跳到正文
#多模态
  1. Google DeepMind82

    Google DeepMind 发布世界模型 Genie 4

    Google DeepMind 发布世界模型 Genie 4，可实时生成带原生音频的交互式模拟世界，并以自然语言实时修改天气、镜头和场景元素。Genie 4 首次在该系列中直接生成环境音与可随输入变化的人物对话，并由 Gemini 3.8 Flash 作为引导智能体拆解多步任务、检查每帧进度。

    推荐理由：官方披露了原生音频、实时语言操控与 Gemini 引导的多步推理三项能力，可据此判断世界模型的交互边界。

  1. Google DeepMind72

    Google DeepMind 发布 EmbeddingGemma 2 开源多模态嵌入模型

    Google DeepMind 发布 EmbeddingGemma 2，将文本、图像、音频、视频和代码映射到统一嵌入空间，采用 Apache 2.0 许可，参数量 740M。

    推荐理由：原文给出参数量、模块化拆分和端侧内存占用，读者可据此判断多模态嵌入在本地检索中的落地空间。

已经到底了