#多模态

海螺AI官方转发了用户用MiniMax H3做绿幕编辑的测试，换背景和衣服还能保持镜头和人物不动，编辑后轮廓还更清楚，挺有意思。

Hailuo AI@Hailuo_AI8 个信源在谈原文

Karpathy给Opus 5百万Token预算，让它做《指环王》3D渲染，还吐槽模型没法自己看结果。

官方一手歸藏(guizang.ai)@op74188 个信源在谈原文

MiniMax 出了 H3，开放权重还便宜，能做全模态生成，想省成本搞商用的可以看看。

Hailuo AI@Hailuo_AI原文

Cia0用MiniMax H3加Midjourney V8.2做了个动画版UI作品集，H3能一次生成音频、文字和角色锁定，比SD2省事多了。

Hailuo AI@Hailuo_AI6 个信源在谈原文

PathVU这个新基准测了18个多模态模型，发现它们在病理图上连定位和数数都容易出错，搞医学AI的值得看看。

视频编辑直接登顶的 MiniMax H3，带原生音频，价格不到 Kling 的一半，还说要开源权重，做视频的可以试试。

Hailuo AI@Hailuo_AI6 个信源在谈原文

想把纯图片的Incidents1M变成图文对？这篇用Qwen3.5做生成和验证，10万条描述加自动打分，干活靠谱。

Codex 的图像生成终于能局部修改了，点一下就能擦除或改标题，不用再写千字提示词。

官方一手@OpenAIDevs@OpenAIDevs11 个信源在谈原文

MiniMax 出了个新模型 H3，专攻游戏界面和第三人称控制，实测效果挺逼真。

Hailuo AI@Hailuo_AI6 个信源在谈原文

MiniMax H3 这个模型太厉害了，手绘线条和真实视频结合得毫无痕迹，几分钟搞定以前几小时的活，快看看这个演示！

Hailuo AI@Hailuo_AI5 个信源在谈原文

Google的Gemma 4能本地读图分析截图和手写笔记，而且每次对话零推理成本，比云端模型省大钱。

AI Will@FinanceYF52 个信源在谈原文

想评估音频大模型的信息还原能力？MMAC有五千多段音频和十五个细粒度维度，比只看生成质量更靠谱。

想自动给论文图表打分？SciFigAlign比顶级大模型裁判准59%，还能区分同论文哪张图更好——审稿人能省大事。

这篇论文提出了CHARM，用分层上下文建模多模态图，不需要目标域微调就能零样本迁移，比现有GNN和LLM方法更通用。

VetClaw 把摄像头和云端大模型结合起来，让兽医能快速做疾病初筛，比单用图片准确多了。

MODUS用一个解码器统一处理各种模态的输入输出，省去多个专用组件，性能不输专家模型，还开源了。

这论文搞了个ClinPRISM框架，专门搞定不规则时间序列的医疗问答，只用16个token和0.15秒回答一个问题，比现有大模型省资源还更准。

火山引擎刚发布的豆包搜索，专门给Agent用的，能查实时信息还支持多模态，免费500次，做智能体开发的朋友可以试试。

这篇论文针对多模态分类中模态任意缺失的问题提出了两种具体方法，在单缺失和极缺失场景下各有优势，代码开源可复现。