多模态相关 AI 资讯

7月3日

11:36

官方账号arXiv cs.AI@Xuehui Wang, Xuankun Yang, Wei Shen

视觉Token剪枝是加速VLM的关键策略，但现有方法在密集指令和细粒度查询下难以保留关键线索。本文提出EADP框架，首先利用统计熵量化并过滤文本噪声，得到细粒度的指令相关性分数；然后通过子模最大化问题与空间先验实现非冗余的Token选择。实验表明EADP在严格Token预算下提高了VLM的精度-效率平衡，在多个多模态基准上达到SoTA性能。

论文 EADP 视觉语言模型 Token剪枝模型压缩多模态

推荐理由：这篇论文用熵过滤噪声、子模选择保留细节，在VLM加速上效果不错，适合想优化推理效率的人看看。

原文

09:42

官方一手arXiv: Google DeepMind@Ismail Ismail Tijjani, Ahmad Abubakar Mustapaha, Sunusi Ibrahim Muhammad, Muhammad Bashir Aliyu

本研究评估了五种视觉语言模型（Gemini 2.0 Flash Exp、Qwen2.5-VL-7B-Instruct、GPT-4o、Claude 4 Sonnet、Llama 3.2 Vision 90b）在尼日利亚车牌识别中的零样本学习表现。使用包含88张真实环境图像的测试集，基于字符错误率（CER）指标，Gemini与Qwen在准确性和鲁棒性上显著优于其他模型。该工作对比了VLM与传统YOLO+OCR管线的优劣，并质疑了模型提供商的性能宣称。

论文 Gemini 2.0 Flash Exp Qwen2.5-VL-7B-Instruct 零样本学习车牌识别多模态

推荐理由：用真实非洲场景测了5个主流VLM，发现Gemini和Qwen在车牌识别上比YOLO+OCR更准，有数据有对比。

原文

08:10

lmarena.ai@lmarena_ai

Arena平台启动Claude Fable 5的Battle Mode和Agent Mode测试，覆盖文本、图像等多模态输入。用户可参与投票，直接影响最终排行榜分数。排行榜结果即将在arena.ai公布。该测试用于评估模型的多模态能力和智能体行为。

AI模型 Claude Fable 5 Arena Battle Mode Agent Mode 多模态

推荐理由：Arena开始让大家测Claude Fable 5了，有Battle和Agent两种模式，你还能投票影响排名，快去试试。

原文

7月2日

20:15

Genspark@genspark_ai

Genspark 宣布 Anthropic 的 Claude Fable 5 模型已重新在 Genspark Code Agent 和 Genspark Claw 中可用。该模型被描述为 Anthropic 最强大的 Mythos-class 模型，在编程、研究、知识工作和视觉任务上达到先进水平。Genspark 称任务越长越复杂，优势越明显。用户可通过 genspark.ai 免费体验。

AI模型 Claude Fable 5 Genspark Anthropic 多模态编程助手

推荐理由：Genspark 把 Claude Fable 5 请回来了，编程、研究、视觉都好使，任务越难越强，快去试试。

原文

10:14

官方账号arXiv cs.AI@Md Abu Hanif Shaikh, Abdullah Al Shafi

论文 RAG 多模态 LLM FastAPI Next.js

推荐理由：这篇论文介绍了一个大学多模态聊天助手，用RAG把幻觉从31.7%压到6.6%，还能处理图片提问，代码也开源了。

原文

09:32

09:32IT之家（博客/媒体）

葡萄牙政府于7月1日发布首个基于欧洲葡萄牙语的开源大语言模型AMALIA，该模型由60多位研究人员历时18个月开发，先期投资550万欧元。第一阶段使用约4万亿个葡语单词训练出9B规模模型，并已具备理解文本、图像和声音的多模态能力。后续计划年内新增22B版本，并引入智能体能力，需追加150万欧元投资。

AI模型 AMALIA 葡萄牙语开源模型多模态智能体

推荐理由：葡萄牙政府新搞了个葡语开源大模型AMALIA，9B参数就能理解文本、图像和声音，年底还要出22B带智能体，搞葡语相关任务可以试试。

原文

7月1日

21:48

岚叔@lufzzliz

一位开发者观察发现，其网站数据显示Codex用户数量多于Claude Code。但实际内部编码场景中，Claude Code的使用比重更大。该观点认为未来当模型代码能力补齐或涌现更多优秀框架后，多模态模型如GPT和Gemini可能占据更大优势。

行业 Codex Claude Code 编程助手多模态

推荐理由：这位博主分享了Codex和Claude Code在实际使用中的差异，点出Codex用户多但内部编码Claude Code更受欢迎，还聊了多模态模型的潜力，挺接地气的。

原文

19:47

Geek@geekbb

72°

Google AI Studio 推出 Gemini Omni Flash，这是一个高质量、低成本的多模态模型，专注于视频生成和对话式编辑。用户可以通过自然语言和简单提示来精炼视频。该模型已在 AI Studio 和 Gemini API 中开放使用。Gemini Omni Flash 支持多模态工作流，旨在降低视频生成的门槛。

AI模型 Google AI Studio Gemini Omni Flash 视频生成多模态

推荐理由：Google 出了个便宜好用的视频生成模型 Gemini Omni Flash，直接用自然语言改视频，快去 AI Studio 试试。

原文

12:51

量子位@量子位的朋友们

Om AI联汇发布了VLX模型，这是全球首个面向物理世界的端侧流式多模态模型。VLX支持实时视频流分析，能够在边缘设备上运行。它适用于机器人、自动驾驶、智能家居等场景，实现了低延迟的物理世界交互。模型采用了创新的流式架构，兼顾了性能和效率。

AI模型 VLX Om AI 多模态端侧推理物理世界

推荐理由：Om AI联汇发布的VLX模型，能在手机上实时看懂视频流，适合做机器人或智能硬件的AI大脑，跟云端模型比延迟低得多。

原文

09:52

官方账号arXiv cs.LG@Johan Land

该论文针对ARC-AGI-2视觉推理基准提出一种新求解器，将文本、图像和代码作为独立搜索算子生成多样候选轨迹，并通过上下文保留的整体判断模型在长上下文提示中联合比较所有候选。在ARC Prize半私有评估集上取得72.9%准确率，成本38.99美元/任务，超过GPT-5.2 Pro的54.2%和Gemini 3 Pro的54.0%。在公开评估集上达到76.1%，成本19.69美元/任务。作者开源完整代码，并报告了负面结果，如规定性提示模板和迭代细化会系统性降低假设多样性。

论文 ARC-AGI-2 GPT-5.2 Pro Gemini 3 Pro 推理模型多模态

推荐理由：这篇论文的方法很实在，用多模态搜索加整体判断，在ARC-AGI-2上做到了72.9%，比GPT-5.2 Pro高了将近19个点，代码还开源了。

原文

09:21

官方账号Google DeepMind@GoogleDeepMind

Google DeepMind 推出 Gemini Omni Flash，支持通过自然语言进行会话视频编辑。该模型可同时引用图片、文本和视频帧，组合多模态输入来操控视频动作。它还能利用真实世界知识，直接连接文字与图形到视频输出。目前已在 Google AI Studio、Gemini API 及 Gemini Enterprise Agent Platform 可用。

AI模型 Gemini Omni Flash Google DeepMind 多模态视频编辑

推荐理由：Google DeepMind 的新模型 Gemini Omni Flash 能边聊天边剪视频，还能把文字和图片直接变成视频操作，很实用。现在在 Google AI Studio 就能试。

原文

08:54

berryxia@berryxia

Google推出Nano Banana 2 Lite图像模型，4秒内完成单次出图。同时发布Gemini Omni Flash多模态模型，支持视频生成和对话式编辑。两者串联形成从图像到视频的快速闭环，演示中上传照片后快速生成多个室内设计方案并直接动画化。该链路大幅降低生成成本，速度相比主流模型更激进。

AI模型 Nano Banana 2 Lite Gemini Omni Flash Google 视频生成多模态

推荐理由：Google把Nano Banana 2 Lite和Omni Flash串起来，先4秒出图再直出动画，比主流模型快且便宜。创意迭代更爽。

原文

05:18

Google AI Developers@googleaidevs

72°

Google推出Nano Banana 2 Lite，号称最快、最经济的Gemini图像模型，专为高吞吐量开发者管道优化。同时发布的Gemini Omni Flash支持视频生成和编辑。两款模型即日起通过Google AI Studio和Gemini API可用。

AI模型 Nano Banana 2 Lite Gemini Omni Flash Google AI Studio Gemini API 多模态

推荐理由：Google发了两个新模型：Nano Banana 2 Lite图像模型更快更省钱，还有Gemini Omni Flash能做视频生成和编辑，今天就能在API上用了。

原文

04:51

Hailuo AI@Hailuo_AI

MiniMax（海螺 AI）作为第 28 届上海国际电影节官方合作伙伴，在 6 月 14-15 日举办了名为“AI Backlot”的 AI 创作体验活动。活动期间，MiniMax 正式推出了产品 Hub，并展示了创作者在短短一个月内完成的电影作品。该活动汇聚了传统电影人、AI 创作者与行业专业人士，共同探讨 AI 如何将想象力转化为实际生产力。

AI产品 MiniMax Hailuo 多模态 AI视频生成上海国际电影节

推荐理由：MiniMax 在上海电影节上正式发布了 Hub 平台，还展示了用 AI 一个月拍出电影的成果，想看 AI 视频工具怎么落地影视创作可以了解下。

原文

04:27

官方账号Google DeepMind@GoogleDeepMind

Google DeepMind 发布 Interactions API，允许将 Nano Banana 2 Lite 和 Gemini Omni Flash 两个模型串联使用。用户可先用 Nano Banana 2 Lite 生成图像，再通过 Gemini Omni Flash 将其动画化。该 API 支持会话历史，可堆叠最多三次顺序编辑。

AI产品 Google DeepMind Interactions API Nano Banana 2 Lite Gemini Omni Flash 多模态视频生成

推荐理由：DeepMind 让 Nano Banana 和 Gemini Omni 能配合干活了，先画图后动画，还能连续改三次，挺实用。

原文

04:22

lmarena.ai@lmarena_ai

精选77°

Claude Sonnet 5 正式加入 Agent Arena，该平台衡量模型在数百万个来自全球用户的真实世界长周期智能体任务上的表现。模型可调用网络搜索、文件系统和终端工具完成复杂工作流。排行榜使用因果追踪方法，将模型性能相对平均水平进行量化。除 Agent Arena 外，Sonnet 5 还支持文本、视觉、文档和代码前端的 Arena 评测。

AI模型 Claude Sonnet 5 Agent Arena Anthropic 智能体多模态

推荐理由：Anthropic 发布了更智能的 Sonnet 5，能在 Agent Arena 里自主用浏览器和终端干活，比几个月前的大模型还强。

原文

01:25

Philipp Schmid@_philschmid

精选

Nano Banana 2 Lite（gemini-3.1-flash-lite-image）生成图像仅需约4秒，成本0.034美元。Gemini Omni Flash API 预览版通过对话生成和编辑视频，价格0.10美元/秒，最长10秒视频，与Veo 3.1 Fast同价。该API结合Gemini的世界知识，支持多轮视频编辑（如改成日落、加雨、换产品），每会话最多3次连续编辑。

AI产品 Nano Banana 2 Lite Gemini Omni Flash API 视频生成多模态 Veo 3.1 Fast

推荐理由：Google今天发了两个新API：一个4秒生图才3分4，另一个能边聊边改视频，价格和Veo 3.1一样。

原文

6月30日

23:29

23:29IT之家（博客/媒体）

2026年6月29日，华为与陕文投联合开发的“博观文旅大模型”在西安实现规模化应用，这是全球首个商用的多模态文旅大模型。该模型依托1.2PB文旅数据集，包含3100万张图片、440万分钟文博影像等。其支撑开发的AI伴游智能体已覆盖超400万用户，非遗数字IP衍生产品销售额超200万元。此外，“博观”还基于昇腾算力底座，成为首个以文化保护和传承为核心的行业大模型。

AI模型博观文旅大模型华为陕文投昇腾多模态文旅大模型

推荐理由：华为和陕文投把多模态大模型用在了文旅行业，能生成博物馆级文物内容，还能做非遗IP，已服务400万用户，值得看看。

原文

13:17

Geek@geekbb

精选

Qwythos 9B 基于 Qwen3.5-9B，在 5 亿 token 的 Claude 思维链轨迹上全参数微调，可处理 1M 上下文。支持原生 Function Calling 和多模态视觉（图像+文本）。GGUF 量化后仅 5.2 GiB，可在低配设备上运行。该模型为开源且未经审查。

AI模型 Qwythos 9B Qwen3.5-9B Claude 推理模型多模态

推荐理由：Empero AI 开源的 Qwythos 9B 把 Qwen3.5 和 Claude 思维链结合，1M 上下文加 Function Calling，量化后 5.2GB 的推理模型，低配机器也能跑。

原文

11:51

官方账号arXiv cs.LG@Chuxiao Zuo, Yao Zhu, Minqiang Xu, Manhong Wang, Yunke Zhang, Fei Huang

提出自适应模态路由（AMR）模块，用于多模态多语言说话人识别。AMR使用W2V-BERT 2.0音频编码器和IResNet-18人脸编码器，通过可训练路由器动态分配模态权重。在POLY-SIM 2026评估集上，系统在4个协议上的平均准确率达99.07%，比FOP基线提升32.73%。具体成绩：英语多模态99.93%，乌尔都语多模态100.00%，英语仅音频97.50%，乌尔都语仅音频98.83%。

论文 W2V-BERT 2.0 IResNet-18 AMR 多模态说话人识别

推荐理由：这篇用AMR动态融合音视频特征，缺失模态也能准确识别说话人。在POLY-SIM上平均99%准确率，比基线高32%，很实用。

原文

11:22

官方账号arXiv cs.LG@Haitao Wu, Qirui Zhang, Zhouheng Yao, Shangquan Sun, Qihao Zheng, Mianxin Liu, Chi Zhang, Wanli Ouyang, Chunfeng Song, Changqing Zhang, Jiamin Wu

BrainJanus是首个将脑、视觉和语言整合到单一框架的统一脑模型。它引入Unified Brain Tokenizer将连续神经活动量化为离散Token，并与视觉和语言表征对齐到共享的Omni空间。基于All-in-One自回归架构，该模型通过下一个Token预测实现图像到脑、文本到脑的编码以及脑到图像、脑到文本的解码。在多项基准测试中，BrainJanus取得优越性能，并展现出零样本泛化能力和可解释的生物拓扑结构。代码已在GitHub开源。

论文 BrainJanus 脑机接口多模态零样本学习脑解码

推荐理由：这篇论文提出了BrainJanus，一个能双向翻译脑信号与图像、文本的统一模型，在零样本和生物可解释性上突破传统方法。

原文

10:21

官方账号arXiv cs.AI@Chao Tian, Zikun Zhou, Chao Yang, Guoqing Zhu, Zhenyu He

本文提出一种稀疏跨模态融合机制用于RGB-T目标检测，避免传统方法中双重骨干网络和全局融合的高计算成本。该方法先通过轻量级单模态检测器快速扫描图像，生成高召回率的候选区域（RoI），再对稀疏的候选区域进行跨模态特征融合以精化检测结果。两阶段框架显著降低了参数和计算成本，同时在高分辨率图像上保持可扩展性。实验证明该方法在保持竞争力的前提下实现高效检测。

论文 RGB-T 稀疏融合目标检测多模态

推荐理由：这篇论文找到了一种聪明的方法：先快速扫一遍图像找出可能的目标区域，再只对这几个区域做多模态融合，省了很多计算。适合想做轻量级多模态目标检测的人读。

原文

10:16

官方账号arXiv cs.AI@Elys Allesiardo, Antoine Caubrière, Valentin Vielzeuf

该论文深入分析了非序列多模态句子级嵌入，重点研究SONAR模型。研究发现某些嵌入维度对扰动敏感，可作为解码异常的指示器。通过利用编码与解码间的一致性，构建了准确的异常检测器。论文还探索了修改特定维度以尝试纠正异常。

论文 SONAR 多模态嵌入异常检测

推荐理由：这篇论文用SONAR模型把嵌入维度玩出花了，直接用一致性检测解码异常，还尝试修正，挺有意思的。

原文

01:57

官方一手AWS Machine Learning Blog@Sanghwa Na

精选

AWS 博客展示如何用 Amazon Nova 2 Lite 和 Claude Sonnet 4.6 构建两模型管道，用于扫描文档的数字化。Nova 2 Lite 在单次调用中完成多模态提取（检测照片、提取姓名坐标、返回页面元数据）。Claude Sonnet 4.6 根据版面布局进行空间推理，将姓名和面孔匹配。该管道在 Amazon Bedrock 上运行，通过分工降低总处理成本。

技巧 Amazon Nova 2 Lite Claude Sonnet 4.6 Amazon Bedrock 文档数字化多模态

推荐理由：用 Nova 2 Lite 做粗提取，Claude Sonnet 4.6 做精准匹配，文档数字化省心又省钱。

原文

6月29日

18:50

量子位@量子位的朋友们

OceanBase推出AI数据库版本，将湖仓一体、多模态数据与AI能力集成于单一引擎。该版本支持SQL+AI混合查询，可同时处理结构化表格、非结构化文本及图片等数据。OceanBase在TPC-C、TPC-H等基准测试中保持领先性能，新版本使企业无需额外ETL即可直接运行AI模型。

AI产品 OceanBase 数据库多模态湖仓一体 AI数据库

推荐理由：OceanBase这次更新把数据库和AI揉在一起了，一个引擎搞定表格、文本和图片，省了来回搬数据的麻烦。

原文

16:34

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

具身智能公司智平方（Zhipingfang）完成约50亿元新融资。其估值突破200亿元（约28亿美元），成为粤港澳大湾区首个具身智能独角兽。核心采用类脑NeuroVLA架构，模拟人脑多模态信息处理机制。

行业 Zhipingfang NeuroVLA 具身智能类脑智能多模态

推荐理由：智平方刚融了50亿，估值200亿，靠类脑NeuroVLA搞具身智能，大湾区第一个独角兽，挺有看头。

原文

13:50

官方账号阿里云 Alibaba Cloud@alibaba_cloud

在Flink Forward Asia Shenzhen 2026上，NVIDIA的Chuan Chen介绍了与阿里云的技术合作。双方通过CUDA库加速Apache Flink的多模态数据流处理。这一开源协作实现了端到端高性能多模态流式架构，适用于AI评论、实时图文流和交互式问答。

行业 NVIDIA Alibaba Cloud Apache Flink CUDA 多模态

推荐理由：NVIDIA和阿里云用CUDA把Flink的多模态数据处理速度拉满了，想做实时AI评论或图文问答的可以看看这个架构。

原文

13:50

官方账号阶跃星辰 Stepfun@Stepfun_AI

StepFun（阶跃星辰）推出初创公司计划，为早期AI团队提供支持。入选团队可获得API额度、专属生态系统支持、联合营销机会、展示位置及合作伙伴引荐。该计划面向构建多模态应用和智能体系统的团队。申请现已开放。

行业 StepFun 多模态智能体初创计划

推荐理由：StepFun给早期AI团队送API额度、资源和曝光，做多模态或智能体项目的小伙伴可以试试，链接在推文里。

原文

13:49

官方账号阶跃星辰 Stepfun@Stepfun_AI

精选

Step 3.7 Flash 是开源多模态推理模型，现已在 DeepInfra API 上线。该模型支持私有端点部署，适用于专用负载场景。它专为智能体编码、工具使用、搜索和视觉工作流设计。开发者可通过 DeepInfra 的 API 直接调用。

AI模型 Step 3.7 Flash DeepInfra 多模态推理模型开源模型

推荐理由：Step 3.7 Flash 开源多模态推理模型刚上线 DeepInfra，支持私有部署，适合智能体编程和视觉任务，开发者可以试试。

原文

13:49

官方账号Microsoft AI@MicrosoftAI

微软的 MAI-Image-2.5 在 Artificial Analysis 的文本到图像榜单中排名第2，图像编辑排名第3。该模型能对图像进行精确编辑，例如将雨窗模糊场景转换为清晰街景，同时保持物体一致性、光照、反射和场景几何。模型现已通过 Foundry API、MAI Playground 和 OpenRouter 提供使用。

AI模型 MAI-Image-2.5 Microsoft 图像生成图像编辑多模态

推荐理由：微软 MAI-Image-2.5 图像生成排第2、编辑排第3，还能把雨窗变清晰，想用去 Foundry API 或 OpenRouter 试试。

原文

13:49

官方账号阶跃星辰 Stepfun@Stepfun_AI

StepFun 的 Step 3.7 Flash 模型已在 AI 平台 ZenMuxAI 上架。该模型支持多模态输入，针对实际工作流优化，推理速度较快。用户可在 ZenMuxAI 上免费使用该模型30天。

AI模型 Step 3.7 Flash ZenMux StepFun 多模态免费试用

推荐理由：StepFun 的新模型 Step 3.7 Flash 上线 ZenMux，多模态且快，还能免费用一个月，想试试的别错过。

原文

13:49

官方账号Jasper AI@heyjasperai

精选72°

Jasper Research 宣布推出 MONET 数据集，从 29 亿张图片中精炼出 1.049 亿张高质量样本，成为全球最大的开放文本-图像数据集。该数据集采用 Apache 2.0 许可，可免费商用。同时发布的 nano-t2i 方案支持在单张 GPU 上训练有竞争力的文生图模型。

AI模型 MONET Jasper Research nano-t2i Apache 2.0 多模态

推荐理由：Jasper Research 放出了 MONET 数据集，有 1 亿多张图，免费商用，还能用 nano-t2i 在单卡上训练模型，做文生图的值得试试。

原文

6月27日

11:20

Latent.Space@latentspacepod

OpenAI首席研究官Mark Chen在播客中讨论了AGI距离，认为模型正越来越接近自主创新。他重申扩展定律和预训练仍然关键，并透露OpenAI如何分配算力。他还指出评估基准正面临危机，模型需提升长周期任务与多模态推理能力。

行业 OpenAI Mark Chen AGI 智能体多模态

推荐理由：OpenAI内部的人聊AGI有多远，还讲了评估危机和长周期学习，干货不少。

原文

6月26日

11:39

11:39IT之家（博客/媒体）

Mistral AI 于6月23日发布OCR 4文档识别模型。该模型支持横跨10个语族的170种语言，在OmniDocBench基准上获得93.07分，优于GPT 5.5 Pro和Gemini 3.1 Pro Preview。OCR 4提供边框、区域分类和置信度评分，并支持RAG语义分块等下游任务。基础API定价每千页4美元，批处理可享50%优惠。

AI模型 Mistral AI OCR 4 多模态文档识别 RAG

推荐理由：Mistral出了新OCR模型，支持170种语言，评分比GPT和Gemini都高，处理文档识别可以试试它。

原文

10:52

官方账号arXiv cs.AI@Junhao Shi, Zezheng Huai, Siyin Wang, Jia Chen, Yubang Wang, Zhaoye Fei, Hechang Chen, Jingjing Gong, Xipeng Qiu, Yu-Gang Jiang

OmniAct 提出了一个分层异步架构，将多模态语义规划器、基于事件边界压缩的自适应分层记忆和异步视觉抢占引擎模块化集成，以解决持久自主机器人的跨域工具调用与物理故障恢复问题。在40个真实世界长期任务中，使用两个机器人平台协调四个IoT设备，OmniAct在所有复杂度级别上端到端成功率一致提升，累积超过10万交互token时保持接近线性的token消耗，并让中等规模开源模型达到闭源模型性能。

AI模型 OmniAct 具身智能多模态机器人 IoT交互

推荐理由：他们搞了个新架构，让机器人能自己协调API、物联网和物理动作，干活出错还能自己恢复，20个任务里成功率都比之前高，而且省钱省token。

原文

09:39

向阳乔木@vista8

一个团队展示了能实时计数乒乓球颠球数的AI系统，并认为Physical AGI需要满足三个必要条件：统一的多模态大脑（非模型拼接）、在同一个大脑中完成任意模态的理解与生成、理解与生成以流式方式持续运行。最关键的一点是该大脑必须完整运行在端侧。团队还提供了更多介绍和演示视频。

AI模型 Physical AGI 多模态端侧模型智能体

推荐理由：看看这个团队对Physical AGI的看法，他们提出了3+1个必要条件，还做了颠球计数的演示，强调端侧运行和统一多模态大脑。

原文

03:54

Mustafa Suleyman@mustafasuleyman

精选72°

Microsoft 发布 MAI-Image-2.5，在 Artificial Analysis Image Arena 文本到图像基准中排名第2，仅次于 OpenAI 的 GPT Image 2。其图像编辑能力排名第3，仅次于 OpenAI 模型，性能与 Google 的 Nano Banana 2 相当。MAI-Image-2.5 最大输出约 1MP 分辨率，支持灵活宽高比和 32K token 上下文。定价为每千张图 $48（Flash 变体 $20），可通过 Foundry API 和 MAI Playground 使用。

AI模型 MAI-Image-2.5 Microsoft 文本到图像图像编辑多模态

推荐理由：微软新出的 MAI-Image-2.5 图像生成和编辑都很强，排名只输给 OpenAI，价格也透明，值得试试看。

原文

6月25日

16:06

16:06IT之家（博客/媒体）

精选

商汤科技正在研发代号U1 Pro的多模态模型，聚焦设计场景，对标OpenAI GPT-Image 2。该模型由联合创始人林达华牵头，属于日日新家族，预计7月启动内部邀请测试。支持8K分辨率输出，能实现设计-生成-评审长程循环。内部评测显示，相同提示词下U1 Pro生成图片质量接近甚至优于GPT-Image 2。LMSYS Chatbot Arena中GPT-Image 2文生图评分领先谷歌Nano Banana 2。

AI模型商汤科技 U1 Pro GPT-Image 2 多模态图像生成

推荐理由：商汤新模型U1 Pro专攻设计，对标GPT-Image 2，内部评测更优，支持8K输出，7月内测。

原文

11:01

官方账号arXiv cs.AI@Yu-Yang Chen, Lan-Zhe Guo

TriViewBench 是一个基于合成3D场景的受控多视图视觉推理基准，包含1,923个场景和超过14K个问答对，分为4个复杂度级别和3个推理类别：局部决策、物体计数和全局恢复。评估18个开源和闭源MLLMs发现，所有模型能力排序一致（局部决策>物体计数>全局恢复），且随着复杂度增加性能单调下降：局部决策下降12.11%，物体计数下降59.14%，全局恢复骤降80.02%。错误分析表明，单视图任务中因遮挡导致欠计数，多视图任务因跨视角身份混淆导致过计数。Chain-of-Thought提示几乎无收益（Δ=-0.16%），表明瓶颈在于跨视角空间表示而非推理策略。

论文 TriViewBench MLLMs 多模态视觉推理基准测试

推荐理由：这篇论文用TriViewBench测了18个多模态模型，发现它们都在多视图推理上崩得厉害，CoT也救不了。想了解当前MLLM的结构推理极限，可以看看。

原文

10:45

官方账号arXiv cs.LG@Akshay Paruchuri, Sanmi Koyejo, Ehsan Adeli

精选

论文提出Facet-Probe审计框架，从选项、证据块、文档排序、图像集、混合模态五个维度测试18个前沿和开源MLLM的排序敏感性。采用贝叶斯项目反应模型分离排序噪声与各维度偏差，发现所有模型均非排序不变，各维度平均翻转率在24%至50%之间。Gemini在温度0下的同序控制显示，验证单元中存在远超解码器噪声的排序超额。最优模型仍有13.4%的试次输出翻转，提示词级缓解措施无法泛化到视觉推理。

论文 Facet-Probe MLLM Gemini 多模态模型可靠性

推荐理由：这篇论文用Facet-Probe测试了18个主流多模态大模型，发现它们对输入顺序都很敏感，最好的模型也错13.4%，提醒我们模型可靠性还不是想象中那么好。

原文