多模态
文本之外的能力：视觉理解、图文混合、音视频输入输出的模型与产品进展。
已收录 293 条 · 近 30 天 218 条 · 第 2 / 15 页
消息称OpenAI计划“复活”Sora：换赛道进军AI影视工具 - 凤凰网科技
2026 年值得关注的 10 个 Hugging Face 模型
📌 One-Sentence Summary 一份 2026 年 Hugging Face 上前 10 个开源权重模型的全面指南，涵盖了 LLM、嵌入、视觉和语音领域。 📝 Summary 本文识别了 2026 年最相关的开源权重模型，评估维度已从简单的模型访问转向生产环境的就绪性。内容涵盖了如用于多任务处理的 Qwen3.8、用于推理的 DeepSeek-
Mistral推出新大模型Le Chonk，开放且专为智能体打造-模型 - 至顶网
EP203 · Google Labs 谈产品实验、斯坦福拆解常驻智能体、Meta Muse 建立信任
📝 今日导语 Google Labs 谈产品实验，斯坦福拆解常驻智能体，Meta Muse 复盘信任：读懂从机会到可靠体验的取舍。 🏷 今日关键词： Google Labs 常驻智能体 Meta Muse 交互式 CLI MiniMax M3 📰 今日精选内容 为什么每家公司都该像实验室一样运作？Google Labs 负责人 Josh Woodward 谈
认识Cloudflare Clef-omni：音频、视频、图像和文本的30 B-A3 B多模式决策模型
Cloudflare发布了Clef-omni，这是一个基于Qwen 3-Omni-30 B-A3 B的Apache-2.0多模式决策模型。它在一次通话中对文本、图像、音频和视频进行评分，每百万个输入代币为0.15美元，而Clef-Flash则降至0.038美元。Meet Cloudflare Clef-omni：音频、视频、图像和文本的30 B-A3 B多模
奥德赛-3是一个新的生成世界模型，您可以免费尝试
奥德赛正在将其世界模型奥德赛-3作为公共研究预览版提供。这个拥有140亿个参数的模型根据文本提示实时生成交互环境，据报道可以控制机器人、无人机，甚至GTA V。奥德赛在物理基准上获得最高分，尽管这些结果背后的方法论有局限性。文章Odyssey-3是一个新的生成世界模型，您可以免费尝试，首先出现在The Decoder上。
MiniMax M3 如何构建：稀疏注意力与原生多模态训练｜Olive Song
📌 One-Sentence Summary MiniMax 研究员 Olive Song 解释了 M3 如何结合适配 GQA 的稀疏注意力与原生图文预训练，以及块级检索和从零融入视觉能力为何影响长上下文效率与视觉理解。 📝 Summary Olive Song 介绍 MiniMax M3：这款开放权重模型支持百万 token 上下文、编码智能体任务，并从预
JEPA、空间智能路线正面交锋：WorldArena 2.0 挑战赛开考「能不能被机器人真正用起来」| IROS 2026
JEPA 路线先下一城：视启未来 Track 1 第一，晨昏线 Track 2 第二。 作者丨 张岂萍 幸丽娟 编辑丨 幸丽娟 世界模型的竞争，正在从“生成未来”，走向“能不能被机器人真正用起来”。 视频可以生成得越来越逼真，但进入机器人系统后，世界模型还要回答更具体的问题：它能否预测动作执行后的状态变化，能否支持策略训练，最终能否在真实机器人上完成任务。
OpenAI 高管亲述：我们是怎么在一周内做出 Jev 竞品的 - InfoQ-CN
豆包工作新增画布功能，并接入豆包2.1 Lite模型
近期，豆包工作持续更新，推出创作画布功能，并在模型上新增了轻量级的豆包2.1 Lite模型。 据介绍，画布功能主要针对复杂创作任务，速度更快，交互体验更好。该功能将素材、设计方案与创作成果集中到同一页面，用户可在一张无限画布上快速实现各个步骤，随时查看、对比和整理。图片生成后，用户仍可继续修改文字、配色和布局，从整体风格到局部细节逐步调整。该功能同时接入全新
代码造世界，扩散绘现实：AgentGarten让智能体在实时试炼场中边玩边进化
让AI反复试错的“练兵场”来了
利用 Claude Science 绘制首张完整的紫外光波段全天星图
📌 One-Sentence Summary 天体物理学家 Brice Ménard 利用 Claude Science 和智能体工作流绘制了首张完整的紫外光全天星图，填补了此前如 GALEX 等太空任务留下的数据空白。 📝 Summary 天体物理学家 Brice Ménard 详细介绍了其利用 AI 智能体解决天文学长期难题的过程：创建一张完整的紫外线（
Claude现在可以根据文本提示生成动画解释器视频和实时数据仪表板
Anthropic为Claude推出了两项新的测试版功能。仪表板将BigQuery和Snowflake等数据源从文本提示变成实时仪表板。Motion从文本和图像生成动画解释器视频。收件箱、幻灯片和设计现在适用于所有计划，包括免费帐户。Claude的文章现在可以根据首先出现在The Decoder上的文本提示生成动画解释器视频和实时数据仪表板。
真香！做这个邪恶老奶版「GTA 6」，我只花了5元！
Vidu Q4预览版，了解一下~
独家丨前腾讯混元技术骨干胡瀚创业新进展：目标估值数亿美金
据雷峰网多方获悉，腾讯混元原视觉大模型算法中心负责人胡瀚创业项目已取得新进展：方向仍聚焦多模态，计划融资数千万美元，目标估值达数亿美金，远识资本担任本轮融资 FA。 多位了解该项目的投资人告诉雷峰网，过去一个月，已有多家投资机构与胡瀚接触。 商业化是机构与胡瀚沟通时反复追问的问题。大模型创业的融资窗口已不如前两年，仅凭技术团队和模型能力，越来越难打动投资人。
用NVIDIA VSS Blueprint 3.3降低视觉AI智能体建设运行成本-AI基础设施 - 至顶网
Perplexity AI发布pplx-embed-v2-late：0.6B Edge模型和9 B模型MADQA评分92.4%
Perplexity的pplx-embed-v2-late有2种尺寸：为在边缘设备上运行而构建的0.6B型号，以及用于构建高质量索引的9 B型号。MADQA上的最高分为92.4%，ViDoRe v3 Markdown上的最低分为61.2%。两者均获得麻省理工学院许可，并准备好自行托管。Perplexity AI发布pplx-embed-v2-late：MAD
Mistral Large 4 来了：一万亿参数、具备原生多模态能力- OSCHINA - 开源 × AI · 开发者生态社区 - OSCHINA
从「工具」到「智能体」：CARES 4.0在港发布，刘宏斌谈医疗AI如何走进临床
近日，由中国科学院香港创新研究院人工智能与机器人创新中心（CAIR）主办、香港科技园公司协办的第四届香港具身智能医疗科技论坛（The 4th Hong Kong Clinical-driven Robotics and Embodied AI TEchnology Symposium，CREATE Symposium），于香港科学园高锟会议中心隆重举办。 作