AI模型

AI模型发布日报 · 2026-10-28

谷歌 DeepMind 发布新一代世界模型 Genie 4(生成世界同时原生生成音频,闭源);SpAItial 发布 Echo-3 与同名 iOS App(手机拍摄数分钟生成公制级高保真 3D 场景,闭源);百度发布并开源文心 Unlimited OCR 2(任意页数文档解析);SoMark 开源 OXR-1.0 文档解析模型(三榜第一,待复核);微软 AI 推出 MAI image 2.7 预览版(单一信源,待确认)。
窗口内新发布(3 个确认 + 1 个存疑)
01
Genie 4 — Google DeepMind · 世界模型/游戏世界模拟/视频生成 · 闭源
美东 10-27(周二)发布,北京 10-28 凌晨发酵闭源Google DeepMind
▶

关键规格:新一代世界模拟模型;原生多模态——可在生成可探索虚拟环境的同时同步生成音频(音乐、环境音、交互式对话);更真实的物理模拟与人物表现;根据文本指令构建可探索虚拟环境,用户持续输入指令时实时调整场景。参数量与上下文未披露,权重未开放。

亮点/评测:官方定位「新一代世界模拟」,面向游戏设计、影视制作、教育、机器人训练四大应用方向;HN 官方博客帖 641 分 / 390 评论,为当日热度第一。

获取方式:官方博客(deepmind.google)页面内演示;产品/API 开放情况官方页未确认,后续跟踪。

为什么重要:世界模型竞赛进入「原生音画同生」阶段——音频不再是后期配音而是世界属性的一部分,直接改变游戏开发、影视预演与机器人仿真训练的工具链;这也是 Genie 系列对 2026 年「世界模型=游戏 AI 底座」叙事的最新加码。

02
Echo-3 + SpAItial App — SpAItial · 世界模型/3D 重建与生成 · 闭源(iOS 订阅制 App)
10-27(官方博客明确日期)闭源SpAItial
▶

关键规格:物理接地(physically-grounded)世界模型;iPhone 普通绕行拍摄数分钟 → 生成真实世界尺度的公制级高保真 3D 场景(Gaussian Splat);对未拍到区域自动补全;支持住宅/教室/工厂/户外等多楼层场景。

亮点/评测:官方对比 Polycam、KIRI Engine、Niantic Scaniverse:表面更锐利、无悬浮碎片(floaters);几何干净、尺寸距离与真实空间一致。企业场景定位房产可视化、仿真输入、AI Agent 的场景理解与编辑。

获取方式:App Store 下载 SpAItial App(订阅制,首月免费);企业 API 另行商务;Android 待推出。

为什么重要:「手机随手拍 → 公制级可编辑 3D 世界」把世界模型从演示拉进消费级工作流;若几何精度经得起第三方复测,房产、仿真与具身智能的场景数据管线都会多一个低成本入口。

03
MAI image 2.7 预览版 — 微软 · 图像生成 · 闭源(预览)· 单一信源待确认
10-27 23:18闭源单源待确认Microsoft AI
▶

已知信息:新浪7×24 快讯(10-27 23:18)称「微软 AI 推出 MAI image 2.7 预览版」。微软官方博客、HN、第三方追踪站均未检索到第二信源(部分站点反爬拦截),规格、定价与可用入口暂无法核实。

为什么重要:MAI 系列是微软自研模型线的图像档位,若 2.7 预览属实,意味着其自研图像模型保持高频迭代节奏;但因单一信源,本条仅作记录、以待后续确认,不作为可靠发布事件引用。

04
文心 Unlimited OCR 2 — 百度 · 文字识别/长文档解析 · 开源
10-27 发布并开源开源百度
▶

关键规格:约 3B 参数、推理时仅激活约 0.5B;全球首次实现任意页数文档解析——OCR 处理上限从数十页推向「无限」,实测一次性解析《哈利·波特》全书(约 3600 页);较传统全注意力机制快约 7 倍、显存显著节省;支持跨页表格、段落自动合并、标题层级精准解析。

获取方式:GitHub 开源仓库 baidu/Unlimited-OCR(含技术报告);百度智能云提供免部署文档解析 API。

为什么重要:长文档是 RAG 与 Agent 数据管线的核心痛点,「页数自由」意味着整本书、整箱合同可以一次进模型;6 月第一版只能连续解析约 40 页,两代之内上限提升两个数量级。

05
OXR-1.0(Optical Everything Recognition)— SoMark · 文档解析 · 开源权重 · 榜单成绩待第三方复核
10-27/28 发酵开源权重成绩待复核SoMark
▶

关键规格:1.3B 参数开源权重文档解析模型;复杂 PDF/文档图像 → 结构化 Markdown/JSON,识别表格、代码块等 13 类文档元素,主打 RAG 管线与 Agent 工作流的 PDF 解析痛点。

评测(官方口径):olmOCR-Bench 87.84 / OmniDocBench 97.18 / DocParsingBench 87.76 三榜全第一;公开评测管线可复跑;速度 100 页 101.0 秒(RTX PRO 6000),约为 Surya-OCR-2(683.1 秒)的 6.8 倍。

为什么重要:若成绩经第三方复测坐实,小参数量专用解析模型将明显拉高 OCR 赛道的性价比基线;isitsota.com 已标注其榜单成绩「待独立验证」,引用时注意口径。

沪ICP备2026050609号-1 | 沪公网安备31011202023653号