AI at Meta 公布 Muse Spark 1.2 的多模态能力：可把视觉输入转成可运行代码，也能把感知转成物理动作。演示包括根据图像或视频生成网页与游戏，并用渲染与行为结果做自我改进；以及作为机器人“大脑”拆解指令、调用工具、观察结果直到完成，例如双臂整理桌面。该模型还用于内部媒体生成与下游信号抽取。
40 款主流编程套餐横向比价，支持输入/输出 Token 真实账单模拟
即刻查看该技术对应模型与主流工具的实测差异，或一键测算团队 API 调用与 $20/月套餐盈亏平衡点。
说明：本文由 AICoder 编辑部借助 AI 工具整理撰写，依据文中注明的官方及媒体来源，并按人工制定的采编标准核对事实与数字；厂商自报的数据已标明出处。
联动天梯榜跑分、独家套餐赠金与 IDE 定制规则
Google DeepMind 于 2026-10-06 发布 EmbeddingGemma 2：基于 Gemma 4 架构、740M 参数、Apache 2.0 许可，把文本、代码、图像、音频、视频映射到同一 768 维向量空间，上下文 8K，MTEB Code 从 68.76 提升到 78.68，量化后在 Pixel 11 Pro 上纯文本仅需约 191MB 内存。Hugging Face Transformers v5.19.0 已原生支持。
Mistral 于 2026-10-06 发布 Mistral Large 4 公测 API：1.05T 总参、49B 激活的细粒度 MoE，配 1.6B 视觉编码器，1M 上下文，在欧洲自建机房 3,800 张 Grace Blackwell 上从零训练。DeepSWE v1.1 61.7%、Cybench 93%，官方称在开源模型中网络安全、金融、法律达到 SOTA；权重承诺本月底开放。
Hugging Face 于 2026-09-30 发布 transformers v5.18.0（PyPI 5.18.0）。新增 NVIDIA Nemotron 3 Diarization（流式/离线、最多 8 说话人、80 ms–30.4 s 可配缓冲）、NemotronH Omni（文本/图/视频/音频联合推理）、NAVER HyperCLOVAX Vision V2（含 <think> 思维链）以及 GTE 双向编码器（RoPE + gated MLP，覆盖 gte/snowflake-arctic-embed 系）。文档已上线对应 modeldoc 页。
讨论与评论
0登录后即可参与深度讨论
与广大 AI 开发者、工程师交流评测心得与前沿洞察