⌘ K
… 读取采集状态 同步中...
雷

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。

207条精选相关主题图像生成AI 视频语音与音频

最新精选

第 61–80 条 · 共 207 条
9月23日周三
  1. 新智元94

    小米 MiMo V2.6 系列开源登顶全球开源模型榜首，单任务成本仅 0.13 美元

    小米 MiMo 团队正式发布并全面开源 MiMo V2.6 系列，包含 Pro、Flash 和 Ultraspeed 三款模型。Pro 版在 AA 智能指数得分 46，超越 Kimi K3 和 Qwen3.8 Max，位居全球开源模型第一。

    推荐理由：MiMo V2.6 以同等价格实现智能翻倍，且全程直播 RL 训练过程，展示了大规模强化学习扩展的可行性与极致性价比。

  2. APPSO68

    阿里、谷歌重做电脑，AI 原生智能体 PC 路径分化

    阿里千问和谷歌提出 AI 原生电脑概念，将 AI 改造深入操作系统层，支持屏幕感知和跨应用后台任务。首批 Googlebook 将于 10 月 4 日发售，基于 Android 技术栈并整合 ChromeOS，定价 899 至 1299 美元。Qwen Book 采用二合一设计，通过端云协同运行 4B 小模型和云端大模型，暂定年底面世，但硬件与生态细节尚未完全公开。

    推荐理由：对比 Googlebook 与 Qwen Book 两种 AI 原生电脑的设计逻辑，读者可看清 OS 级智能体落地时的不同工程取舍。

  3. 量子位65

    理想推送 OTA 8.6，马赫VLA 2.0 覆盖 2022-2025 款 AD Max 车型

    理想推送 OTA 8.6，马赫VLA 2.0 同步覆盖 2022-2025 款 AD Max 车型及 Orin-X、Thor-U 平台。该版本重点优化了跟车、绕行和变道博弈，支持非划线车位识别，并通过 AI 眼镜 Livis 实现语音遥控泊车。其跨芯片部署依赖云端教师模型向不同算力架构学生模型的迁移，旨在解决硬件冻结导致的 AI 迭代滞后问题。

    推荐理由：原文梳理了理想马赫VLA 2.0 跨代芯片适配逻辑，可帮助理解车载模型部署的工程约束。

9月22日周二
  1. 量子位78

    阿里云栖大会发布全模态模型家族，陆川用AI五天复原明代历史现场

    阿里云在9月22日云栖大会发布全模态模型矩阵，包括Qwen3.8系列、Qwen-Image-3.1、Happy Shrimp 1.1、HappyOyster 2.0 Preview及Qwen-Audio-3.1，下一代视频模型预计11月发布。

    推荐理由：阿里在云栖大会展示了全模态模型家族，结合陆川AI短片案例说明模型正深入影视、音乐等真实生产流程，读者可理解多模态从Demo走向稳定交付的关键变化。

  2. 智东西72

    腾讯混元发布 Hy Image3.5 preview 生图模型，盲测比肩 Seedream 5.0 Pro

    腾讯混元 Hy Image3.5 preview 正式发布，支持 2K 分辨率、多模态编辑及最多 5 张参考图。在数百名设计师参与的盲测中，综合表现较 Hy Image 3.0 提升 30%，整体能力比肩 Seedream 5.0 Pro，且单张生成成本在 13 款主流模型中最低。

    推荐理由：腾讯混元 Hy Image3.5 preview 盲测比肩 Seedream 5.0 Pro，以 0.15 元每张的 2K 图价格接入元宝、WorkRally 等应用，体现性价比策略。

  4. 数字生命卡兹克89

    小米 MiMo V2.6 模型发布及开源评测

    小米发布 MiMo V2.6 系列模型，包括 Pro、Flash 及 Pro-UltraSpeed 版本，实现 1M 上下文与原生全模态支持。MiMo V2.6 Pro 在 Artificial Analysis 基准测试中得分 46 分，科研推理 CritPt 得分居首，缓存输入价格低至 0.025 元/百万 Token。

    推荐理由：实测数据展示了该模型在性能、价格与速度间的平衡，为评估多模态智能体提供了清晰对比。

9月19日周六
  1. APPSO69

    OpenAI 逾 3 亿美元收购 Glass Imaging

    OpenAI 被报道以超过 3 亿美元收购 Glass Imaging，该交易尚未获官方确认。Glass Imaging 由 Ziv Attar 和 Tom Bishop 创立，两人曾参与苹果 iPhone 人像模式开发；公司将去马赛克、降噪、多帧融合等步骤整合到同一神经网络中，基于 RAW 数据训练以恢复传感器捕捉的真实信息，而非生成式修图。

    推荐理由：收购细节指向 AI 硬件分工逻辑，展示了 Neural ISP 如何影响摄像头与模型协同的设计。

9月18日周五
  1. AI科技评论80

    达摩院发表Science论文发布通用腹部CT诊断模型DAMO RADAR

    阿里巴巴达摩院在Science发表论文，发布专家级通用AI模型DAMO RADAR。该模型一次性可识别超过146种病症，在近4万次真实世界检查中AUC达0.913，首次达到影像科专家平均水平。论文介绍了基于解剖级细粒度对齐和自适应对比学习的架构创新，并在14个机构26名放射科医生的盲测中验证了人机协作效果：AI辅助下医生诊断敏感性提升10%，阅片时间减少30.7%。

    推荐理由：论文提出基于解剖级细粒度对齐的通用腹部CT诊断模型DAMO RADAR，AUC达到0.913并开源。

  2. DeepTech深科技68

    五家药企联合联邦学习训练共折叠模型，性能超公开最强对手约11%

    艾伯维、Astex制药、百时美施贵宝、强生和武田制药通过Apheris的联邦学习架构，利用各自私有蛋白-配体结构本地训练模型，参数上传聚合后得到AISB-1-Fed。

    推荐理由：五家跨国药企首次用联邦学习在不交换数据的前提下协作训练共折叠模型，展示了私有数据对提升前沿AI模型价值的可行路径。

9月16日周三
  1. 智东西65

    百度智能云提出产业智能体操作系统，涵盖通用、专业与定制三类智能体

    百度智能云在智能经济论坛上提出产业智能体操作系统，主张办公赛道将被通用智能体消化，真正战场在企业核心经营场景。沈抖将企业任务分为 20% 日常运营、30% 专业领域和 50% 核心任务，对应推出百度搭子、专业智能体矩阵及百度搭子开放平台。

    推荐理由：文章梳理了百度智能云三类智能体与产业操作系统架构，结合央企、车企落地案例，说明智能体如何嵌入核心业务流程。

  2. APPSO80

    MaleCNS v1.0 果蝇连接组数据被网友接入游戏世界

    HHMI Janelia Research Campus 联合 Google Research 发布了全球首个成年雄性黑腹果蝇完整中枢神经系统连接图 MaleCNS v1.0，记录了超过 16.6 万个神经元的连接关系。网友们将这份数据接入《Minecraft》《DOOM》等虚拟环境，模拟出果蝇的飞行、觅食及游戏行为，开发者澄清该实验是基于生物数据的计算模拟，并未实现意识上传。

    推荐理由：文章梳理了 MaleCNS v1.0 连接组的数据规模，以及网友将其接入 Minecraft 等游戏引发的模拟行为现象。

  3. 新智元78

    紫东太初开源 ZDTaichu5.0-9B 模型，空间基准多项第一并打通物理世界长任务

    紫东太初开源了 9B 参数量的通用多模态模型 ZDTaichu5.0-9B，其在 MindCube-tiny 等空间具身基准上取得 8 项全球同参组别第一。模型引入自适应循环推理机制，在提升复杂空间推演能力的同时，未在 OCR、代码等通用能力上出现显著衰减。实测中，该模型成功执行了试管排序、液体转移及工业货架搬运等真实物理世界任务，并开放了权重与完整训练数据及方案以供开发者基于自有场景进行微调。

    推荐理由：文章通过三道空间推理对比题和真实物理场景演示，展示了该模型在保持通用能力的同时，如何填补长程任务中参照系变换与操作判断的能力缺口。

9月15日周二
  1. 智东西70

    荣耀发布 MagicOS 11，实现系统级 Agent Harness 商用落地

    荣耀发布 MagicOS 11，首次实现系统级 Agent Harness 商用落地，支持超百步长程任务与 700 多个工具调用。YOYO 综合意图理解率达 91.8%，复杂任务准确率达 87%，并接入 10000 多个第三方 AI 服务。荣耀通过打通芯片、内核与系统底层能力，将模型能力与手机端感知、规划及执行深度结合，构建 Agentic OS 的完整链路。

    推荐理由：原文实测了系统级 Agent 落地后长程任务的执行闭环，给出了端侧智能体在真实场景中的能力边界。

9月14日周一
  1. APPSO78

    豆包手机助手消费者版本发布，努比亚 NaviX Ultra 首发搭载

    豆包手机助手消费者版本正式发布，首款搭载新机努比亚 NaviX Ultra 将于 9 月 16 日开售。官方强调该版本相比技术预览版更重视稳定性与日常可用性，保留 Beta 版的手机操作能力，新增专属 AI 键，并强化了屏幕理解、个人 Context 与本地数据检索。文章还介绍了 SAEP 屏幕自动化操作声明协议，以及支持调用系统能力与飞书妙记完成任务执行与办公处理等特性。

    推荐理由：文章介绍了产品核心功能升级和协议规范，读者可借此理解 AI Agent 在手机系统层的实际落地路径。

9月12日周六
  2. APPSO83

    DeepSeek V4.1 Flash 技术解析：CED 架构与 KV cache 压缩如何降低成本

    DeepSeek V4.1 Flash 采用 CED 架构和 CSA2 注意力机制，将每 Token 全局 KV cache 降至 890 字节，在多个 Agent 基准测试上性能反超 Claude Opus-5 和 GPT-5.6 Sol。

    推荐理由：文章拆解了 DeepSeek V4.1 Flash 在 CED 架构和 KV cache 压缩上的工程细节，解释了其如何在参数增加的同时实现速度提升与成本降低。