★ 5
#多模态
共 228 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 4
美团发布 LongCat-2.5 大模型，1.6 万亿参数国产算力训练
美团发布新一代大模型 LongCat-2.5，为面向长程智能体任务的原生多模态模型，总参数1.6万亿。该模型全程在国产算力上训练，是国产算力完成的最大训练任务，多项基准成绩介于 Claude-Opus-4.8 与 Claude-Opus-5 之间。
36氪1 小时前
★ 4
谷歌发布 EmbeddingGemma 2，五模态统一向量空间
谷歌推出 EmbeddingGemma 2 嵌入模型，可将文本、图像等五种模态映射到同一个向量空间，实现跨模态检索与对齐。该模型延续 Gemma 开源系列，面向多模态嵌入与检索增强场景。
InfoQ AI2 天前
★ 4
谷歌 DeepMind 发布 Genie 4 世界模型，新增音频与实时操控
谷歌 DeepMind 发布世界模型 Genie 4，新增实时音频、更逼真的模拟环境，并支持在模拟过程中用文本提示实时操控。该模型以研究预览形式向受信任测试者开放，进一步推进可交互世界模型的能力边界。
TechCrunch AI5 天前
★ 4
可灵AI上线Kling 4.0视频模型，支持30秒直出
可灵AI发布新一代视频生成模型Kling 4.0，单次原生生成最长30秒，文本输入最高8000 tokens。该模型支持10-bit HDR及4K、21:9超宽画幅输出，并提升高动态与复杂运镜的稳定性。
36氪17 天前
★ 4
Meta 与苹果合作，让 Muse Spark Open 在 Mac 上高效运行
Meta 发布开源权重模型 Muse Spark Open，称其为美国迄今最强开放权重模型，并首次可在两台搭载 M5 Ultra 芯片的 Mac Studio 上通过 MLX 框架本地运行。Meta 与苹果这对竞争对手罕见公开互挺，扎克伯格与苹果新任 CEO 特努斯在 X 上互动。该模型为原生多模…
The Verge AI17 天前
★ 4
面壁开源MiniCPM-V 4.7，iPhone断网可跑35B多模态仅占3G内存
面壁智能开源MiniCPM-V 4.7多模态模型，可在iPhone断网环境下本地运行，模型规模达35B但仅占3G内存。该模型展示了端侧多模态大模型在移动设备上的可行性。
量子位19 天前
★ 4
谷歌推出 Gemini 4 Argon 机器人版本
谷歌发布面向机器人场景的 Gemini 4 Argon 版本，将大模型能力延伸至具身智能与机器人控制领域。此举显示谷歌正推动 Gemini 系列从纯软件向物理世界应用拓展。
Google DeepMind19 天前
★ 4
Higgsfield 借 GPT-6 Astra 将 AI 视频时长从 1 分钟延至 10 分钟以上
Higgsfield 宣布借助 GPT-6 Astra 将 AI 视频生成时长从 1 分钟提升至 10 分钟以上，并用 GPT-Image-2.5 提升画面精度，同时通过 GPT-Live 探索语音驱动电影制作。这显示 AI 视频生成在时长与可控性上的快速进步。
OpenAI19 天前
★ 4
复旦师生创办模思智能，Pre-A 轮融资超 10 亿
由复旦大学邱锡鹏教授团队创办的模思智能完成超 10 亿元 Pre-A 轮融资，由华控基金联合领投。公司致力于全模态实时交互与情境智能，已迭代 20 多个模型版本，包括语音生成、音频理解与视觉理解。资金将用于全模态交互系统研发与全球商业化。
36氪20 天前
★ 4
HSS 基准测试多模态模型直觉视觉推理，GPT-6 Astra 仅 53.6%
论文提出「人类第六感」（HSS）基准，用于评测多模态大模型的直觉视觉推理能力，覆盖图像与视频输入，按时间、空间、社会与抽象结构分类。结果显示人类参与者准确率达 93.1%，而最强模型 GPT-6 Astra 即便在最大推理努力下也仅 53.6%。研究还尝试了动态视觉操作的智能体方案，虽缩小差距但未…
arXiv cs.AI25 天前
★ 4
ChatGPT 推出智能UI，回复内嵌图表与按钮
OpenAI 在 ChatGPT 中上线 Intelligent UI 功能，可让模型在文字回复中直接生成图表、表单、可点击按钮等交互式视觉内容。该功能随 GPT-6 一同向所有用户推送，OpenAI 专门训练 GPT-6 判断何时用可视化替代纯文本。GPT-6 Sol 面向付费用户，Luna 面…
The Verge AI25 天前
★ 4
Mistral发布1T参数新模型，剑指闭源与开源对手
法国AI实验室Mistral AI发布了Mistral Large 4，一款新的大型多模态模型，旨在超越美国和中国的竞争对手。该模型参数规模达1T，标志着Mistral在开源与闭源模型竞争中的最新发力。
TechCrunch AI26 天前
★ 4
Gemini 3.8 Live携Live Avatar为谷歌AI赋予面孔
谷歌Gemini 3.8 Live更新推出Live Avatar，用户可与模型对话并观看实时动画AI形象进行口型同步和表情回应。该功能支持97种语言切换且不降低视频保真度，目前仅面向Gemini Enterprise客户，输出带有SynthID隐形水印。
The Verge AI38 天前
★ 4
谷歌推出Gemini 3.8 Live与Live Avatar
谷歌发布Gemini 3.8 Live更新，引入Live Avatar功能，用户可与模型对话并观看实时动画AI形象进行口型同步和表情回应。Live Avatar支持97种语言切换且不降低视频保真度，目前仅面向Gemini Enterprise客户，输出带有SynthID隐形水印。
Google DeepMind38 天前
★ 4
谷歌发布 Gemini 3.8 语音合成模型
谷歌推出 Gemini 3.8 Flash TTS 与 Flash-Lite TTS 两款文本转语音模型，支持从零生成自定义角色音色并精细控制口音与情绪。模型在 Hume AI 语音设计基准上取得第一，并已接入 AI Studio、Gemini API、Gemini Enterprise 等产品。
Google DeepMind39 天前
★ 4
GPT-6 Astra生成3D刷屏，竞争规则生变
GPT-6 Astra在3D生成领域表现突出，引发广泛关注，文章认为3D生成的竞争规则正在改变。这可能推动3D内容创作工具和平台的格局重塑。
量子位39 天前
★ 4
TabPFN-3.5：新一代表格基础模型技术报告
论文发布旗舰表格基础模型TabPFN-3.5，在TabArena标准表格预测上刷新最优，并扩展至非独立同分布数据、含文本图像表格、高基数类别特征与宽表场景。同时推出快3倍的Fast变体、增强多模态的Plus版本，以及推理时计算扩展、快12倍的Thinking模式。
arXiv cs.LG46 天前
★ 4
国产开源 ZDTaichu5.0-9B 空间具身智能领先
国产开源多模态模型 ZDTaichu5.0-9B 发布，在九项空间测试中于 10B 规模通用模型里拿下八项第一，空间具身智能能力断层领先。该模型通用能力未打折，跻身全球多模态第一梯队，为具身智能研究提供开源基座。
量子位46 天前
★ 4
因果多模态AI预测个体化化疗敏感性
论文提出因果多模态 AI 模型，利用常规采集的病理与临床信息预测个体化化疗敏感性。模型在 9141 名患者的多国数据集上开发，并在 1994 名患者上评估，生成治疗特异性复发概率，校准近乎完美且预后区分度强，优于现有复发评分测试。相比标准诊疗，用该模型辅助个体化治疗决策可在保持相同无复发生存率的同…
arXiv cs.AI48 天前
★ 4
DeepSeek发布V4.1-Flash：1M上下文与FP4 KV缓存
DeepSeek 发布 DeepSeek-V4.1-Flash，针对长时程智能体带来的输入密集型负载设计。该多模态 MoE 模型拥有 552B 主干参数、196B Engram 参数与 100 万 token 上下文窗口，并引入 FP4 KV 缓存与跨层注意力复用，以缓解 HBM、SSD 容量与带…
MarkTechPost52 天前
★ 4
DeepSeek合并快速、专家、识图模式，V4.1 Flash将至
DeepSeek界面已将快速、专家、识图三种模式合并，不再单设专家模式。官方计划于2026年9月10日前后发布支持原生多模态的V4.1 Flash，并于9月14日下线V4 Pro服务，届时请求将路由至V4.1 Flash并按新计费。
36氪53 天前
★ 4
DocHop：信息密集文档中的跨领域多跳推理基准
DocHop是一个用于评估多模态大模型在文档图像中整合图表与上下文推理能力的基准。实验显示，最佳模型准确率仅62.83%，远低于人类90%以上，表明该任务仍具挑战性。
arXiv cs.AI60 天前
★ 4
UI-Venus-2：通用GUI智能体技术报告
UI-Venus-2是跨移动、网页和桌面环境的通用GUI智能体，通过统一闭环推理行动框架扩展环境、任务和验证。覆盖170多个多语言应用，集成安全机制，开源推动实用化。
arXiv cs.AI61 天前
★ 4
MAGE：多模态智能体框架自动发现偏微分方程
提出MAGE框架，组织偏微分方程发现为置信度驱动的假设验证循环，四个智能体协作。在标准PDE套件上实现精确结构恢复，系数误差大幅降低。
arXiv cs.AI63 天前
★ 4
Nemotron 3.5内容安全审核模型发布
英伟达发布Nemotron 3.5 Content Safety Moderator，一个紧凑的4B视觉语言安全审核模型，支持12种语言，可分类用户提示、图像和助手响应。该模型在保持低计算成本的同时，提供多模态安全审核和自定义策略遵循能力。
arXiv cs.AI63 天前
★ 4
Gemini Omni 1.1 Flash模型
谷歌发布了 Gemini Omni 1.1 Flash，这是一个多模态模型，支持文本、图像等多种输入。该模型旨在提供快速响应，适用于实时应用场景。
Hacker News66 天前
★ 4
★ 4
Meta发布Muse Glimmer开源多模态模型
Meta超级智能实验室发布了其首个开源模型Muse Glimmer，这是一个300亿参数的多模态模型，采用Apache 2.0许可，专为本地编码智能体设计，并由Ollama的MLX引擎加速，支持原生DFlash和图像输入。
Ollama Blog84 天前
★ 4
Gemini Robotics ER 2赋能机器人协作
谷歌发布Gemini Robotics ER 2模型，提升机器人的视频理解、任务编排和多机器人协作能力。该模型使机器人能更好地推理和解决现实任务，标志着机器人AI的进步。
Google DeepMind94 天前
2026-W44Gemini 4 Carbon 曝光获 6 篇报道，是本周热度最集中的单一事件，显示外界对下一代旗舰模型的预期已被提前点燃。相比此前版本迭代，这次讨论更集中在代际跃迁本身，但仅有曝光、缺乏官方细节，实际能力仍待验证。