ActiveVision新基准：GPT-5.5和Claude Fable 5主动观察得分不足11%
想看最强的AI在实时观察任务上有多弱吗？ActiveVision让GPT-5.5和Claude Fable 5原形毕露，人类碾压它们。
#多模态
共 1345 条 · 7 天 156 条 · 30 天 444 条 · 话题观测 →
7月20日
论文09:31
ToolSciVer: 视觉工具强化的多模态科学声明验证这篇论文给VLM配了三种看图工具（表格、图表、放大），再用GRPO训练工具使用策略，比普通prompt和RL方法更准，适合处理科学图表验证。
论文09:23
HCIG：用于多模态讽刺与网络霸凌检测的分层跨模态不一致图网络这篇论文提出了HCIG和GCCN，在MMSD和MultiBully上分别达到85.74%和69.62%准确率，比传统融合方法更善于捕捉图文矛盾。
论文09:15
SciForge：面向科学发现的多模态 AI 科研工作台想用 AI 管理整个科研流程？SciForge 把论文、代码、数据整合成可追溯的工作状态，还帮你做基因发现和蛋白质设计，开源可玩。
7月19日
阿里开放式世界模型快乐生蚝 HappyOyster 1.0 登陆百炼平台，支持两大核心模式
阿里刚发的 HappyOyster 1.0，能根据一句话或一张图生成实时可探索的 3D 世界，还能像导演一样用文字操控剧情，支持 1 分钟以上互动，挺有新意的。
IT之家原文
产品08:33
荣耀发布伙伴型多模态智能体操作系统AgenticOS，8月Robot Phone首发荣耀新系统AgenticOS，8月Robot Phone首发有机械云台，支持多智能体协同，试试看。
IT之家原文
7月18日
Inkling模型上线OpenRouter，975B MoE含1M上下文
Think Machines的Inkling模型很特别，总参数975B但只激活41B，还有1M上下文和多种模态支持，值得上手试试。
NeMo AutoModel 支持 Hugging Face Diffusers，扩展图像视频微调
英伟达开源微调工具 AutoModel 现在也能调图像视频模型了，提供现成 LoRA 脚本，省去写分布式训练的麻烦。
7月17日
阿里通义实验室发布 Wan-Streamer v0.2 模型，AI 视频电话响应延迟仅 550ms
阿里发了 Wan-Streamer v0.2，视频电话延迟才 550ms，画质从模糊到高清，还能边听边看边回应，挺有意思。
IT之家原文
Kimi K3 内部跑分三战全胜，超 Opus 4.8 和 GPT-5.5
Kimi 新模型 K3 跑分赢了 Opus 4.8 和 GPT-5.5，2.8 万亿参数还带百万上下文，解码快到飞起，技术细节值得细看。
产品13:46
谷歌 Google Vids 新增数字分身与 Gemini Omni 功能谷歌给 Vids 加了数字分身，上传自拍和录音就能生成自己出镜的 AI 视频，还能用 Gemini Omni 改背景调光线，比 HeyGen 更方便。
论文10:59
MM-IssueLoc：一个评估多模态仓库级问题定位中视觉证据的受控基准新基准 MM-IssueLoc 专门测模型到底有没有用截图这类视觉证据，而不是全靠文本猜。当前最强系统得分才三十多，说明视觉定位远没解决。
论文09:59
多模态大模型的科学可视化素养基准测试这篇论文用49道题测了Gemini、GPT-4等6个模型对科学图表的理解力，发现Gemini最强但人类平均还是更高，开源模型差距明显，想了解模型真实视觉推理能力可以一读。
Inkling 多模态 MoE 模型发布，支持文本图像音频输入
Inkling 是 Thinking Machines Lab 的新多模态 MoE 模型，同时支持文本、图像、音频输入，还能控制推理计算量，效率很高。
Kimi开放权重模型K3接近GPT-5.6 Sol和Fable 5
Kimi搞了个2.8万亿参数的开源模型K3，性能追平GPT-5.6 Sol和Claude Fable 5，不过价格也上去了，中国AI要涨钱了。
Muse Spark 1.1 登陆 OpenRouter，面向美国开发者
Meta 新模型 Muse Spark 1.1 上架 OpenRouter，输入才 $1.25/M，还支持多模态，做智能体很划算，美国开发者快试试。
Inkling 在 Frontend Code Arena 开放权重模型排名第10
Thinking Machines 出的 Inkling 开放权重模型在多模态推理和多个基准上表现不错，是美国目前排名最高的开放模型，不妨试试它的推理效果。
