多模态相关 AI 资讯

7月13日

11:30

官方账号arXiv cs.LG@Ahmed Oumar El-Shangiti, Abzal Nurgazy, Hilal AlQuabeh, Nikolai Rozanov, Kentaro Inui

研究者发现视觉语言模型（VLM）在计数任务中常输出错误答案，但内部表示已编码正确数量。通过训练非线性探针，在四个VLM和五个计数数据集上可检测到计数错误。SVCCA分析显示探针沿特定方向读取的表示与正确计数方向未对齐。因果干预实验证实增强计数识别方向可提升模型计数性能。提出的探测器引导自纠正方法在推理时仅对检测到错误的输入重提示，使计数准确率最高提升15.6个百分点，且无需更新参数。

论文 VLM 计数探针

推荐理由：这篇论文发现VLM其实知道个数但说不准，用内部探测+自纠正就能白嫖15%精度提升，不调参数，挺实用。

原文

10:51

官方账号arXiv cs.AI@Yiming Zhang, Zhonghan Zhao, Wenwei Zhang, Haiteng Zhao, Tianyang Lin, Yunhua Zhou, Demin Song, Kuikun Liu, Haochen Ye, Haian Huang, Yuzhe Gu, Haijun Lv, Qipeng Guo, Bin Liu, Gaoang Wang, Kai Chen

这篇论文挑战语言模型必须依赖纯文本预训练的假设，系统性地比较了无监督视觉预训练与纯文本预训练在5个骨干网络和多项基准上的表现。实验表明，基于包含图形、公式和版式的视觉文档进行预训练，在相同语料下持续优于纯文本预训练，提升幅度在1.2%-4.7%之间。该方法不依赖文本提取，直接利用视觉特征学习语言智能，为大规模预训练提供了更高效的路径。

论文 Visual Pretraining 预训练多模态

事件专题

推荐理由：这篇论文发现，把文档当图片直接预训练，比先转成纯文本再训练效果更好，感兴趣的可以看看实验细节。

原文

10:50

官方账号arXiv cs.AI@Shravan Murlidaran, Miguel P. Eckstein

论文引入Complex Social Behavior (CSB)数据集，包含100张复杂社交场景图片。研究评估了2017-2025年间4个pre-MLLM和5个MLLM模型在CSB和MS-COCO上的表现，并与20个人类描述对比。分析了物体检测、识别、幻觉、场景理解和空间依赖五种错误类型。MLLM在CSB上的场景描述准确率与人类顶级描述相当，几乎消除了所有错误类型，但偶尔仍存在空间依赖误差。

论文 VLM CSB MLLM

推荐理由：这篇论文用新数据集CSB系统地测了十年间视觉语言模型的进化，发现最新模型在复杂社交场景上已经跟人类顶级描述差不多准了，只有空间依赖错误还没完全解决。

原文

09:57

官方账号arXiv cs.AI@Jiawen Li, Tian Guan, Huijuan Shi, Xitong Ling, Mingxi Fu, Anjia Han, Chao He, Yonghong He

ALICE是一个通过多阶段聚合蒸馏训练的统一基础模型，从8个视觉、视觉语言和切片级教师模型中蒸馏知识到单个骨干。预训练数据包括24,985,184张tile级病理图像和155,604张高分辨率图像，在21个任务场景、96个下游任务、48个数据源上评估。在三类评估（组织感兴趣区域分析、视觉语言多模态评估、全切片临床评估）中，ALICE均取得任务匹配病理学基础模型的最佳平均排名。模型代码已在GitHub开源。

AI模型 ALICE 病理学基础模型聚合蒸馏

推荐理由：ALICE用聚合蒸馏把8个专家模型塞进一个骨干，在96个病理任务上拿了最佳平均分，还开源了代码。

原文

09:56

官方账号arXiv cs.AI@Chongyu Qu, Can Cui, Zhengyi Lu, Junchao Zhu, Tianyuan Yao, Junlin Guo, Juming Xiong, Yanfan Zhu, Yuechen Yang, Bennett A. Landman, Yuankai Huo

SAGEAgent是一种基于LLM的临床智能体，能自主决定为每位癌症患者获取哪些诊断模态，平衡预测准确性与临床侵入性。它通过临床工具、情景记忆和语义记忆推理患者的诊断状态。在包含TCGA-LGG、TCGA-GBM和BraTS的胶质瘤队列中，使用四种诊断模态，SAGEAgent在保持竞争性生存预测准确率的同时，将平均获取负担降低了55%。

论文 SAGEAgent 多模态生存预测

推荐理由：这篇论文提出了SAGEAgent，它能像医生一样判断该给病人做哪些检查，在几乎不掉准确率的前提下把检查负担砍掉一半多，挺实用的。

原文

09:27

官方账号arXiv cs.LG@Refat Ishrak Hemel, Ehsan Hallaji, Roozbeh Razavi-Far

TSAI-MetaFraud是一个整合行为、交易和图结构信息的多模态基准数据集，专为元界虚拟经济中的欺诈分析而设计。该数据集包含基于交易的欺诈检测、跨模态节点分类、时间链接预测和弱监督欺诈检测四个任务。研究人员使用机器学习模型和图神经网络提供了基线评估结果。它旨在推动多模态学习、图挖掘和可信AI在元界生态系统中的发展。

论文 TSAI-MetaFraud 元界欺诈检测

推荐理由：这篇论文发了TSAI-MetaFraud数据集，把行为、交易和图数据合在一起，专门做元界欺诈检测，搞多模态研究的可以看看。

原文

09:18

官方账号arXiv cs.LG@Xingyu Zhu, Huanshen Wu, Shuo Wang, Beier Zhu, Jiannan Ge, Jiaheng Zhang, Long Chen

预训练的视觉语言模型如CLIP在零样本泛化上表现优异，但在对抗扰动下性能显著下降。现有测试时自适应方法依赖样本级置信度启发式，无法区分对抗性误预测和语义一致性。作者发现对抗扰动虽破坏整体表征，但语义在增强视图的分布中得以保留，据此提出RITA框架。RITA使用最优传输对齐增强视觉特征分布与文本原型，并引入动态缓存积累可靠线索进行在线优化。实验表明RITA在提升对抗鲁棒性的同时，不损失干净准确率。

论文 CLIP RITA 多模态

推荐理由：这篇论文用最优传输做分布对齐来对抗扰动，不用改模型结构，挺实用的思路。

原文

09:16

官方账号arXiv cs.LG@Tamás Matuszka, András Tamásy, Balázs Szolár

这篇论文提出一个多模态框架，结合视觉和轨迹表示（Exo-Trajectory和ScenarioFormer）进行自动驾驶场景检索。实验显示，轨迹表示在运动中心事件（如cut-ins、转弯、交通排队）上表现优秀，而视觉嵌入在外观信息重要时更有效。两者结合始终提升检索质量，取得最佳整体性能。研究基于大规模自动驾驶数据集，对比了视觉基线。

论文自动驾驶多模态场景检索

推荐理由：这篇论文对比了视觉和轨迹两种方法，告诉你什么时候该用哪个，还发现组合起来效果最好。搞自动驾驶数据挖掘或场景验证的可以看看。

原文

08:25

08:25IT之家（博客/媒体）

精选

中国电信联合北京邮电大学、鹏城实验室，基于亚洲九号卫星完成跨模态语义通信试验。试验融合语义知识库和JSCC技术，将关键帧占比降低至约0.5%。星地传输效率较H.265方案提升3.5倍，视频质量（FID）较H.265提升70%。该方案破解了多模态传输难题，多模态传输质量提升70%以上。

AI模型中国电信 H.265 语义通信

推荐理由：中国电信用AI搞卫星视频传输，比H.265快3.5倍，画质还提升70%，远距离通信新思路。

原文

7月12日

04:52

官方账号Allen AI (Ai2)@allen_ai

精选

Allen AI 发布 olmOCR 2，将其部署到 Ai2 Playground 平台。该模型支持文本、视频和图像理解，完全开源。Ai2 Playground 整合了多项开放模型，提供交互式体验。

AI模型 olmOCR Ai2 多模态

推荐理由：Allen AI 开源了 olmOCR 2，能同时理解文字、视频和图像，直接在网页上试玩，比很多闭源模型更透明。

原文

7月11日

22:41

AI Will@FinanceYF5

精选

新测试对比了 GPT-5.6（Sol Ultra、Terra Ultra、Luna Max）和 GPT-5.5 xhigh 在 4 项 canvas 动画提示上的表现。在 macOS 'hello' 手写测试中，Sol Ultra 与 5.5 并列最佳。火球入水测试中，GPT-5.5 的蒸汽和气泡效果更真实。燃烧湿纸测试里，5.5 的火焰在水边停止、湿半页焦黑的表现更准确。ChatGPT 应用 UI 测试中，5.6 三大变体均正确遵循多步指令并逐字流式输出，而 5.5 跳过了流式。结论：5.6 在指令遵循和多步协调上明显更好，但原始物理直觉仍是 5.5 更强。

AI模型 GPT-5.6 GPT-5.5 OpenAI

事件专题

推荐理由：想知道 GPT-5.6 哪里比 5.5 强、哪里反而弱？这篇实测用四个具体动画场景拆给你看，不吹不黑。

原文

17:11

官方一手pandaily@contact@pandaily.com (Pandaily)

精选71°

字节跳动Seedream 5.0 Pro在逼真度、复杂可视化与设计三个方向的10个场景测试中表现突出。模型在信息图（infographic）生成和UI线框图（mockups）方面实现显著提升。评测覆盖了现实主义渲染、复杂图表呈现等任务。相比前代，Seedream 5.0 Pro在结构化输出上进步明显。

AI模型 Seedream 5.0 Pro 字节跳动 ByteDance

推荐理由：字节跳动新出的Seedream 5.0 Pro，实测10个场景，信息图和UI线框图生成进步很大，值得一试。

原文

05:16

Paul Couvert@itsPaulAi

过去72小时内，OpenAI发布了GPT-5.6，SpaceXAI推出了Grok 4.5，Muse发布了Spark 1.1，Meta推出了Muse图像/视频模型，OpenAI还发布了GPT-Live，Mistral推出了Robostral Navigate。这6款新模型/产品覆盖语言、图像、导航等多个方向。

AI模型 GPT-5.6 Grok 4.5 Muse Spark 1.1

事件专题

推荐理由：这两天AI圈太热闹了，OpenAI、SpaceXAI、Meta一口气发了6个新模型，包括GPT-5.6和Grok 4.5，值得一看。

原文

7月10日

22:55

Dify@dify_ai

Dify 宣布支持 OpenAI GPT-5.6 模型，能处理多模态输入、精准结构化输出和实时流式响应。Dify 的 OpenAI 插件从 Chat Completions 切换至新的 Responses API，统一消息、推理、工具调用和执行结果为单一流。这一升级旨在降低复杂 Agent 工作流中的错误率，提升生产级应用的稳定性。

AI产品 GPT-5.6 Dify OpenAI

事件专题

推荐理由：Dify 刚上了 GPT-5.6，还把插件换成 Responses API，跑复杂 Agent 更稳了，赶紧更新用起来。

原文

17:05

AI Will@FinanceYF5

Deedy汇总今日AI新闻：GPT-5.6 Sol和Sol Ultra明日发布，早期评价不如Fable但积极；Grok 4.5发布，声称达到Opus 4.7质量、80tps速度、$2/M输入$6/M输出定价；字节跳动Seedream 5 Pro发布，图像生成能力接近GPT Image 2，成本低至$0.045-$0.09/张，擅长编辑和信息图，远超Meta Muse Image；GPT-Live推出全双工非轮次语音模型，允许说话时无缝交互。

AI模型 GPT-5.6 Grok 4.5 Seedream 5 Pro

推荐理由：今天AI圈炸了，一口气四个新模型/产品：GPT-5.6、Grok 4.5、Seedream 5 Pro、GPT-Live语音，每个都有具体数字和对比，值得快速了解。

原文

09:45

官方一手arXiv: DeepSeek@Zheng Yu

本论文在16设备华为Ascend 910系统上使用CANN和vLLM-Ascend部署了两个大模型推理负载：基于W8A8 MoE模型DeepSeek-V4-Flash的LLM-as-a-judge安全对齐评估流水线，以及基于DeepSeek-V4-Flash-Vision的多模态医学视觉基准测试（MMMU和MMMU-Pro）。为保证运行可靠性，需要12个源码级补丁，并关闭多个高吞吐特性以维持数值正确性。论文总结了8类平台限制：不完整算子支持、脆弱并行、低阶内核数值错误、图编译不成熟、不稳定高级特性、可扩展性差、可观测性弱和生态碎片化。同时量化了集成工作量、并发行为和基准质量，验证了负载的正确性。

论文 Huawei Ascend DeepSeek-V4-Flash LLM-as-a-judge

事件专题

推荐理由：这篇论文实测了华为昇腾跑MoE和多模态大模型的工程代价——需要打12个补丁、关掉一堆特性才能不出错，想用非GPU加速器的团队先看看这个。

原文

09:42

官方一手arXiv: OpenAI@Feng Wang, Canmiao Fu, Zhipeng Huang, Chen Li, Jing Lyu, Ge Li

该论文提出 Cognitive-structured Multimodal Agent (CMA)，通过外化视觉信息至 Episodic Visual Memory 并在推理时选择性激活相关片段，解决统一多模态模型在长时对话中视觉 token 爆炸和跨轮引用不可靠的问题。CMA 由 Perceptual Abstraction Engine、Cognitive Retrieval Engine 和 Multimodal Executive Controller 组成。利用 Unified Scenario Engine 生成带细粒度检索标注的结构化多轮对话，并通过强化学习优化策略。在自主构建的长程视觉对话基准上，8B 参数的 CMA 在 20 轮会话中达到 91.4% 检索准确率，比 32B 基线高 8.2%，每轮推理时间从 23.1 秒降至 12.7 秒。

AI模型 Cognitive-structured Multimodal Agent Episodic Visual Memory 多模态

推荐理由：他们搞了个带记忆的 8B 多模态智能体，20 轮对话检索准确率 91.4%，比 32B 模型还快一半。代码和 demo 都开源了，值得看。

原文

09:30

官方账号arXiv cs.AI@Weiduo Liao, Yunqiao Yang, Ying Wei

稀疏自编码器(SAE)在机械可解释性中学习稀疏潜在特征，但在视觉-语言模型(VLM)中，香草SAE难以学到跨模态一致的概念。研究者提出结构化稀疏自编码器(S^2AE)，在Qwen2.5-VL-7B-Instruct上评估，语义对齐(mIoU)平均提升6.06%，表征效率(l0范数)降低60.81，重构保真度(解释方差)保持在99%以上。跨模态分析显示S^2AE通过视觉结构先验增强神经元单语义性，语义一致性平均提升3.08%，单语义性得分平均提升2.37%。

论文 S^2AE Qwen2.5-VL 多模态

推荐理由：这篇论文提的S^2AE让视觉语言模型里稀疏编码的概念更一致，比普通SAE语义对齐涨了6%，还能保持高重建质量。搞多模态可解释性的可以看看。

原文

07:16

官方账号Meta AI@AIatMeta

Meta推出Muse Spark 1.1多模态推理模型，专为智能体任务设计。该模型在工具使用、计算机操作、编码和多模态理解四大能力上均有显著提升。相比前代，Muse Spark 1.1在处理复杂指令和跨模态对齐方面表现更优。

AI模型 Muse Spark 1.1 Meta 多模态

推荐理由：Meta搞了个Muse Spark 1.1，专门做智能体任务，工具调用和编码更强了，值得关注。

原文

06:31

官方一手marktechpost@Asif Razzaq

72°

Meta Superintelligence Labs于2026年7月9日发布Muse Spark 1.1，并开放Meta Model API公测。该模型拥有100万token上下文窗口，可主动压缩上下文。它支持零样本泛化到新工具和MCP服务器，并具备多智能体委托能力，可并行执行子任务。在工具使用基准上Muse Spark 1.1领先，但在编码任务上落后于Opus 4.8和GPT-5.5。

AI模型 Muse Spark 1.1 Meta 推理模型

推荐理由：Meta新出的多模态推理模型，百万token上下文，工具调用很强，但写代码不如Opus和GPT。

原文

7月9日

23:59

小互@imxiaohu

Meta 发布 Muse 多模态推理模型，专为 agentic 任务设计。在多葛代理评估中，Muse 性能媲美 GPT-5.5 和 Opus-4.8。模型拥有 1M 令牌上下文窗口，并配备主动上下文管理功能，可从早期交互中检索信息、压缩关键步骤。Muse 支持计算机使用，能操作桌面、浏览器和移动设备。

AI模型 Muse Meta 智能体

推荐理由：Meta 新出的 Muse 在 agent 任务上直追 GPT-5.5，还有 1M 上下文和主动记忆管理，跑长任务再也不怕忘事了。

原文

22:36

官方账号Meta AI@AIatMeta

精选

Muse Spark 1.1 是 Meta 发布的多模态模型，支持视觉和音频输入处理。它在视觉到代码生成、图像/视频描述等任务上表现突出。演示中，模型从手机视频提取照片并推理产品信息，自主操作浏览器在 Facebook Marketplace 上架商品。

AI模型 Muse Spark 1.1 Meta 多模态

推荐理由：Meta 刚发了 Muse Spark 1.1，能看能听还能帮你操作浏览器上架商品，很实用。

原文

11:31

官方账号Pika Labs@pika_labs

73°

Pika 发布了 Director Suite，一个包含专用应用的创作套件。用户可与 AI 代理协作，生成图像、视频和音乐。该套件内置时间线编辑器，允许在同一个界面中直接编辑生成的内容。Jerrod Lew 发布了完整的教程视频。

AI产品 Pika Director Suite 视频生成

推荐理由：Pika 把视频、图片、音乐生成和剪辑全放到一个 App 里，还能跟 AI 代理一起改时间线，省去来回切换的麻烦。

原文

7月8日

21:37

21:37IT之家（博客/媒体）

73°

字节跳动今日发布多模态图像创作模型 Seedream 5.0 Pro。相比之前版本，该模型在图文匹配、结构合理性、文字渲染与画面美感等基础能力上全面提升。它支持复杂信息可视化，能将数据、概念与密集文字准确转化为专业排版。还支持交互式精准编辑，基于空间位置与区域语义实现点选、圈选、图层分离等可控编辑。目前 Seedream 5.0 Pro 已上线火山方舟体验中心，并即将在豆包、即梦上线。

AI模型 Seedream 5.0 Pro 字节跳动火山方舟

事件专题

推荐理由：字节新出的 Seedream 5.0 Pro 能一键生成复杂信息图，还能像修图一样精准编辑图像，图文匹配和质感都更强了。

原文

19:27

Geek@geekbb

精选

Google 发布了 Gemma 4 技术报告，介绍其最新开放权重多模态模型 Gemma 4（E2B–31B）。报告详细说明了架构设计、效率优化和负责任的 AI 方法。此外还涉及无编码器的 12B 变体、量化感知训练以及多 token 预测（MTP）起草器。

AI模型 Gemma Google 多模态

推荐理由：Google 刚公开 Gemma 4 的技术细节，包括 31B 多模态模型和 12B 无编码器版本，还有量化训练和 MTP 新招，搞开源模型的可以看看。

原文

15:19

官方一手marktechpost@Sana Hassan

精选

本教程使用NVIDIA的cosmos-framework，在Colab上构建紧凑的Omnimodal Mixture-of-Transformers模型。该模型共享跨模态注意力，路由文本、视觉、动作各模态到专属专家。通过合成物理世界数据和自回归rollout，模型预测未来潜状态。教程展示了如何用小型版模拟Cosmos 3世界模型的核心能力。

技巧 NVIDIA Cosmos 3 Omnimodal Mixture-of-Transformers

事件专题

推荐理由：NVIDIA发了个Colab友好教程，教你搭简化版Cosmos 3世界模型，用Omnimodal MoT架构实现跨模态预测，比跑全量模型省资源。

原文

13:56

13:56IT之家（博客/媒体）

73°

英伟达于6月发布Audex（Nemotron-Labs-Audex-30B-A3B）统一音频-文本大模型，总参数量30B，激活参数3B。该模型以Nemotron-Cascade-2-30B-A3B为骨干，采用52层混合Mamba-Transformer结构，128个可路由专家。音频编码使用AF-Whisper，语音输出用X-Codec2，非语音音频用X-Codec。文本评测中，Audex在MMLU-Redux上得分86.4（高于骨干86.3），在IMO AnswerBench上81.1（高于79.3），但在MMLU-Pro和GPQA-Diamond上小幅下降。

AI模型 Audex Nemotron 英伟达

事件专题

推荐理由：英伟达出了个Audex，30B参数但只激活3B，能听能说还不掉文本能力，MMLU-Redux得分86.4比原来还高一点。

原文

12:02

官方账号arXiv cs.LG@Tianjiao Yu, Xinzhuo Li, Yifan Shen, Onkar Susladkar, Yuanzhe Liu, Xiaona Zhou, Ismini Lourentzou

ELSA3D是一种统一3D模型，通过弹性语义锚定将文本和几何推理在匹配的抽象尺度上联合结构化。它使用尺度感知的八叉树分词器表示几何，并引入锚点令牌（Anchor Tokens）实现稀疏但精确的跨模态交互。在图像到3D生成、文本到3D生成和3D描述三项任务上，ELSA3D均取得最先进性能，同时相比其非弹性版本将FLOPs和推理延迟降低约一半。

论文 ELSA3D 3D生成多模态

推荐理由：ELSA3D用一个弹性锚定机制把3D理解和生成统一了，三个任务都刷了SOTA，还省了一半算力，想做3D的可以看看这篇

原文

11:54

官方账号arXiv cs.LG@Ghassen Marrakchi, Basarab Matei

论文提出Large Cancer Assistant（LCA），一个7元组架构的编排框架，基于Algorithmic Impermeability原则，使编排逻辑与底层AI模型解耦。LCA引入Entry Theory，利用Geometric Deep Learning将多模态患者数据标准化为6个轴。系统通过Cancer Switching Module动态路由数据，输出Standardized Intermediate Payload（SIP）隔离医院IT变更。PoC在4个场景验证：名义流程编排开销接近零、AI模型替换时路由投影不变、注入数据异常下Supplementary Data Requests召回率100%、多协议执行成功。

论文 LCA 肿瘤学临床决策支持

推荐理由：这篇论文讲了一个叫LCA的框架，专门为肿瘤学临床决策支持设计，能灵活组合不同AI模型。测试下来零开销、100%召回率，挺实用的。

原文

11:02

11:02IT之家（博客/媒体）

精选

OpenAI 前研究员田永龙已加入腾讯，或负责混元多模态模型方向。田永龙本科毕业于清华，师从汤晓鸥、王晓刚，在 MIT 获博士学位，引用数达 28,778 次。他曾参与 Supervised Contrastive Learning、Fluid 10.5B 模型等研究。此前 OpenAI 研究员姚顺雨也加入腾讯，混元多模态团队近一年吸纳胡瀚、薄列峰、庞天宇等人才。

行业田永龙腾讯混元 OpenAI

事件专题

推荐理由：OpenAI 前研究员的田永龙加入腾讯，将带队搞多模态，之前姚顺雨也去了，混元一直加人，值得关注

原文

10:46

官方一手Pandaily@contact@pandaily.com (Pandaily)

腾讯混元（Tencent HY）从OpenAI挖来研究员田永龙（Tian Yonglong），任命其担任多模态模型负责人。田永龙将直接向腾讯混元首席AI科学家姚顺宇（Yao Shunyu）汇报。此举是腾讯在AI人才争夺战中的最新动作。

行业 Tencent HY OpenAI 田永龙

事件专题

推荐理由：腾讯混元直接从OpenAI挖研究员带队多模态，看来铁了心要在多模态大模型上发力。

原文

10:16

官方一手pandaily@contact@pandaily.com (Pandaily)

腾讯混元聘请OpenAI研究科学家田永龙担任新的多模态模型负责人，直接向首席AI科学家姚顺宇汇报。这是中国科技巨头从OpenAI挖人的最新高调案例，凸显国内大厂对多模态AI人才的竞争。

行业腾讯混元 OpenAI 田永龙

事件专题

推荐理由：腾讯混元从OpenAI挖来田永龙负责多模态，看看国内大厂怎么抢人才的。

原文

08:54

官方一手marktechpost@Asif Razzaq

NVIDIA发布了Nemotron-Labs-Audex-30B-A3B（Audex）模型，这是一个混合专家（MoE）架构，统一了音频理解、语音识别、翻译、文本转语音和音频生成五种能力。该模型以Nemotron-Cascade-2为骨干，仅在音频任务上产生边际的性能回归。Audex在30B总参数中仅有3B活跃参数，高效实现了多模态融合。

AI模型 Audex NVIDIA 多模态

事件专题

推荐理由：NVIDIA发了款新模型Audex，能同时搞定音频理解、语音识别、翻译、TTS和音频生成，而且几乎没牺牲原有文本模型的性能。

原文

06:32

官方账号Meta AI@AIatMeta

76°

Meta推出Muse Image和Muse Video两款媒体生成模型，由Meta Superintelligence Labs开发。Muse Image采用agent工作流，能调用工具、自我精炼，并随测试时计算扩展而改进。它与Muse Spark协作生成多媒体内容。Muse Video基于同一预训练基础，支持原生音频。用户可在Meta AI应用、网页、Instagram Stories和WhatsApp中体验Muse Image，目前限部分国家。

AI模型 Muse Image Muse Video Meta

推荐理由：Meta把图像生成做成了agent，能调用工具和自我改进，还能和Muse Spark配合做多媒体，挺有意思的。

原文

06:29

官方账号Meta AI@AIatMeta

Meta 在 Meta AI 应用和 meta.ai 中内置 Content Seal 功能，每张生成图像携带隐形出处信号。该水印可通过裁剪、压缩和缩放后仍保持完整。Meta 正预览公开识别工具（meta.ai/identification），用于验证 Meta AI 生成图像的水印。

AI产品 Meta AI Content Seal 水印验证

推荐理由：Meta 给自家 AI 生成的图都打上了隐形水印，裁剪压缩都去不掉，现在还有了验证工具。

原文

06:28

官方账号Meta AI@AIatMeta

73°

Meta Superintelligence Labs发布了Muse Image，这是其最先进的图像生成模型，支持精准指令跟随、多参考合成和agentic工具使用，并集成Muse Spark。同时预览了Muse Video，基于相同预训练基础，具备原生音频支持和出色视觉保真度。Muse Image已在Meta AI应用、Instagram Stories和WhatsApp中有限地区上线。Meta正在投资改进音频-视频同步和物理准确快速运动等性能差距领域。

AI模型 Muse Image Muse Video Meta

推荐理由：Meta新出的Muse Image和Muse Video，图像生成能精准按指令做，视频还带原生音频，比之前的模型强不少。

原文

05:21

OpenRouter@OpenRouterAI

精选

OpenRouter 用 1,730 道视觉推理题测试了 5 个模型，检验将图片细节设为“low”的省钱技巧。结果发现该技巧适得其反：模型为看清模糊图像消耗更多推理 token，总体成本不降反升。这一发现提示开发者在使用视觉模型时需谨慎选择图片细节参数。

AI模型 OpenRouter 推理模型多模态

推荐理由：想省成本把图设成低清？OpenRouter 测了5个模型1730道题，告诉你这招可能更费钱。

原文

03:59

Notion@NotionHQ

Notion 推出 Agents iOS 应用，可处理语音笔记、照片涂鸦和深夜提问。用户通过语音、图片或文字输入，由多个智能体自动完成整理、回答等任务。该应用将 Notion 的 AI 能力扩展到移动端，实现随身办公。

AI产品 Notion Agents iOS 语音笔记

事件专题

推荐理由：Notion 出了个 Agents iOS 应用，能自动处理语音笔记、草图照片和夜间提问，就像口袋里有个团队帮你干活。

原文

7月7日

22:15

elvis@omarsar0

精选

MiniMax M3 是一款支持多模态的长运行智能体模型。它采用稀疏注意力机制，有效降低长上下文下的计算开销。该模型可同时处理文本与图像等多种输入。其设计使智能体在长时间任务中保持高效实用。

AI模型 MiniMax M3 多模态智能体

推荐理由：MiniMax M3 用稀疏注意力让智能体能跑很久，多模态还实用，搞长任务的不妨关注一下。

原文

13:12

官方一手pandaily@contact@pandaily.com (Pandaily)

Wiener Intelligence 于2026年5月28日在《Nature Communications》上发表论文，提出一种多模态深度学习模型，用于患者功能预后风险分层。这是首家中国数据生成公司在 Nature 系列期刊上发表研究成果。该论文展示了 Wiener Intelligence 在医疗 AI 领域的技术积累，涵盖影像、文本等多模态数据整合。

论文 Wiener Intelligence Nature 多模态

推荐理由：中科院的？不是，Wiener Intelligence 这家做数据生成的公司直接把多模态模型发上了 Nature 子刊，医疗预后分析这事儿他们真干出来了。

原文