⌘ K
… 读取采集状态 同步中...
雷

#多模态

今日 7 条
8月29日周六
  1. 深度学习与NLP52

    中科紫东太初升级 ScienceClaw，推出 AutoProject 项目级自主科研引擎

    中科紫东太初旗下科研智能体 ScienceClaw 完成升级，推出 AutoProject 引擎，旨在解决 AI 从执行孤立任务向承接完整科研项目转变的痛点。该引擎构建了 Project2Task 规划、TaskExecutor 长程执行和 EviGraph 证据验证三层核心能力，使 AI 能够自主拆解任务、持续迭代并根据证据动态修复。

  2. 大模型智能44

    多模态智能体框架基础与前沿综述

    该综述系统梳理多模态智能体框架的基础模块、技术谱系和应用前沿。论文提出包含感知、编排和行动的分析框架，并按委托式、后期融合、早期融合三类策略解析感知架构。文中分析了机器人与物理具身、图形界面与网页导航、多媒体生成编辑、长视频理解检索等场景下的性能、效率与安全性约束。

8月28日周五
  4. AIGC开放社区88

    阿里发布 Qwen3.8-Flash-Next：1250 亿参数 MoE 多模态模型

    阿里 Qwen 团队于 8 月 26 日发布开放权重模型 Qwen3.8-Flash-Next，该模型采用混合专家架构，主模型参数为 1250 亿，每 Token 激活约 60 亿，整体规模约 1800 亿，原生支持 262,144 Token 上下文。

    推荐理由：新架构通过混合专家与稀疏注意力优化算力成本，其设计方向预示了未来 Qwen4 的技术路线。

  6. 深度学习与NLP88

    神秘模型 Ox Alpha 实力引热议，谷歌暗示被网友调侃

    8月21日，支持1M上下文的多模态模型 Ox Alpha 在 OpenRouter 和 OpenCode 免费开放，其 DeepSWE 准确率达 63%，表现接近 Grok 4.6。尽管谷歌高管暗示可能与 Gemini 有关，但全网多在调侃；技术极客通过分词器和视频测试推测其可能为智谱 GLM 系。实测显示，Ox Alpha 能生成交互式 3D 模型、像素游戏及交通监控系统。

    推荐理由：实测给出了SWE-bench等场景下的具体性能表现与多模态能力细节，便于评估该匿名模型的实际可用性。

8月27日周四
  2. 光子星球80

    GLM-5.3-Flash实测：多模态前端开发提效明显，复杂3D场景仍存瓶颈

    智谱GLM-5.3-Flash正式上线并开源，该模型总参数量为320B，每次推理激活18B，定价为GLM-5.3的1/10，按每百万token计输入0.075美元，输出0.25美元。

    推荐理由：原文用六项真实开发工作流实测验证了GLM-5.3-Flash的边界，前端开发与多模态看图编程表现突出，但复杂3D场景仍存瓶颈。

  3. DeepTech深科技43

    北大团队研发 800Hz 数据手套 T-800，揭示人手灵巧操作的高频细节

    北大团队研发出名为 T-800 的数据手套，通过 18 个 IMU 以 800Hz 采样率采集手部动作，克服了现有技术仅 200Hz 采样率的局限。频谱分析证实转笔等精细动作在 100Hz 以上频段存在显著能量，验证了人手灵巧性的高频特征。该手套可将动作映射至 Shadow Hand 等机械手，指尖位置误差分别为 8.3、1.0 和 0.6 毫米，目前主要面向科研用途，助力具身智能的数据采集。

  4. 甲子光年60

    柴云鹏访谈：社会世界模型补上AI最后一块拼图

    中国人民大学信息学院院长柴云鹏创办境瞳科技，提出“社会世界模型”概念，旨在让Agent理解人类社会动力学。其首款产品为基于1350万Agent的社会模拟器，通过生成数据训练图神经网络模型，已获多轮融资。柴云鹏认为该模型是Agent融入社会的关键，并类比具身智能强调数据是核心竞争力。

  5. 智东西82

    深度体验豆包工作48小时，发现其解决企业场景痛点的新解法

    智东西深度体验了字节跳动发布的Agent产品豆包工作48小时，发现其在企业协作场景中凭借飞书集成展现出优势。测试显示，豆包工作能自主完成写文档、做PPT、生成网页等任务，并支持通过Skill机制沉淀流程、操作电脑及跨系统协作。例如，它利用飞书数据自动统计项目进度并生成周报，还能通过视觉识别裁剪图片或远程控制电脑处理任务。

    推荐理由：原文展示了豆包工作与飞书打通后如何处理企业上下文，展示了通用Agent在企业协作场景中的新解法。

  6. 卡尔的AI沃茨74

    实测智谱GLM-5.3-Flash：14项benchmark对打DeepSeek-V4赢11项

    作者实测智谱GLM-5.3-Flash，其在Artificial Analysis斩杀线图上位于$0.045 / 57分的前沿线，与DeepSeek-V4对打14项benchmark赢11项，视觉端六项全赢最大差距约40%。实测中模型凭一句话提示复刻了截图、视频和GitHub页面，还生成了可交互3D界面与浏览器3D FPS游戏，作者计划将日常coding和agent任务分流给它以省成本。

  8. AGI Hunt85

    全球估值最高法律AI公司Harvey基于Kimi K3发布自研模型

    法律AI公司Harvey基于Kimi K3等中国开源模型发布了首个自有模型Tenet，在合同专项评测中达到SOTA，且运行成本不到主流基础模型的四分之一。Tenet采用150张NVIDIA B300训练两个月，通过引入公开法律数据和合成数据后训练，成功摆脱了对单一闭源供应商的依赖。

    推荐理由：通过追踪法律AI公司Harvey基于Kimi K3发布自研模型及算力投入，揭示高价值行业应用厂商为规避上游巨头风险而转向开源底座的生存策略。

  9. 夕小瑶科技说84

    智谱 GLM-5.3-Flash 认领匿名模型 Ox-Alpha，以低价打破 DeepSeek 价格底线

    智谱认领匿名模型 Ox-Alpha 为 GLM-5.3-Flash。该模型是 GLM 首个原生多模态模型，支持 1M 上下文，采用 MIT 协议开源。作者实测其在 3D 城市建模、视频剪辑、网页复刻及前端工具开发等 Agent 任务中表现接近 Claude Opus 4.8。

    推荐理由：作者实测了 GLM-5.3-Flash 在多模态、3D 建模与视频编辑场景下的 Agent 表现，并展示了其以低价策略打破 DeepSeek 定价底线的冲击。

  12. AI产品黄叔77

    GLM-5.3-Flash 实测：多模态能力与国产算力成本分析

    GLM-5.3-Flash 在 OpenRouter 和 OpenCode 榜单登顶后，作者通过 16 分钟视频转 33 页图文手册和黑洞动效开发两个任务进行实测。模型展现了原生多模态视觉提取与代码修复能力，价格约为 Claude Opus 4.8 的 1/40，且线上流量全部承载在国产芯片上，体现了稀疏激活混合专家架构与软硬协同设计的成本优势。

    推荐理由：作者用真实视频处理与动效开发任务实测 GLM-5.3-Flash，提供了多模态编码场景下的实际产出效果和成本分析。

  13. 钛媒体AGI88

    智谱发布 GLM-5.3-Flash：首个原生多模态模型跑通国产芯片集群

    智谱 AI 认领 Ox-Alpha 模型，确认其为 GLM-5.3-Flash，这是 GLM-5 系列首个原生多模态模型。该模型综合智能评分 57 分，高于 DeepSeek V4 Pro，价格约为主流旗舰模型的 1/40。服务全部由国产芯片集群承载，官方在 Hugging Face 等平台以 MIT 许可证开源模型权重。

    推荐理由：GLM-5.3-Flash 以 Claude Opus 4.8 约 1/40 的价格提供同等综合智能，且原生支持多模态视觉编码。

  15. AI信息Gap86

    智谱认领匿名模型 Ox-Alpha，GLM-5.3-Flash 刷新性价比斩杀线

    智谱认领突然在 OpenRouter 和 OpenCode 匿名上线并引发猜谜的模型 Ox-Alpha，确认其为 GLM-5.3-Flash，该模型为 320B 总参数、18B 激活的 GLM-5 系列首个原生多模态模型。

    推荐理由：智谱认领匿名模型Ox-Alpha为GLM-5.3-Flash，该文梳理了其通过分词器指纹与社区测试被定位的完整过程，以及其在Artificial Analysis性价比图中的位置变化。

  17. CVer1

    CVer 扩散模型及其他垂直方向微信群技术交流群招募

    CVer 开启扩散模型、多模态学习、Mamba、医学影像及遥感等方向的微信技术交流群招募。用户需添加 CVer 小助手微信（微信号 CVer2233），并按“方向+地区+学校/公司+姓名”或“研究方向+地点+学校/公司+昵称”的格式备注申请进群。文章同时介绍了 CVer 计算机视觉知识星球，该社群汇集数万人，提供最新顶会顶刊论文 idea、CV 从入门到精通资料及最前沿应用。

8月26日周三
  6. 硅星人Pro84

    OpenAI 投资的法律 AI 公司 Harvey 基于 Kimi K3 训练自研模型 Tenet

    法律 AI 公司 Harvey 发布自研模型 Tenet，其底座采用月之暗面开源模型 Kimi K3。Harvey 利用约 1750 个法律智能体任务环境和律师评价标准，耗时两个月在 150 张 NVIDIA B300 显卡上对 Kimi K3 进行后训练。

    推荐理由：文章深入剖析 Harvey 基于 Kimi K3 训练法律模型 Tenet 的技术路径，揭示了开放权重在后训练与垂直行业落地中的核心价值。

  8. Google AI Blog13

    Google Search 5种方式助力家居装饰升级

    Google Search 提供五种工具协助家居装饰升级。用户可利用 AI Mode 上传房间照片，输入墙面宽度等参数生成沙发等家具的虚拟放置效果；结合 Lens 和 Circle to Search 识别复古物品或圈选壁纸查找相似商品；通过 Search Live 实时指导 DIY 安装；并利用价格历史功能对比成本以追踪最佳购买时机。

8月25日周二
  2. 数据猿38

    网易传媒发布蜜蜂AI底座，网易小蜜蜂落地AI搜索与互动内容

    网易传媒在“蜜蜂AI媒体沟通会”上推出统一AI能力底座“蜜蜂AI”，并率先在网易小蜜蜂应用中落地AI搜索、AI助手及互动小游戏能力。该应用支持用户通过自然语言生成互动内容，并引入开源程序“龙虾”辅助创作，形成“创作—试玩—分享—二创”的UGC循环，旨在降低交互成本并重构人与内容的关系。

  4. 硅星人Pro65

    前剪映负责人创办OJO获近亿融资，上线AI原型设计工作台

    前剪映中国负责人Kiki张琪智创办的AI产品原型设计工作台OJO于2026年8月18日面向海外正式上线，此前已完成近亿元人民币首轮融资。OJO通过Agent Team、Agent和Skill三层设计系统，将设计流程从代码生成后移至需求澄清与产品定义阶段，目前已积累超200个专业设计Skill，用户只需输入模糊需求即可完成调研、界面设计并输出交互原型。