Code2World 本身不是一個「GUI 設計工具」，但它可以用在「優化 GUI 設計」的流程裡，特別是幫你 驗證設計是否好操作、是否容易出錯、是否符合使用者行為預期。Code2World 以靈活的方式顯著提升了下游導航的成功率，在 AndroidWorld 導航方面，其性能比 Gemini-2.5-Flash 提升了 9.5%。
它透過產生可渲染的程式碼來模擬下一個視覺狀態。實驗表明，Code2World-8B 在下一界面 UI 預測方面表現卓越，足以媲美 GPT-5 和 Gemini-3-Pro-Image 等競爭對手。(Huggingface 模型及數據集出現 404)(圖為預測介面的結果)
GLM-4.7-Flash 是 Zhipu AI 最新發布的 30B 參數 MoE 模型（3B 活躍參數），專為高效本地運行與程式碼生成設計，在同尺寸模型中達到開源 SOTA 效能。
影片使用 Inferencer app 在 M3 Ultra Mac Studio (512GB RAM) 測試 GLM-4.7-Flash 的 MLX 量化版本，比較未量化與 Q4/Q5/Q6/Q8 效能。未量化版生成 5000 個 token 的 3D 太陽系程式（含滑鼠互動），優於 Qwen3-Coder 30B (1700 token) 與 Neotron。
量化後 Q5/Q6 版維持高品質輸出（56 token/s，24-27GB 記憶體），適合 32GB 系統；批次處理 4 個提示達 120 token/s 總吞吐量，但記憶體升至 140GB。量化指標顯示 Q6 perplexity 1.23、token accuracy 96.65%，僅輕微發散，證明品質接近基模。
| 量化級別 | Perplexity | Token Accuracy | 記憶體使用 (GB) | Token/s (單一批次) |
|---|---|---|---|---|
| Base | 1.22 | 100% | 60 | – |
| Q5.5 | 1.25 | 94.5% | 24 | 56 |
| Q6.5 | 1.23 | 96.7% | 27 | 56 |
| Q8.5 | 1.23 | 97.8% | 34 | 50 |
人工智慧在醫療保健領域的應用正以驚人的速度加速發展，其應用速度是整體經濟的兩倍。為了支持這項變革，Google去年透過其健康人工智慧開發者基金會(HAI-DEF) 計畫發布了 MedGemma 開源醫療生成式人工智慧模型集。 MedGemma 等 HAI-DEF 模型旨在為開發者提供評估和調整的起點，以適應其醫療應用場景，並且可以
透過 Vertex AI 在Google雲端 上輕鬆擴展。 MedGemma 的發布反應熱烈，下載量達數百萬次，並
在 Hugging Face 上發布了數百個社區構建的變體。
FrankenMotion 是一個以擴散模型為基礎的文本到人體動作生成框架，專注於對單一動作的各個身體部位進行細緻控制。研究團隊先建立名為「FrankenStein」的大規模運動資料集，這份資料集以大型語言模型自動生成的原子化、具備時間感知的逐部份文字敘述，填補了先前資料集只能提供全局或動作層級標註的不足。透過這些高度結構化的部位標註，模型能夠在訓練時同時學習空間（哪個部位在動）與時間（每個部位的具體時間模式）兩層資訊。
實驗結果顯示，相較於先前的 UniMotion、DART、STMC 等模型，FrankenMotion 在語義正確性與運動真實感上都有顯著提升，甚至能創造出訓練時未曾見過的組合動作，例如在坐下的同時抬起左手。
HeartMuLa 是個完全開放 source 的音樂基礎模型家族，整個系統把四個核心功能結合在一起：首先是 HeartCLAP，負責把音樂和文字換位成共享的嵌入空間，讓系統能夠精準地把音樂標籤對應到文字敘述，並支援跨模式檢索。接下來是 HeartTranscriptor，專門用來在實際音樂裡捕捉歌詞，即使在背景噪音或複雜編曲之下也能保持較低的錯字率。第三個組件是 HeartCodec，它以極低的頻率（每秒 12.5 次）進行音訊壓縮，卻仍保留細節，使得長篇音樂能夠在解壓時恢復高保真度，同時提供緊湊的離散表示，方便後續的 autoregressive 生成。最後是 HeartMuLa 本身，這是一個以大型語言模型為基礎的歌曲生成模型，接受使用者提供的文字風格描述、完整歌詞甚至參考音頻作為條件，並能在多種可控制維度上操作，例如指定段落的流派、情緒、節奏或其他音樂特徵。
它還提供兩個特別模式：一種適合當作短視訊背景音的快速生成，另一種則可以在全曲長度（最長可達六分鐘）上維持結構連貫性與風格多樣性，並允許使用者針對不同段落（如主歌、副歌）輸入自然語言指令，精細調整音樂風格。
Ministral 3 是 Mistral AI 推出的模型系列，這是一系列參數高效的小型語言模型，專為計算和記憶體受限的應用而設計，提供三種模型規模：3B、8B 和 14B 參數。對於每種模型規模，我們都發布了三個變體：用於通用用途的預訓練基礎模型、指令微調模型以及用於解決複雜問題的推理模型。此外，我們還介紹了透過級聯蒸餾（Cascade Distillation）來產生 Ministral 3 模型的方法，這是一種迭代剪枝和持續訓練的蒸餾技術。每個模型都具備影像(OCR)理解功能，所有內容均遵循 Apache 2.0 授權。
MiniMax-M2.1 是 MiniMax 團隊專為程式碼生成、工具呼叫、指令追蹤與長跨度規劃打造的 SOTA 大型語言模型，已全量釋出並以 Modified‑MIT 授權開源。模型重點在於提升多語言程式開發的穩定性與效率，讓開發者可以直接拿來建構自動化的軟體開發流水線或多步驟辦公室工作流程。
在各類公開基準測試中，MiniMax-M2.1 在 SWE‑bench Verified、Multi‑SWE‑bench、VIBE（全端應用開發）等指標上，顯著超越前代 M2，並與 Claude Sonnet 4.5、Claude Opus 4.5 相較不相上下，甚至在 VIBE‑Web、VIBE‑Android 等子指標上取得更佳分數，顯示出完整的全端開發能力。
模型支援多種主流推理引擎，包括 SGLang、vLLM、Transformers 以及其他推理服務，並提供 fp8/int8 量化以減少算力需求。實務上，建議使用四張 A100 80 GB 或相當算力的 GPU 來跑原始模型，若需要更輕量化可選擇量化版本。
MAI-Voice-1 是一種速度極快的語音生成模型，能夠在單個 GPU 上不到一秒的時間內生成一分鐘的音頻，使其成為當今最高效的語音系統之一。MAI-Voice-1 現已支援我們的 Copilot Daily 和 Podcasts 功能。也在 Copilot Labs 中推出MAI-Voice-1，您可以在那裡試用富有表現力的演講和故事演示。想像一下，只需一個簡單的提示，您就可以創作一個「選擇你自己的冒險」故事，或自訂一個有助於睡眠的引導式冥想。快來嘗試一下吧！
微軟從巨型模型到輕量級智慧，創新雙管齊下。正積極推動其基礎模型（foundation models）的創新，並為此推出了兩款重要的內部開發模型：超大型的 MAI-1，以及輕巧高效的 Phi-3 系列模型，展現了其在AI策略上的深遠佈局。
