World Labs 发布 RTFM 实时生成式世界模型研究预览
World Labs 分享了 RTFM（Real-Time Frame Model），一个可在交互时实时生成视频的生成式世界模型，今天以研究预览版开放。RTFM 可用于探索生成的 3D 世界和真实地点，并可在浏览器中 demo；其目标是在单个 H100 GPU 上以交互帧率推理。
推荐理由：原文披露了单 H100 实时生成持久 3D 世界的架构思路，可作为世界模型工程取舍参考。
多模态
全部主题文本之外的能力：视觉理解、图文混合、音视频输入输出的模型与产品进展。
最新精选
第 81–93 条 · 共 93 条World Labs精选AI 评分7777
baidu · Hugging Face 新模型精选AI 评分6565 百度发布 Qianfan-VL-70B 视觉语言模型
百度在 Hugging Face 上发布 Qianfan-VL-70B，属于 Qianfan-VL 通用多模态大语言模型系列，面向企业级多模态应用。该系列包含 Qianfan-VL-3B、Qianfan-VL-8B 和 Qianfan-VL-70B，均为 32k 上下文，其中 8B 和 70B 支持 CoT，70B 面向复杂推理和数据合成。
推荐理由：材料同时列出3B、8B、70B差异与训练流程，便于比较文档理解场景的部署取舍。
baidu · Hugging Face 新模型精选AI 评分6666 百度发布 Qianfan-VL-8B 多模态视觉语言模型
百度在 Hugging Face 发布 Qianfan-VL-8B，属于 Qianfan-VL 系列通用多模态大语言模型，面向企业级多模态应用并强化 OCR 与文档理解。
推荐理由：原文同时给出模型规格、训练流程和基准对比，便于评估其在 OCR 与文档理解场景的适配度。
baidu · Hugging Face 新模型精选AI 评分6969 百度 Qianfan-VL-3B 多模态模型上线 Hugging Face
百度在 Hugging Face 发布 Qianfan-VL-3B，属于 Qianfan-VL 通用视觉语言模型系列，面向企业级多模态应用并强化 OCR、文档理解等场景。
推荐理由：模型卡列出3B到70B规格、训练阶段、基准和部署示例，便于比较企业多模态场景适配。
World Labs精选AI 评分6868 World Labs 推出 Marble 限量 beta，可生成可导航 3D 世界
World Labs 推出 Marble 限量访问 beta 预览，用户可在 marble.worldlabs.ai 查看并创建 3D 世界。给定图像或文本提示词，其模型可生成可长期探索的 3D 世界，并称相比此前结果，世界更大、风格更多样、3D 几何更干净。
推荐理由：原文展示了从图像或文本生成可导航 3D 世界的入口和导出方式，便于评估创作者工作流适配。
Mistral AI精选AI 评分7474 Mistral AI 为 Le Chat 推出 Deep Research、语音模式、Projects 和图像编辑功能
Mistral AI 为 Le Chat 推出一组新功能，包括 Deep Research (Preview)、Voice mode、原生多语言推理、Projects 和高级图像编辑。
推荐理由：原文集中列出 Le Chat 的研究、语音、项目和图像编辑入口，便于比较其助手形态的扩展方向。
Mistral AI精选AI 评分8181 Mistral AI 发布 Voxtral 语音理解模型，开源 24B 与 3B 版本
Mistral AI 发布 Voxtral 语音理解模型，包括面向生产应用的 24B 版和面向本地与端侧部署的 3B 版。两个版本均采用 Apache 2.0 许可证，并可通过 API 使用，转写价格从 $0.001 per minute 起，也已开放在 Hugging Face 下载。
推荐理由：原文同时给出模型尺寸、授权、API价格和语音基准，便于评估开源语音理解的部署取舍。
Mistral AI精选AI 评分7272 Mistral AI 发布 Mistral Medium 3，主打低成本企业级语言模型
Mistral AI 发布 Mistral Medium 3，称其在 SOTA 性能、8X lower cost 和更简单部署之间取得平衡，面向企业使用。Mistral 称该模型在全套基准上达到或超过 Claude Sonnet 3.7 的 90%，价格为 $0.4 input / $2 output per M token，并在编码和多模态理解等专业场景表现突出。
推荐理由：原文同时给出价格、部署方式和对比基准，便于评估中型模型在企业场景的取舍。
Mistral AI精选AI 评分7777 Mistral AI 发布 Mistral Small 3.1，支持 128k tokens 上下文和多模态理解
Mistral AI 发布 Mistral Small 3.1，称其在文本性能、多模态理解和最长 128k tokens 上下文窗口上改进，并以 150 tokens per second 的速度超过 Gemma 3、GPT-4o Mini 等同类模型。
推荐理由：材料同时给出性能对比、运行门槛和开放渠道，便于评估小模型在端侧与企业场景的适配。
Mistral AI精选AI 评分7676 Mistral AI 发布 Mistral OCR 文档理解 API
Mistral AI 发布 Mistral OCR，这是一款用于文档理解的 OCR API，可处理图片和 PDF，抽取有序交错的文本与图片，适合与面向多模态文档的 RAG 系统结合。
推荐理由：原文同时给出基准、价格和部署形态，便于比较文档理解 API 在 RAG 流程中的位置。
Suno Blog精选AI 评分6565 Suno 推出 Suno Scenes，可用照片和视频创建歌曲
Suno 推出新功能 Suno Scenes，让用户可以从手机相机中的照片和视频创建独特歌曲。该功能首先面向 iOS 移动用户开放，下载 app 后可在歌曲创作体验的 Camera mode 下找到。Suno 鼓励用户用 #sunoscenes 和 @suno_ai_、@sunomusic 分享创作内容。
推荐理由：原文说明了从照片和视频生成歌曲的入口，可帮助判断 Suno 在移动端创作场景的扩展。
Suno Blog精选AI 评分6464 Suno 发布移动应用，iOS 版先在美国上线
Suno 宣布推出 Suno mobile app，version one 可在手机上制作、收听和整理音乐。用户可以用文本歌词和描述生成歌曲，也可以用手机录音并把音频变成歌曲；Suno 称已有 Twelve million people 使用过其产品。该应用目前先从美国 iOS 开始，Android、全球发布和更多更新将随后推出。
推荐理由：官方给出移动端版本的可用范围和核心入口，便于判断音乐生成如何迁移到手机场景。
Suno Blog精选AI 评分7676 Suno 推出 Audio Input 功能，支持用任意声音生成歌曲
Suno 发布 Audio Input 功能，Pro & Premier 用户现在可以上传或录制自己的音频来生成歌曲。用户可在 Library 或 Create 页面点击 Upload Audio，录制音频或上传 6 - 60 秒的音频/视频片段，再选择 Extend、设置延展时间点、填写曲风并可加入歌词。Suno 表示受版权保护的作品会被阻止上传，所有带人声的输入将保持私密且不可搜索。
推荐理由：原文同时给出上传流程和责任限制，便于判断音频输入会怎样进入音乐创作流程。