celebrityanime

谷歌开源 EmbeddingGemma2：740M 多模态模型断网检索，占用不到 600MB

谷歌发布首个原生多模态开源嵌入模型 EmbeddingGemma2，参数 740M、内存占用不到 600MB，可在手机等设备离线完成图片、音频、视频和文本的跨模态检索。值得关注的是，它把 AI 搜索从云端重新拉回本地设备。

腾讯 AI 办公工具 WorkBuddy 于 2026 年 10 月 8 日上线独立文件浏览器，用户在系统文件管理器中右键点击本地文件即可调用 AI 进行查看、编辑和改写，修改结果可直接写回原文件。

alphaXiv 上公开的论文 RoboRender 提出用机器人导向的视频生成模型，把模拟器里的轨迹转成写实 RGB 视频再训练策略，使机器人在真实抓放、开门和移动操作中实现零样本部署，平均成功率达到 71%。

德国环保搜索引擎 Ecosia 宣布结束与法国 Mistral 的合作，转向包括中国开源模型在内的多种开源方案。这家曾把 Mistral 视为“欧洲 AI 自主”样板的企业，不到半年就因性能、稳定性和价值观分歧而分手。

机器人操作策略 VPP2 改变中间目标，让模型先预测完整操作事件的视觉未来，再据此生成动作，在真实 ALOHA 零样本任务中平均成功率达到 58.5%，比 π0.5 高出 18.5 个百分点。

alphaXiv 上的一篇论文提出，不需要让基座模型从零跑完整编码智能体任务，只需用它回放成功轨迹中的“决定性动作”，就能预测哪个基座检查点值得做昂贵的智能体后训练。

新论文提出 PhysEvo，在不更新模型权重的前提下，让一个任务 agent 与一个元 agent 通过轨迹诊断、工具修订和自我改进，把机器人操控成功率从直接调用 Astra 的 1.25% 提升到 55%，并在真实机器人上达到 84%。

alphaXiv 收录的论文提出 TouchScale，一个用统一可穿戴设备采集的 500 小时人类视触觉数据集，用于视觉-触觉学习。在机器人策略中做视觉-触觉中期训练后，四项真实接触密集任务平均成功率从 22.5% 提升到 57.5%。

Hugging Face Papers 收录的论文提出 UltraText Bench，一个覆盖 24 类真实场景、432 条中英各半提示词的双语基准，用来检验图像生成模型在密集视觉文字场景下的持续表现，而不只是短文字渲染。

产品人Peter Yang在X发帖称，AI已经解决了图像、音乐和视频生成问题，接下来将解决游戏；但评论区普遍质疑游戏的可玩性、留存和连续性远比生成短视频难得多。