#多模态
Google 搜索接入 Gemini 3 推出生成式 UI 功能
Google 将 Gemini 3 模型接入搜索 AI 模式，显著提升复杂问题理解与推理能力，并推出生成式 UI：支持动态视觉布局、实时生成交互工具（如三体模拟、贷款计算器）及多模态响应。目前面向美国 AI Pro/Ultra 用户开放，后续将逐步扩展。
Captain：突破 RAG 局限的新一代知识检索引擎
Captain 是一款由 YC 投资的新一代知识检索引擎，基准测试准确率达 95%，显著超越传统 RAG 的 78%；采用创新的无限上下文窗口架构，支持多模态数据与海量非结构化知识的高精度、低延迟检索，无需复杂调优即可无缝接入企业数据源。
DeepSeek 发布了一款超强的开源 OCR 模型：DeepSeek-OCR
DeepSeek 开源 OCR 模型 DeepSeek-OCR 提出“文本渲染为图”新范式，用自研视觉编码器将长文档高压缩为少量视觉 Token，10 倍压缩下还原精度达 97%；支持多语言、复杂版式与图表识别，端到端输出 Markdown/HTML，兼具高效推理与泛视觉理解能力。
AI Master 对 Gemini 3.0 的预测
据网传谷歌内部文件，Gemini 3.0 或将于10月下旬发布，主打更强逻辑推理与编程能力、原生智能体操作（如订票、发邮件）、深度整合 Workspace、多模态支持（文本/图/视频），并推出超快响应的 Flash 版及 Android 本地 Nano 模型，构建覆盖多场景的 AI 生态系统。
如何通过谷歌云为 AI 和机器学习设计存储方案
谷歌云通过Vertex AI与GCS构建AI/ML全链路存储方案：支持S3迁移、Filestore挂载保障Checkpoint、GCS Fuse与Anywhere Cache加速训练推理、实时资源监控及模型归档部署，兼顾性能、可靠性与运维效率。
ChatGPT 模型系列官方使用指南
OpenAI官方发布ChatGPT模型系列使用指南，详解GPT-4o、GPT-4.5、o4-mini等六款模型的适用场景与提示词范例：GPT-4o支持全模态日常任务；GPT-4.5强化情感表达与创意写作；o4-mini系列专注高效技术推理；o3和o1-pro分别面向复杂多步分析与高精度长周期任务。
π0.5：迈向开放世界泛化机器人的基础模型
π0.5是Physical Intelligence推出的视觉-语言-行动（VLA）基础模型，通过多源异质数据协同训练，显著提升机器人在全新家庭环境中的泛化能力。它能理解物理操作与任务语义，完成清洁、整理等复杂长程任务，仅需约100个训练环境即可接近定制化训练效果，降低对海量场景数据的依赖。
通过图片、视频生成音乐的 AI 神器：Tem.Polor
Tem.Polor 是一款视觉驱动的AI音乐生成工具，支持上传图片或视频，自动分析画面内容与情绪，生成风格契合的专属背景音乐。不同于Suno、Udio等文生音模型，它为短视频、图文等内容创作者提供了更直观、高效的配乐方案。
英伟达 "描述一切"（Describe Anything） 模型介绍
英伟达联合伯克利等机构推出“描述一切”（Describe Anything）模型，支持通过点选、框选、涂鸦等方式交互指定图像或视频局部区域，自动生成精准自然的语言描述。其核心DAM模型融合SAM等分割技术，实现“协同分割+语言理解”，突破整图描述局限，适用于医疗影像、自动驾驶、教育等需细粒度视觉理解的场景。