多模态

陆川手搓历史现场，王珞丹熬夜抽卡，阿里全模态开始兜底生产

阿里：三年之内会出现一个原生的全模态统一生成模型，未来体验将不再受限于模态边界。

Tata Elxsi如何在AWS上几秒钟内检测工业安全风险

了解Tata Elxsi如何在AWS上构建实时工业安全平台IRIS。IRIS在边缘过滤摄像机视频，通过Amazon Kinesis传输元数据，在Amazon SageMaker AI上运行计算机视觉，并将检测结果与高置信度警报关联起来，在几秒钟内检测到不安全条件，而不是几分钟。

利用Agentforce和AWS扩展公共部门情报

公共部门机构处理大量非结构化证据，如人体摄像机镜头和扫描文件。这篇文章展示了如何将Amazon Bedrock Data Automation与Model Context Protocol（MCP）相结合，将数据转化为结构化见解，并通过Salesforce Agentforce中的自然语言查询将其呈现出来。

讲真，我没看出这图是AI做的，更没想到是国产AI做的

商汤U1 Pro，正式发布

别让一部片子倒在交付前：SkyProduction 抢先首发短剧质检

上传成片和字幕，系统自动从字幕、音画、内容底线三个维度逐集跑一遍，输出可下载、可回填的质检报告。

一个新的聊天机器人想要揭开破烂的古希腊记录中的秘密

为了发现有关古代生命的新细节，研究人员开发了一个大型语言模型，以填补纸草碎片中的空白。

影像表现全面进阶 vivo X500系列影像旗舰新品正式发布

2026年9月21日，vivo在上海正式发布全新影像旗舰vivo X500系列。 作为vivo将动态影像提升至公司级战略后的开篇之作， X500、X500 Pro、X500 Pro Max 三款新品 以" 拍照和视频体验双优 "为目标， 完整落地vivo首个为动态影像而生的技术体系—— 蓝图动态影像技术栈， 重构 移动影像边界。 vivo影像战略 始终聚焦一

阿里研究员透露Qwen4.5后模型将扩展至5-10T参数

未来Qwen4.5、Qwen5等版本将扩展至5-10T参数。

阿里公布全模态模型新进展，Qwen4和下代视频模型均在训练中

9月22日， 2026云栖大会开幕，阿里巴巴公布大模型最新进展。

GameHorizon套件：游戏玩法中的多视野数据和评估

作者：王亦然、尹兴益郎、浦俊福|现代视频游戏为人工智能模型提供了一个可测量的测试平台，结合了视觉理解、指令分解、目标规划和多个时间范围内的精确动作控制的能力。然而，现有的数据集和基准要么涵盖了狭窄的游戏范围，缺乏语言指令，要么依赖于高方差的在线推出。为了应对这些挑战，我们引入

WorldCrafter：具有隐式3D感知记忆的一致视频世界模型

作者：余旺波、刘坤昊、胡文波|视频世界模型能够交互式探索动态环境，但很难尊重长期和跨视角的先前观察。我们介绍了WorldCrafter，这是一个视频世界模型，它为此学习可供相机查询的隐式3D感知记忆。关键的见解是让请求的观点决定如何将多视图证据压缩到视频生成器的

DexTacWAM：用于灵巧操纵的视觉触觉世界动作模型

作者：袁昊然、王泽凯、绍博宁|灵巧的操纵取决于接触动力学，而接触动力学通常只能从视觉中部分观察到。最近的世界动作模型（WAM）将预测视频世界建模与动作生成结合起来，但基本上仍然以视觉为中心，因此无法直接对这些接触动态进行建模。我们介绍了DexTacWAM，这是一种视觉触觉WAM，它独立编码每个指尖，汇总结果

Vivo的X500 Pro Max拥有17档动态范围和4K240慢动作

Vivo的新款X500旗舰手机已经登陆中国，与往常一样，该公司的重点牢牢放在摄影上。X500 Pro Max是其产品线中的一个新级别，是第一款使用索尼和联发科新传感器和硅的手机，可实现令人印象深刻的动态范围和慢动作视频录制。[.]

Claude 5.5狂堆3D回击Astra，曝价格还打8折 - 投资界

StepFun推出第5步预览：总计600 B、27 B活跃MoE模型，具有1 M背景，用于长期预算工作

StepFun发布了Step 5 Preview，这是一个稀疏的Mixture-of-Experts模型，总参数为600 B，每个代币活动时间为27 B。它支持1 M令牌上下文窗口并接受文本、图像和视频输入。该模型针对软件工程、专业知识工作和金融领域的长期代理工作。API访问的价格为每100万个输入代币1.00美元，每100万个输出代币2.70美元，开放权重

汽车行业首个AI超级智能体「迪迪虾」来了！腾势多款车型即将OTA

近日，比亚迪重磅发布了AI超级智能体「迪迪虾」，首搭腾势N8L纯电车型上

ScrolEd想将教科书变成TikTok

ScrollEd将教科书变成可滚动的、类似Instagram的源，包含视频、音频和测验。这家帕洛阿尔托初创公司由学生联合创始人（及其配偶）Utsav Gupta和Rebecca Neff创立，在TechCrunch Disrupt上推销。

腾讯的甘德旨在在后台工作时继续交谈

腾讯的Gander在后台处理任务的同时处理语音、图像和文本。“小脑”让对话继续进行，而可更换的“大脑”则搜索文件、编写代码或处理其他复杂工作。用户可以在对话中中断或更改任务。在基准测试中，甘德仅在8%的情况下打断用户，频率低于竞争对手，但在任务准确性方面落后。腾讯的甘德旨在在后台工作时继续说话的文章首先出现在The Decoder上。

Runway希望将人工智能视频生成变成您实时控制的直播

Runway希望在用户提示时播放人工智能视频，而不是让他们等待完成的剪辑。该方法基于GWM-1，GWM-1是其逐帧生成视频的世界模型。除了创意工具之外，Runway还在机器人和自动驾驶方面发挥了作用。《Runway》希望将人工智能视频生成变成您实时控制的直播流的文章首先出现在The Decoder上。

阿里巴巴Qwen团队发布Qwen 3.8-LiveTranslate：实时翻译模型，将60种语言的平均延迟缩短至2.3秒

Qwen发布了Qwen 3.8-LiveTranslate，这是一个基于新Interleave架构的实时同传模型。它将平均滞后（LAAL）从2.8秒减少到2.3秒。它还添加了实时说话者日记化，具有稳定的语音克隆、同步的双语显示以及名称和术语的长上下文歧义消除。该模型可以理解60种语言，可以使用29种语言，现在可以作为Webocket API在阿里云模型工作室