Cartesia 推出 Multilingual Voices 多语言语音
Cartesia 发布 Multilingual Voices，50+ 语音库音色可原生支持最多 25 种语言，并支持把自建语音克隆做成多语言。每个语言和口音由母语者按评分标准审核，检查口音是否保持以及日期、数字、货币是否按当地方式朗读。
#多模态
日期栏展示收录日期，历史补录归入原文日期。
Cartesia BlogAI 评分5858
EveryAI 评分3838 Vibe Check：Astra 是独立电影人的突破吗？
创意工作室 Afterimage 用真实拍摄素材测试了 GPT-6 Astra，任务包括替换移动镜头中的餐盘、在布鲁克林街景中添加建筑、让巨型游行花车出现在手持 iPhone 拍摄的窗外画面中，部分镜头成功、部分失败。
蚂蚁 inclusionAI · 新项目精选AI 评分6262 蚂蚁 inclusionAI 开源 Ming-Image 0.1 视觉设计生成模型
蚂蚁 inclusionAI 开源 Ming-Image 0.1 系列，包含两个 6B 参数模型：Ming-Image-0.1-Design 生成 UI、信息图、海报等完整视觉设计，Ming-Image-0.1-Design-Layer 将扁平设计图分解为可独立编辑的透明图层。
推荐理由：开源视觉设计生成与图层分解模型，附可复用的提示词改写流程和 Agent 技能，适合关注设计自动化的人参考。
蚂蚁 inclusionAI · 新项目精选AI 评分7272 蚂蚁 inclusionAI 与清华开源 Realtime-Venus 全双工交互系统
蚂蚁 Venus Team 与清华大学开源 Realtime-Venus 全双工交互系统，包含 9B 的 Realtime-Venus-Omni 与 Realtime-Venus-Audio 两个模型，以及负责后台任务执行的 Realtime-Venus-Harness 运行时。
推荐理由：可了解全双工对话模型与异步任务框架如何组合，以及开源仓库提供的模型与运行入口。
Midjourney UpdatesAI 评分3636 Alpha Changelog - 9/2/26
Midjourney 在 alpha.midjourney.com 上线 v8.2 编辑模型，并在 lightbox 中内置新编辑器，支持用自然语言指令编辑图片、附加最多 4 张参考图，并集中查看本次会话的所有编辑。
上海人工智能实验室 InternLM · 新项目精选AI 评分7171 InternLM 发布统一多模态模型 InternLumina-U2
上海人工智能实验室发布 InternLumina-U2，一个把语言、图像、视频和 3D 纳入同一框架的统一多模态模型，采用 16B-A1B 的 MoE 架构，基于 LLaDA-2.0 MoE 扩散语言模型骨干。
推荐理由：上海人工智能实验室开源统一多模态模型，读者可了解其多码本离散表示与昇腾训练路径。
蚂蚁 inclusionAI · 新项目精选AI 评分6262 inclusionAI 发布 LLaDA-UI：把块级扩散带到视觉语言 GUI 智能体
蚂蚁 inclusionAI 开源 LLaDA-UI，一个基于 MoE 的块级扩散视觉语言 GUI 智能体，端到端总参数约 16.7B，语言骨干为 LLaDA2.0-mini-base，视觉编码器为 SigLIP 初始化的原生分辨率 ViT。
推荐理由：蚂蚁 inclusionAI 开源扩散式 GUI 智能体，读者可了解其架构、跨平台训练数据与评测表现。
蚂蚁 inclusionAI · 新项目精选AI 评分6262 inclusionAI 开源 LLaDA-Image 图像生成与编辑模型
蚂蚁 inclusionAI 开源 LLaDA-Image，一个 6B 参数统一图像生成与编辑模型家族，包含 50 步 Base 模型和 4 步蒸馏 Turbo 模型，支持文生图、VQ 条件生成、参考图编辑及中英文文字渲染。
推荐理由：6B 参数统一生成与编辑模型开源，附推理代码和蒸馏版，可据此评估自部署图像方案。
LiveKit BlogAI 评分2222 超越 1:1：用 LiveKit 实现多参与方机器人系统
LiveKit 的 SFU 架构让机器人会话变成 Room，摄像头、模型、操作员和下游服务都只是新增参与方，无需重构传输层。在人在回路数据采集中，机器人、策略、操作员和录制器作为独立参与方共享同一实时会话，观测同时分发，策略动作与人工干预各自独立回传。VLM 可作任务级编排器，按需调用抓取、放置、插入等技能策略，每个技能策略作为独立参与方加入。
Liquid AI Blog精选AI 评分6262 LFM2.5-VL-3B：面向端侧更快更强的视觉语言模型
Liquid AI 发布视觉语言模型 LFM2.5-VL-3B，基于此前的 LFM2-VL-3B 在屏幕理解、grounding、函数调用和多图输入四方面做了改进，模型已在 Hugging Face 和 Playground 上线。
推荐理由：Liquid AI 发布 3B 端侧视觉语言模型，给出与更大模型的逐项基准对比和部署支持，可据此判断端侧多模态的当前水位。
Air Street Press精选AI 评分7878 FLUX 3：从视频生成到机器人控制
Black Forest Labs 上周发布多模态基础模型 FLUX 3，在单一架构中联合学习图像、视频和音频，可单次生成最长 20 秒带音频视频。其视频骨干被机器人公司 mimic 用于 FLUX-mimic，在软体装配任务上报告 95% 成功率，无需单任务微调，对比 π0.5 的 55% 和某流匹配策略的 70%。
推荐理由：FLUX 3 把视频生成骨干直接接到机器人动作预测上，读者可看到多模态世界模型向工业操作迁移的一条具体路径。
Air Street PressAI 评分6666 语言之外智能的理由
Google DeepMind 研究副总裁 Raia Hadsell 在 RAAIS 演讲中提出，大模型在足够数据上能学到复杂系统的底层规律，语言只是其中一种，天气、生物、合成世界和物理运动同样如此，而学界过度聚焦语言。
Goodfire ResearchAI 评分3636 用块稀疏特征提取器揭示视觉模型中的神经几何结构
Goodfire Research 提出块稀疏特征提取器（BSF），将模型激活分解为多维子空间而非 SAE 式的单条直线，在视觉模型中发现了可解释的多维特征，并能实现细粒度引导。研究显示模型中大多数概念都是多维的，BSF 对底层流形的还原保真度显著高于标准 SAE，且块稀疏原则也能提升 MFA 与 SMixAE 的还原能力。