AI不光得会说，还不能乱插嘴！Omni AI变革实时交互

Robostral Navigate：单摄像头 AI 导航

Robostral Navigate: single-camera AI navigation | Mistral AI

Mistral 推出的首个面向具身导航的模型 Robostral Navigate，规模 8B，仅用单个普通 RGB 摄像头和自然语言指令即可让机器人在环境中移动，无需深度传感器、LiDAR 或多摄像头。文中称其在未见过的 R2R-CE 基准上达到 76.6% 成功率，基于自建模拟数据与 token 高效技术构建，结合指向式导航与强化学习。

推进 AMIE 迈向专家级音视频临床问诊

Advancing AMIE towards expert-level audio-visual clinical consultations

Google Research 的一篇博客，介绍其研究型医疗 AI 系统 AMIE 的进展：该系统现可进行实时视频问诊，并在使用模拟问诊的随机对照研究中首次展示了专家级表现。文章说明了临床问诊中视觉与听觉信息（如步态、不适表现、呼吸和体格检查动作）的作用，以及这些非语言线索对诊断、患者信任和沟通的意义，并提及 AMIE 此前在文本问诊中已达到专家级水平。

QwenLM/BlenderWorld

Qwen 团队发布的一个用于评估 3D 创作视觉智能体的基准，全称为“Benchmarking Visual Agents for 3D Creation from Real-World References”。基准包含 9 个类别、22 个子类共 223 个任务，智能体根据任务简报和参考素材在 Blender 中交付可编辑工程文件及指定导出物，可用 bw evaluate 进行评估；仓库提供论文、Hugging Face 与 ModelScope 数据集链接。

我们如何在六个月内为响应式语音 AI 构建实时系统

How we built a realtime system for responsive voice AI in six months

OpenAI 工程团队于 2026 年 8 月 3 日发布的工程博客，作者为 Justin Uberti 和 Zahan Malkani。文章介绍 GPT-Live 如何实现与 AI 的连续语音交互，涉及无轮次语音模型和低延迟架构，并讲述了从轮流发话转向流式处理的构建过程。

OlmoEarth 嵌入向量发布：从 OlmoEarth Studio 导出定制嵌入用于下游分析

Introducing OlmoEarth embeddings: Custom embedding exports from OlmoEarth Studio for downstream analysis

这是 Ai2 发布的一篇企业技术文章，介绍 OlmoEarth Studio 平台新增的功能：可计算并导出由开源 OlmoEarth 基础模型生成的嵌入向量（地球观测数据的紧凑数值表示）。文中称导出格式为 Cloud-Optimized GeoTIFF（COG），用户可选择感兴趣区域、时间范围、编码器变体与分辨率，嵌入可用于相似度搜索、分割和无监督探索等下游任务；文中还给出了技术报告、文档和项目主页链接。