跳到正文
只看基础模型与核心算法#多模态
  1. Google DeepMind72

    Google DeepMind 发布世界模型 Genie 4，原生生成音频并支持实时交互

    Google DeepMind 发布世界模型 Genie 4，可实时生成画面与原生音频，并支持用自然语言在模拟过程中修改天气、镜头和人物。该模型引入实时交互对话，角色能对用户输入即时回应；Gemini 3.8 Flash 在循环中充当引导智能体，把目标拆成步骤并检查每帧进度。

    推荐理由：官方同时给出四项能力变化和已知局限，读者可据此判断实时世界模型目前能做什么、还差在哪。

  1. Google DeepMind77

    Google DeepMind 发布 Gemini 4 Argon 机器人物理推理模型

    Google DeepMind 发布 Gemini 4 Argon，一款面向机器人的通用物理推理模型，在测试 3D 环境物理与空间问题理解的 Embodied Reasoning（ERQA）基准上以纯推理取得 87%，超过其他前沿模型。

    推荐理由：官方给出 ERQA 87% 与真机成功率 56% 到 75% 的对照，可判断物理推理模型在机器人全流程中的位置。

  2. Google DeepMind83

    Google DeepMind 发布 Gemini 4 Argon 模型

    Google DeepMind 发布 Gemini 4 Argon，面向开发者、企业和科研人员开放，应用程序编程接口（API，Application Programming Interface） 定价为每百万输入 token 2 美元、每百万输出 token 10 美元。

    推荐理由：官方披露了 Argon 在代码重构、科研与安全测试中的具体数字，可据此判断前沿模型在长周期任务上的实际边界。

已经到底了