一句话看懂：DeepMind 将手语转文字功能送进 Pixel 11，微信发布 WeLM 模型家族，多模态与 Agent 工程开始进入手语输入、工业设计、机器人自修等更具体的动作层面。
事件核心：发生了什么
8 月 12 日夜间，AI 领域出现一批贴近真实场景的增量发布。Google DeepMind 推出 SL2T 系统，支持美国手语转英文，并已进入 Pixel 11 的 Gboard 与 Live Transcribe——用户面对手机摄像头打手语，系统读取手、身体与面部的同步动作后完成输入或实时转录。微信团队公布 WeLM 模型家族：小档 WeLM-80B 每次激活约 3B 参数，用于小微助手、微信原生功能和小程序调用；大档 WeLM-617B 每次激活约 23B 参数，面向复杂推理与工具生成。此外，多模态 Agent 开始操作 Rhino 8 工业建模软件并在 15 分钟内完成外观建模，Flex-π 机器人模型在演示中完成八阶段自修夹爪任务（20 次测试成功 11 次），Labor0 用依赖图拆分工程请求再分配给多种 Coding Agent，Kernel MCP 演示了复用登录态完成外卖全流程的案例。
为什么重要
这批发布没有旗舰基座模型压场，真正的信号在于 AI 的能力边界正从“生成内容”延伸到“执行动作”。手语输入解决了语音和键盘接不住的输入盲区，而且 DeepMind 的姿态追踪留在设备端、翻译由服务器完成，给隐私和算力画了一条清晰边界。WeLM 对微信的意义在于用较低激活参数承接真实流量——聊天、支付、小程序这些连续入口会让模型直接面对真实任务，一步做错就会影响真实关系。工业设计和机器人自修则说明 Agent 正在从生成效果图进化到操作专业软件和物理设备。值得留意的是，这些演示目前仍处于早期：Flex-π 的 11 次成功远未达到无人值守标准，Rhino 建模也还缺尺寸、曲率连续性等工程验收。
对用户/开发者/创作者的影响
手语用户是 SL2T 最直接的受益者，但目前只有美国手语到英文，且仍依赖服务器翻译，覆盖范围有限。开发者会关心 WeLM 的响应成本、端到端完成率和小程序工具的可调用范围，不过微信尚未公开完整模型卡、价格和外部开发接口。使用 Codex Computer Use 的开发者需要注意：持续看屏、执行动作并回看结果会快速扩大上下文，token 消耗很高，更合理的产品分工是把稳定控件交给确定性选择器，模型只处理语义判断和异常页面。Kernel MCP 演示的外卖全流程虽然吸引人，但生产系统必须限制付款金额、地址修改和对外消息权限。归藏公开的 PPT 与社媒卡片 Skill 提供了一种可复制工作流，但能否真正复用要看安装说明、失败处理和产物验收是否完整。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
第一，SL2T 能否扩展到美国手语之外的手语类型，以及设备端姿态追踪和服务器翻译的分工是否会调整。第二，WeLM 是否开放外部接口和定价，实际调用成本能否支撑微信体量的流量。第三，Labor0 的任务状态更新、同文件加锁和失败节点处理是否经得起大型仓库检验——项目刚发布，外部案例还很少。浏览器 Agent 方面，Raft 的提醒恢复功能说明运行时竞争已进入很细的工程环节，值得留意后续故障率和迁移细节。目前公开信息显示，多数能力仍是演示或早期产品，距离大规模可靠运行还有一段路要走。
来源：@colinchen4
