⌘ 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 81–100 条 · 共 207 条
9月12日周六
  1. 深度学习与NLP88

    GPT-6 Astra能力展示与AGI竞赛趋势

    GPT-6 Astra在MazeBench基准测试中取得14%的最高分，并在多模态任务如视频设计零件和3D分子建模中展现新能力。作者据此认为AGI竞赛重点正转向智能自我加速，OpenAI等机构在推动RSI曲线。

    推荐理由：文章借由新案例展示GPT-6 Astra在实际场景中的表现，并提出了关于AGI竞赛转向智能自我加速的行业判断。

9月11日周五
  1. 量子位69

    高德扫街榜全面AI化，ABot-Earth 0.7打造3D原生城市世界模型

    高德于9月10日宣布扫街榜全面AI化，通过大模型理解导航与到店行为数据优化评分权重，其核心引擎为ABot-Earth 0.7。该模型被称为全球首个3D原生城市世界模型，能在消费级GPU上10分钟生成1平方公里的真实3D城市，覆盖190多个国家300多座城市。通过3DGS压缩与滑窗推理机制，单次推理可生成超10平方公里场景，支撑从城市级到街景级的3D游览。

    推荐理由：高德扫街榜推出基于空间智能的AI化升级，并展示了其3D城市世界模型在低成本生成与多场景应用上的技术路径。

  2. DeepTech深科技77

    豆包工作推出Agent能力，实测支持多Agent并行与云端跨端任务

    豆包正式推出面向工作场景的豆包工作，用户可派发完整任务由Agent拆解、调用工具并交付文档、表格、PPT或网页。实测显示多Agent并行可在约十分钟内完成AI眼镜竞品研究并生成Excel、报告及可交互网页；云端任务支持人离开后持续监控动态，通过手机端中途调整重点并生成晨报；用户可将重复工作流保存为Skill直接复用。

    推荐理由：实测展示了多Agent并行、云端跨端值守和Skill复用机制，读者可判断其如何替代重复流程与持续值守。

  3. AIGC开放社区89

    DeepSeek 发布 V4.1 Flash：支持图片输入、100万 Token 上下文并开放 API

    DeepSeek 于 2026 年 9 月 10 日发布多模态 MoE 模型 V4.1 Flash，同步开放 API 与 MIT 许可证权重。该模型采用 Causal Encoder-Decoder 架构，骨干参数 5520 亿，输入阶段激活约 80 亿、解码阶段激活约 160 亿，支持文本与图片输入，上下文上限 100 万 Token。

    推荐理由：模型卡给出了100万Token上下文、KV Cache压缩比和多项Agentic Benchmark成绩，读者可以据此评估其长任务效率与部署成本。

  4. 极客公园88

    DeepSeek V4.1 Flash 发布：原生多模态，KV Cache 压缩显著降低 Agent 成本

    DeepSeek V4.1 Flash 正式发布，作为其新系列中最小模型，具备原生多模态视觉理解能力。该模型为 552B 参数 MoE 架构，采用 Causal-Encoder-Decoder 结构，性能超越 DeepSeek V4 Pro，且 KV Cache 需求大幅缩减，显著降低了 Agent 场景下的使用成本。

    推荐理由：新模型在降低推理成本和提升多模态能力之间取得新平衡，为高性价比的多模态应用落地提供新参考。

  5. AI信息Gap82

    DeepSeek V4.1 Flash 与 GLM-5.3-Flash 架构、成本与基准测试对比

    DeepSeek V4.1 Flash 全面超越 V4 Pro，且在 LiveBench 等基准中取得高分，其 Agentic Coding 得分达 77.3，表现优于 GPT-5.6 Sol。该模型采用非对称 CED 架构，通过压缩 KV Cache 降低算力成本，闲时缓存命中价格低至 0.02 元/百万 token。

    推荐理由：原文深度拆解了两款Flash模型在架构、成本及基准测试上的具体差异，为读者提供了横向比较国产多模态大模型的参考依据。

9月10日周四
  2. 夕小瑶科技说83

    蚂蚁灵波开源LingBot-World 2.0，1.3B模型实现消费级显卡实时世界生成

    蚂蚁灵波开源LingBot-World 2.0，1.3B版本支持消费级单卡GPU本地实时生成可交互世界。该模型接收相机位姿与文本指令，通过MoBA混合注意力掩码缓解长序列过拟合，并结合DMD蒸馏与流水线生成提升速度与稳定性，论文展示了60分钟连续生成的视觉质量。

    推荐理由：原文结合论文解读与本地实测，揭示了1.3B小模型如何在消费级显卡上维持实时生成与长时稳定性。

9月9日周三
  1. 新智元86

    Google DeepMind 发布 AlphaGenome Atlas 基因组变异预测数据库

    Google DeepMind 正式发布 AlphaGenome Atlas，这是一个覆盖全基因组的可搜索预测数据库，穷尽了 90 亿种单碱基突变并针对每种突变生成了约 27000 项预测指标。

    推荐理由：该数据库将90亿种基因突变的预测结果压缩为可即时查询的静态图谱，大幅降低了非编码区变异研究的计算与工程门槛。

  2. 卡尔的AI沃茨78

    GPT Image 2.5 上线，涂鸦、模板与标注精修降低生图提示语门槛

    OpenAI 悄然上线 GPT Image 2.5，主打生成更快、更高清、多轮编辑保持一致，并支持标注图片局部精确修改，另有涂鸦参考生成和 15 个模板功能（目前仅网页版 ChatGPT 可用）。

    推荐理由：作者用多组同提示语对比实测，说明一致性与清晰度提升如何替代繁琐的提示语约束写法。

9月8日周二
  1. Google DeepMind66

    Google DeepMind 发布 AlphaGenome Atlas 全基因组 DNA 变体影响预测平台

    Google DeepMind 发布 AlphaGenome Atlas，预计算了人类基因组中 90 亿个单核苷酸变体的分子影响，并生成综合的 AlphaGenome Variant Impact (AVI) 评分。

    推荐理由：平台预计算了 90 亿个 DNA 变体的分子影响，并配合单一 AVI 评分，为研究者提供从罕见病到群体遗传学的快速变异解释方法。

  2. APPSO74

    DeepSeek V4.1 Flash 开启限时内测，原生多模态且对标 V4 Pro 能力

    DeepSeek 开启新模型 V4.1 Flash 限时内测，采用新模型结构并原生支持多模态。官方反馈问卷询问该模型能否全面替换 V4 Pro，显示其意图在保留 Flash 速度和低成本优势的同时，向 Pro 级能力靠拢。

    推荐理由：原文提供了 V4.1 Flash 的限时测试入口、过期时间以及 DeepSeek 官方将其对标 V4 Pro 能力的明确提问，揭示了该模型试图以 Flash 成本实现 Pro 能力的产品策略。

  3. 新智元85

    ChatGPT Sites 开启公测，GPT-6 可凭频谱图识别声音

    ChatGPT Sites 已面向 Plus、Pro、Business、Enterprise 和 Edu 用户开启公测，用户可用自然语言描述并上传草图或截图，在 10 到 15 分钟内生成可交互网站，并支持通过注释直接修改页面元素。文章还引用 ChrisGPT 和 Max Rubin 的测试称，GPT-6 在未播放音频且离线时，仅凭 Mel 频谱图就能识别出蓝鲸叫声和《星球大战》光剑音效。

    推荐理由：ChatGPT Sites 向多档用户开放，把自然语言建站流程拆成可复用的步骤，同时用频谱图测试展示了 GPT-6 的跨模态推理案例。

9月7日周一
  1. 硅星GenAI77

    World Labs 新模型 Atlas 通过空间上下文统一生成与三维重建

    World Labs 联合创始人团队发布新模型 Atlas，该模型将生成与三维重建整合在同一架构中，以新视角预测为核心任务。Atlas 支持输入最多 100 帧图像进行三维场景重建，可通过三部 iPhone 拍摄视频生成子弹时间效果，并具备一定动态模拟能力。当前主要发展瓶颈为训练算力，团队计划在未来增强模型的可编辑性与交互能力。

    推荐理由：文章解释了新模型如何通过空间上下文统一生成与三维重建，并展示了用三部手机拍摄和少量照片重建场景的实际路径。

  2. 极客公园75

    童欣加入 Meshy：3D 世界终于等到自己的「互联网时刻」

    童欣正式加入胡渊鸣创办的 Meshy 出任首席科学家。Meshy 推出 Meshy 7 优化几何对齐，并展示实时互动世界架构 Mora。截至 2026 年，Meshy 拥有超 1200 万注册用户，完成近 4 亿美元 B 轮融资，估值 15 亿美元。

    推荐理由：文章通过童欣加入 Meshy 这一事件，梳理了生成式 3D 技术从工具到实时交互世界的演进逻辑。

  3. 量子位86

    GPT-6 Sol曝内测速度达Astra 6倍，OpenAI称研究员人均带3个Agent

    GPT-6 Sol被曝内部测试中单次生成速度约为Astra的6倍，输出能力接近但更快，预计9月发布。OpenAI同日披露内部数据：中位数研究员每天消耗的Agent推理资源价值超600美元，人均每天并行运行约3.1个Agent工作日；8月人均实验数创2025年1月统计以来新高，已实现“自动化研究实习生”目标，目标是2028年3月前实现“自动化AI研究员”。

    推荐理由：GPT-6 Sol内测速度显著快于前代，同期OpenAI公布研究员人均携带3个Agent工作日的内部效率数据。

9月6日周日
  1. AI信息Gap91

    GPT-6 Astra 发布后十大进阶玩法与实操技巧整理

    文章整理了 GPT-6 Astra 发布后的十大实战技巧，包括利用 SVG 生成检测模型状态、通过 Codex 接入 Blender MCP 在 45 分钟内生成 3D 游戏、操作 Canva 绘画、配置 Codex 无限上下文笔记功能，以及优化推理强度以节省 Token 成本。

    推荐理由：提供GPT-6 Astra在编码、3D生成及多智能体协作场景下的实操技巧与提示词策略，帮助优化工作流效率。

9月5日周六
9月4日周五
  1. APPSO85

    OpenAI 发布 GPT-6 Astra，面向复杂推理与电脑操作

    OpenAI 发布 GPT-6 Astra，面向复杂推理、编程、电脑操作、研究与文档创作等端到端工作，支持 105 万 token 上下文窗口和 12.8 万 token 最大输出，并新增异步工具调用等能力。

    推荐理由：原文给出了上下文长度、输出规模与计费结构，读者可据此判断该模型在复杂工作流中的实际成本与能力边界。

  2. 大模型智能92

    谷歌发布 Gemini 3.8 Flash 和 Gemini 3.8 Flash Cyber

    谷歌发布 Gemini 3.8 Flash 和网络安全版 Gemini 3.8 Flash Cyber，输入成本 0.75 美元/百万 Tokens，输出成本 3.75 美元/百万 Tokens，单任务成本 0.58 美元，生成速度 305 tokens/s。

    推荐理由：原文将3.8 Flash的基准成绩与旗舰模型对比，并补充了网络安全版本漏洞发现能力，读者可据此判断低成本模型在代码与安全场景的可用性。