 秒，讓大規模製作影片的團隊多了一個更便宜的選項，可與先前版本比較。
VIALS-AA 分析了 19 個模型如何對科學影像進行推理，並對 9,177 次工具呼叫的執行軌跡進行分類。查看影像佔呼叫的 38.3%，影像準備或量測佔 47.3%；而影像量測在 GPT-6 Astra (max) 與 GPT-6.1 Sol (max) 上僅佔呼叫的 5–6%，相較之下 Claude Opus 5.5 (max) 與 Claude Sonnet 5.5 (max) 則為 25–27%。Gemini 3.8 Flash (high) 產生了該群體 86.7% 的評論／無操作呼叫，且各模型每項任務的成本差異接近 100 倍。
Descript 2026年11月6日的更新總覽新增生成式版面配置包，可將品牌規範、標誌與色彩轉化為四個 AI 提案方向，並在付費方案中提供完整的可編輯版面配置包。Underlord 現支援可重複使用的技能，在聊天中以「/」叫用，取代提示範本，而提示範本將於11月30日停用。刪除的專案現在會在垃圾桶中保留30天，Enterprise 雲端硬碟搜尋則能比對圖片和影片內的內容，包括透過 Descript MCP 和 API。
Google Research 推出 Agile Deliberation，這是一套框架，將主觀 AI 分類器的建立轉化為反覆對話，由 AI 協助使用者釐清自己的定義。它將任務拆分為概念範疇界定與概念迭代，運用視覺語言模型找出邊界案例影像，並將回饋導入自動提示優化迴圈。在 18 場各 1.5 小時的實際使用者工作坊中，此方法減輕了使用者的疲勞與焦慮，並產出更一致的模型，表現優於標準基準；程式碼已在 GitHub 開源。
Preferred Networks 於 11 月 5 日在 Hugging Face 上，以開源權重模型形式發布 PLaMo 3 Translate，這是其 PLaMo Translation 服務所採用的翻譯專用 LLM。共有 0.8B、2B、8B 與 31B 四種規模，支援包含日文與英文在內的 53 種語言，可在智慧型手機、筆記型電腦與內部伺服器上執行，無需連線雲端。
推薦理由：PFN 發布翻譯專用 LLM，提供從 0.8B 到 31B 的四種規模，讓企業與個人能在裝置端執行 53 種語言的翻譯，無需雲端存取。
Meta 已與 INCA 合作，這是一家成立於 1918 年的加拿大非營利組織，旨在幫助更多加拿大盲人、聾盲及低視力人士受益於 AI 眼鏡。Meta 的資金將支持 INCA 在四個方面的工作：傾聽社群聲音、支持負責舉辦線下演示和同儕培訓的社群倡導者、將社群回饋納入 Meta 的無障礙與產品團隊，以及提供無障礙學習指南和培訓資源。Meta 還透過 INCA 的「Opening the Doors to Work」計畫捐贈 AI 眼鏡，幫助求職者。
Meta 已與成立於 1918 年的非營利組織 CNIB 合作，將 AI 眼鏡帶給更多失明、失明兼失聰或低視力的加拿大人。Meta 的資助將支持 CNIB 在四個領域的工作：社區傾聽、由社區倡導者帶領的同儕培訓、與 Meta 的無障礙及產品團隊分享見解，以及無障礙指南與培訓材料。Meta 也透過 CNIB 的 Come to Work 計畫捐贈 AI 眼鏡，供探索就業的人士使用。
Meta正與五所美國大學合作——加州理工學院、俄亥俄州立大學醫學院、路易斯安那州立大學、印第安納大學與UTHealth Houston——並提供200萬美元，支持利用其模型在醫學、物理、化學、生物、電腦科學與數學領域的研究。項目包括一個基於Meta開放權重SAM模型構建的電腦視覺系統，用於檢測嬰兒氣管導管移位；多模態AI幫助對話代理適應失智症患者；以及從常規CT掃描與醫療記錄預測心臟衰竭風險的開放權重模型。
研究人員正在調整 Ai2 的開源 olmOCR 2 模型，用以轉錄歷史與考古檔案。歷史學家 Maurice Casey 打造了 ArtificeOCR，讓 olmOCR 2 搭配 Tropy 在本機執行，使他收藏的檔案照片庫可供關鍵字搜尋；而維也納工業大學（TU Wien）的 CENTURIA 專案則以 LoRA 對 olmOCR 2 進行微調，使用 57 筆標註紀錄，將 450 筆測試紀錄的轉錄錯誤率從 15.58% 降至 1.11%。
Meta 正支持五所美國大學的研究——加州理工學院、俄亥俄州立大學醫學院、路易斯安那州立大學、印第安納大學與 UTHealth Houston——提供其最新 Muse 模型的使用權、研究人員合作與資金。研究人員將使用 Muse Spark Open、Muse Wonder、Muse Spark、30B 開放權重模型 Muse Glimmer，以及 SAM、V-JEPA、DINO、UMA 與 SeamlessM4T。研究項目涵蓋醫學、物理、化學、生物、電腦科學與數學，所有病患與臨床數據的控制權仍歸各大學所有。
Apple 為 Apple Creator Studio 推出更新，將建構於 Apple 與第三方模型的智慧助理帶進 Keynote、Pages 和 Numbers，並支援 Model Context Protocol，讓外部 AI 代理能讀取這些 App 的內容並執行編輯。Mac 版 Final Cut Pro 現在內建 MotionVFX 與 Content Hub 庫存影片，Logic Pro 新增 Beta 版助理與可分離鼓聲的 Stem Splitter，Pixelmator Pro 則加入可用自然語言編輯影像的 Generate Fill。這些更新將於今年 11 月在 App Store 上線，現有訂閱者免費，新訂閱為每月 $12.99 或每年 $129。
Google Research 在 IDWeek 2026 上說明，其胸部 X 光結核病篩檢模型如何從 2019 年《Radiology》的基準測試，進展為一款通過 CE MDR Class IIb 認證的工具，並由合作夥伴 Nexus AI 在六個國家約 40 家醫療機構部署。超過 90 名臨床醫師已評估逾 25,000 張胸部 X 光片，將周轉時間從數週縮短至 45 秒以內，該工具也已在南非 Mponeng 金礦地下四公里處離線部署。Google 已透過 HAI-DEF 開源胸部 X 光嵌入與 MedSigLIP，並發布 MedGemma，稱其下載量已突破 1,000 萬次；同時印尼衛生部正以國內 X 光片微調這兩款模型，用於全國篩檢計畫。
Audible 的技術團隊正運用可控文字轉語音技術，讓有聲書角色擁有鮮明且一致的聲音，並以自然語言描述對話該如何呈現作為引導。BookLLM 元件能分析角色特徵並辨識其對話，英文準確率達 97%，西班牙文達 94%；同時，一套合成資料流程以帶字幕的語音訓練模型。在 MUSHRA 測試中，對話區辨度提升了 3.7 分，且在英文與西班牙文測試中，十種聲音裡有八種的聆聽體驗獲得統計上顯著的改善。
Ai2 發布 OlmoEarth v1.3，這是一款衛星嵌入模型，能將一整年的 Sentinel-1、Sentinel-2 與 Landsat 時間序列，轉換為每個 10 公尺像素一個 128 維向量，其中前 64 維可作為較小的嵌入使用。Ai2 預先計算了全球的年度嵌入並發布於 Source Cooperative，其 128 維嵌入在 27 項評估中的 20 項拿下最高分，對手包括 AlphaEarth Foundations 與 Tessera v2，其中也包含一項名為 PLANTEUR 的熱帶作物新基準。此次發布還包括 OlmoEarth Embeddings Explorer，這是一款免登入的瀏覽器工具，可比較不同年份、尋找相似地點，並即時訓練小型分類器，涵蓋 2025、2024 與 2023 年全球範圍，以及 2017 至 2022 年部分國家；權重、預訓練資料與程式碼皆為開放。
Google Research 在 JAMA Network Open 發表了一項前瞻性多中心研究，顯示其 AI 模型可從盲掃超音波估算孕齡，平均絕對誤差為 4.18 天，而專家超音波技術員使用標準生物測量法的誤差為 4.48 天。該模型僅在 120 名芝加哥參與者上進行了最低限度的調校，並在奈洛比未經任何本地優化的情況下進行測試，達到 4.27 天的 MAE，相較之下芝加哥為 4.10 天。這項研究針對前線孕產婦照護，世界衛生組織估計每年有超過 250,000 例可預防的妊娠相關死亡，且三分之二的人缺乏診斷影像的可及性。
Meta 發布了 Muse Spark Open 的權重，這是一個原生多模態的開放權重模型，總參數 816B（活躍參數 42B），上下文視窗達 1M token，定位於程式編寫與代理式工作。它是同類模型中首個能在桌面上運行的模型，使用兩台 Apple M5 Ultra Mac Studio 搭配 MLX 框架；並可透過 Baseten、Fireworks AI、Groq、Modal、Nebius、OpenRouter 與 Together AI 等 API 合作夥伴取得，權重則發布於 Hugging Face、Amazon SageMaker AI、Google Cloud Model Garden 與 Microsoft Foundry Models。Meta 表示，該模型隨附 SGLang 中可自動調校的 Helion GPU 核心，在 NVIDIA 與 AMD GPU 上帶來 1.03–3.95 倍的核心層級加速，在 AMD MI350 上則有 3% 的端到端加速。
推薦理由：Meta 發布了一個 816B 參數多模態模型的開放權重，該模型可在兩台 Mac Studio 上運行，為開發者提供了針對長時程程式編寫與代理式任務的本地選項。
Import AI 476 涵蓋一項新基準，顯示前沿 LLM 在直覺視覺推理上仍落後於人類，GPT 6 Astra 得分 53.6 pass@1，而人類基準為 93.1。文中亦討論 AI 系統透過 TasteVal 基準在「研究品味」上有所提升，並主張 AI 可加速太空工業化並創造複合的先發優勢。
Mistral 已推出 Mistral Large 4 的公開預覽版，這是一個 1 兆參數的原生多模態模型，擁有 520 億活躍參數，現已可透過 Mistral Studio API 使用。Mistral 表示，該模型可與最強的開源模型競爭，並優於美國和歐洲的其他開放權重模型，在 Artificial Analysis Cyber Index 的漏洞重現與修補測試中得分 82%，在其綜合 Coding Agent Index 中得分 49.8%。權重將於本月月底釋出，此前已與網路安全合作夥伴和主管機關進行紅隊測試；Mistral 表示，該模型是在其歐洲自有資料中心內、以 3,800 顆 NVIDIA Grace Blackwell GPU 從頭訓練而成。
推薦理由：Mistral 迄今最大的模型宣稱在網路安全和代理式程式設計方面取得開放權重領先地位，並承諾於月底釋出權重。
Ethan Mollick 主張，像 GPT-6 Astra 和 Fable 5.1 這類現有模型在適當引導下，已能完成數週份量的人類工作，但其能力仍幾乎未被充分利用。他透過讓 GPT-6 Astra 將 1977 年的文字冒險遊戲 Zork 改造成可玩的 3D 動作遊戲，並讓 Fable 5.1 以 3D 重建 Umberto Eco 的圖書館，在 27,000 個書架位置中放入約 5,000 本已辨識的書籍，來證明這一點。Mollick 將這個落差稱為「能力過剩」（capability overhang），並表示使用者應將 AI 與深度知識、廣泛知識、品味和能動性結合。
創意工作室 Afterimage 用真實拍攝的素材測試 GPT-6 Astra，看看它的 Blender 3D 技能是否能延伸到視覺特效工作上。Astra 處理的任務範圍從在移動的橫搖鏡頭中替換一個盤子，到在布魯克林街道上添加一棟建築，以及在手持 iPhone 拍攝的畫面中讓一個巨大的遊行花車出現在窗外。有些鏡頭成功了，有些則沒有，但團隊最終構思出了他們以前從未嘗試過的特效。
MiniMax 推出 Music 3.0，這是一款開放權重音樂生成模型，能從創意概念與可選歌詞出發，單次生成即可作曲、編曲並製作長達五分鐘的完整歌曲。此流程將一個由 Qwen3.5-8B 初始化的 8B Global LLM 與一個 0.6B Local LLM 配對，融合兩者的連續隱藏狀態，用以調控一個 2.4B flow-matching 模組與一個 123M Flow-VAE，並採用八層 RVQ 以及隨時間描述情緒、樂器編制與演唱方式的 Structured Captions。MiniMax 表示，這能更準確地詮釋創作意圖、編曲更飽滿，人聲也更清晰自然。
推薦理由：MiniMax 的架構拆解顯示，一個 8B 全域 LLM 搭配一個 0.6B 本地模型與 flow-matching 堆疊，如何針對長歌曲的連貫性問題。
MiniMax 推出 H3，這是一款通用多模態生成模型，能將文字、圖像、影片與音訊理解為統一的上下文，並生成最高 15 秒、2K 解析度且帶原生立體聲的影片。該公司表示，2K 輸出的每秒成本不到主流模型的三分之一，並計劃在未來幾天內依適用法規開放模型權重。H3 建構於 Contextual Omni Representation、H3-VAE、H3-Omni Transformer 與 In-Context Regeneration 之上，MiniMax 表示完整技術報告即將發布。
推薦理由：MiniMax 的 H3 將文字、圖像、影片與音訊生成統一到一個模型中，並聲稱 2K 定價低於主流模型的三分之一，權重也承諾很快開放。
Ethan Mollick 發表了一份帶有個人觀點的指南，主張現在使用 AI 意味著運行結合模型與工具的代理式系統，而不只是與聊天機器人對話。他推薦每月 20 美元的 ChatGPT（Work 與 Codex 模式）或 Claude（Cowork 與 Code 模式）用於實際工作，從 High 思考等級的 GPT-5.6 Sol 或 Fable/Opus 開始，並保持開啟核准提示以防範提示注入。他還表示 Google 目前沒有領先的前沿模型或 Codex/Code 的對等產品，不過 Gemini Notebook 和 Gemini Omni 在研究與影片剪輯方面仍然有用。
Thinking Machines 發布了 Inkling，這是一個通用多模態模型，可接收文字、圖像和音訊輸入並輸出文字，而 Modal 從第一天起就以基於 token 的定價，透過受管端點（Managed Endpoint）提供該模型。Inkling 是一個混合專家（MoE）Transformer，總參數 975B，活躍參數 41B，上下文視窗 1M token，原生支援音訊與視覺，每五層滑動視窗注意力層搭配一層完整注意力層。在配備 8 張 B200 的代理式工作負載上，Modal 自訂的 DFlash 推測器在每 GPU 吞吐量 2.5M TPM 時，達到每位使用者每秒 250 個 token，在相同吞吐量下，互動速度比模型內建的推測路徑快 67%。
推薦理由：Modal 為 Thinking Machines 的 975B 參數 Inkling 提供首日端點，展示了自訂 DFlash 推測器如何將互動速度提升至比模型內建推測路徑快 67%。
MiniMax 發布 M3，這是一款開放權重模型，該公司稱其為首個結合前沿編碼與代理能力、1M token 上下文窗口，以及原生圖像與影片輸入的模型。M3 採用 MiniMax 新的 MSA 稀疏注意力架構，該公司報告稱，此架構在 1M 上下文下將每 token 計算量降至前一代的 1/20，並將預填充速度提升逾 9 倍、解碼速度提升逾 15 倍。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%，並可透過 MiniMax Code、Token Plan 與 API 使用，權重與技術報告承諾在 10 天內發布。
推薦理由：MiniMax M3 將 1M token 上下文、前沿編碼與代理得分，以及原生圖像與影片輸入結合於一個開放權重模型中，並以 MSA 在長上下文下降低每 token 計算量。
Modal 對 SGLang 的排程器在多模態工作負載上進行了效能剖析，並以簡單的 Python 字典快取取代重複的 CUDA IPC handle 記錄作業，在 H100 上執行 Qwen2.5-VL-3B-Instruct 時，吞吐量提升 16.2%，平均 TTFT 降低 13.2%，TPOT 降低 17.2%。此修正已合併至 SGLang v0.5.10。
Narakeet 可將書面講稿轉換為逼真的旁白，提供橫跨 70 多種語言的 600 多種語音，並支援 140 多種語言和方言。該平台能讓旁白與 PowerPoint、Google Slides 和 Markdown 檔案同步，生成字幕和說明文字，並提供具備批次處理功能的開發者 API。方案每月約 5 美元起，並提供免費方案。
一個示範應用程式利用時間戳、地理位置資料，以及來自 Clay v1 基礎模型的衛星影像嵌入，對加州全境進行混合搜尋。Modal 負責統籌每日的 Sentinel API 查詢、MongoDB Atlas 儲存，以及在 A10 GPU 上進行 GPU 嵌入推論，並透過 FastAPI 提供一個小型 Alpine JS 前端。