多模态相关 AI 资讯

8月16日

11:14

11:14IT之家（博客/媒体）

精选74°

小红书于8月14日发布dots3-note preview开源大模型，总参数量280B、激活参数16B。华为昇腾Atlas 800 A3与Atlas 900 A3 SuperPoD已完成该模型全量适配，并基于vLLM Ascend推理引擎提供部署能力。昇腾在发布当天完成0 Day适配，通过FlashComm通信优化与FUSED_MC2通算融合提升MoE推理吞吐。MTP投机解码原生支持降低了单Token生成耗时TPOT。该模型具备文本、视觉、语音全模态感知能力。

事件专题

推荐理由：小红书开源了dots3-note preview，华为当天就完成昇腾适配，280B参数全模态模型现在就能在Atlas上跑。

原文

8月15日

14:05

官方账号Decoder@Jonathan Kemper

Moonshot AI 发布 PerceptionBench 基准，专门测试多模态 AI 模型的视觉感知能力，并将该能力与逻辑推理分离评估。目前没有任何前沿模型在该基准上达到 60% 的准确率，GPT-5.6 Sol 以微弱优势领先。测试还发现，许多原本被认为是推理过程的错误，实际上在图像读取阶段就已经发生。

AI模型 PerceptionBench Moonshot AI GPT-5.6 Sol

推荐理由：Moonshot AI 出了个新测试 PerceptionBench，专门查 AI 的“眼神”。结果最强模型 GPT-5.6 Sol 准确率也不到 60%，而且很多错是从看图时就错了。

原文

10:38

shao__meng@shao__meng

82°

阿里开源了 Qwen3.8-27B，这是原生多模态稠密模型，27B 参数在综合表现上超过 Qwen3.7-Plus。该模型原生支持 262K 上下文，可通过 YaRN 扩展到 1M。它兼容 vLLM、SGLang、TokenSpeed，并提供官方 FP8 版本。Unsloth 的量化方案只需 17GB RAM 即可本地运行。此外，Max 级 Qwen3.8-2.4T-A95B 的权重也已开放。

AI模型 Qwen3.8-27B Qwen3.8 多模态

事件专题

推荐理由：阿里把 27B 开源了，原生多模态，整体超 Qwen3.7-Plus，17GB 内存就能本地跑，适合自己部署。

原文

04:42

Fireworks AI@FireworksAI_HQ

Fireworks AI 举办的 Fire Pass Kimi K3 社区构建竞赛收到大量投稿，@Prof_OZ 正在逐一测试参赛项目。首个亮相的作品是 @seanchenqt 开发的 FridgeChef。用户拍摄冰箱照片，Kimi K3 即可识别食材并规划晚餐。FridgeChef 的代码也完全由 Kimi K3 生成。演示可访问 fridgechef.qtkiwi.com。

AI产品 Kimi K3 FridgeChef Fireworks AI

事件专题

推荐理由：Kimi K3 写的 App，拍冰箱就出菜谱，还能自己跑起来，快去 fridgechef.qtkiwi.com 试试！

原文

00:28

官方账号阿里通义 Qwen@Alibaba_Qwen

73°

阿里发布 Qwen3.8-27B 开源权重，这是一个原生多模态密集模型，仅 27B 参数就在整体表现上超过 Qwen3.7-Plus。该模型在真实编码和办公工作流中表现突出，原生上下文达 262K 令牌，可通过 YaRN 扩展到 1M。模型采用 Apache 2.0 许可证，同时 Qwen3.8-2.4T-A95B 的 Max 级权重也已开放。开发者现在可以在本地部署轻量应用或用大模型构建智能体。

AI模型 Qwen3.8-27B Qwen3.8 Apache 2.0

事件专题

推荐理由：阿里的 Qwen3.8-27B 开源了，27B 参数比 Qwen3.7-Plus 还强，带原生多模态和长上下文，本地跑很合适。

原文

00:11

Google Gemini App@GeminiApp

Gemini应用推出新功能，用户可直接询问“这是AI生成的吗”来验证图片、视频或音乐是否由AI合成。该功能通过分析内容中的水印信息进行判断，并支持用户在设置中管理水印选项。目前该能力已面向用户开放，覆盖多种媒体类型，方便日常辨别AI生成内容。

AI产品 Gemini AI安全多模态

推荐理由：遇到可疑的AI图片、视频或音乐，直接问Gemini就能查，还能自己设置水印开关，挺实用。

原文

8月14日

23:56

Paul Couvert@itsPaulAi

85°

阿里巴巴发布 Qwen3.8-27B，这是 27B 参数的原生多模态稠密模型，采用 Apache 2.0 许可证。官方称它综合性能超越 Qwen3.7-Plus，在编码与办公工作流中表现出色。模型原生支持 262K 上下文，可通过 YaRN 扩展到 1M 令牌。同时发布的还有 Qwen3.8-2.4T-A95B（Max 级）权重。该模型可在笔记本上本地运行，性能可匹配六个月前最强且最贵的 Opus 4.6 Max。

AI模型 Qwen3.8 Alibaba 多模态

推荐理由：阿里把 Qwen3.8-27B 开源了，27B 参数就能在笔记本上跑，性能还追上了之前的顶级付费模型，赶紧试试。

原文

23:18

23:18IT之家（博客/媒体）

72°

8 月 14 日晚间，阿里正式开源 Qwen3.8-27B 模型，开发者、科研机构和企业均可自由下载部署。该模型为 270 亿参数的稠密多模态模型，原生支持 262K 上下文，通过 YaRN 技术可外推至 1M Tokens。相比 Qwen3.6-27B，新模型在编程和办公场景性能大幅提升，官方称表现超越 Qwen3.7-Plus。模型新增 reasoning_effort 功能，可根据任务难度控制思考深度以节省资源。

AI模型 Qwen3.8-27B 阿里开源模型

事件专题

推荐理由：阿里把 27B 这个最受欢迎的尺寸开源了，编程办公比 Plus 还强，还能控制思考深度省算力，适合自己部署玩。

原文

12:21

官方账号arXiv cs.AI@Bobo Li, Hao Fei, Tianjie Ju, Mong-Li Lee, Wynne Hsu

OmniScientist是端到端的多模态AI科学家系统，可直接处理图像、信号、音频、视频、3D结构等原始证据。系统由感知层和三个自主智能体（构思、实验、写作）组成，通过代码检查保障新颖性与统计有效性。在覆盖5个学科家族、4类证据的36个真实数据案例中，系统全部完成从原始数据到编译手稿，平均论文得分为6.3。与仅接收预计算标量特征的盲变体相比，直接感知在7个评估维度全部占优，并在85%的成对比较中胜出。

论文 OmniScientist 多模态智能体

推荐理由：OmniScientist直接读图像、视频、3D原始数据，36案例全跑通，均分6.3，对比实验85%胜出。

原文

11:08

官方账号arXiv cs.LG@Lei Bai, Jiaqi Cao, Chiyu Chen, Guanzhou Chen, Kai Chen, Guangran Cheng, Erfei Cui, Xuanlang Dai, Shengyuan Ding, Shangheng Du, Yanhui Duan, Yue Fan, Youqing Fang, Quan Gan, Yuanyuan Gao, Jiaye Ge, Lixin Gu, Yuzhe Gu, Qipeng Guo, Junjun He, Xin Hong, Ming Hu, Zhouqi Hua, Haian Huang, Junhao Huang, Zixian Huang, Minxi Jin, Lingkai Kong, Alexander Lam, Zehao Li, Zonglin Li, Tianhao Liang, Dahua Lin, Junyao Lin, Tianyang Lin, Zhouhan Lin, Jiangning Liu, Jin Liu, Kuikun Liu, Wenran Liu, Yifei Liu, Yuhong Liu, Yuhong Liu, Zhoumianze Liu, Ziyan Liu, Ziyu Liu, Haijun Lv, Han Lv, Chengqi Lyu, Le Ma, Ningsheng Ma, Zerun Ma, Haoyang Peng, Runyu Peng, Jifei Shan, Zixin Shang, Kou Shi, Xiang Shi, Qisheng Su, Xuerui Su, Hao Sun, Xiao Sun, Yanan Sun, Yu Sun, Huanze Tang, Yinghao Tang, Wenhui Tian, Zhongbo Tian, Bingli Wang, Haomin Wang, Jiarui Wang, Jingzhi Wang, Rui Wang, Xiquan Wang, Yi Wang, Zhecan Wang, Ziyi Wang, Zun Wang, Rubin Wei, Lianyi Wu, Wen Wu, Yue Wu, Yuhan Wu, Zhenyu Wu, Zijian Wu, Shuhao Xing, Jun Xu, Xingle Xu, Xuenan Xu, Xiangchao Yan, Ziang Yan, Bowen Yang, Danni Yang, Lin Yang, Zhiqi Yang, Qian Yao, Haochen Ye, Peng Ye, Jinhui Yin, Jiashuo Yu, Dingbo Yuan, Fei Yuan, Yuhang Zang, Bo Zhang, Chao Zhang, Chen Zhang, Hongjie Zhang, Junming Zhang, Wenlong Zhang, Wenwei Zhang, Yiming Zhang, Zhuo Zhang, Ziyang Zhang, Haiteng Zhao, Penghao Zhao, Yibo Zhao, Zhonghan Zhao, Zhihang Zhong, Bowen Zhou, Peiheng Zhou, Xin Zhou, Xinyu Zhou, Yunhua Zhou, Dongsheng Zhu, Yicheng Zou

Intern-S2-Preview 是一系列面向科学发现的智能体基础模型，支持多模态科学理解、推理、生成和长周期任务。训练流程包含科学多模态预训练、监督微调、多任务强化学习及智能体 RL，并引入部分 rollout、自适应长度正则化等技巧提升稳定性。其中 Intern-S2-Preview-397B 在 SciTS 时间序列基准上取得领先表现，同时其时间序列模块增强了科学信号理解与预测。独立的 Intern-MemDec-4B 扩展将 Biology-Instructions 平均分从 56.92 提升至 60.32，且无需修改冻结的 397B 主干。

AI模型 Intern-S2-Preview 科学智能体多模态

推荐理由：这个科学智能体模型能处理多模态数据，397B 版在时间序列预测上很强，还有个 4B 小模型能直接把生物任务分数拉高，适合搞科研的人看看。

原文

03:23

官方账号xAI@xai

精选76°

Grok 4.6 已上线 Pi 平台。该版本面向长时间运行的智能体任务，编码、知识工作和视觉能力有所提升。定价为输入每百万 tokens 2 美元，输出每百万 tokens 6 美元。用户刷新模型目录即可选用。

AI模型 Grok 4.6 Pi xAI

推荐理由：Pi 上现在能直接用 Grok 4.6，跑长任务智能体更稳，编码和视觉也比之前强，价格也公布了。

原文

02:17

OpenRouter@OpenRouterAI

OpenRouter宣布，Gemini 3.7 Flash在其平台上有额外五折优惠，活动持续到8月27日。该模型来自Google DeepMind，测试显示它在多模态和智能体工作负载上表现突出。本次折扣为OpenRouter独家提供，其他平台没有同样价格。

AI产品 Gemini 3.7 Flash OpenRouter Google DeepMind

推荐理由：OpenRouter给Gemini 3.7 Flash额外五折，8月27号截止。多模态和智能体任务，这价很香。

原文

01:54

官方一手marktechpost@Asif Razzaq

78°

谷歌发布Gemini 3.7 Flash，在推理核心上对Gemini 3.6 Flash做了算法改进。该模型支持1M token上下文和64K token输出，可处理文本、图像、音频与视频。编码基准上，FrontierCode 1.1 Main成绩43.6%（前代34.4%），DeepSWE v1.1为65.3%，WebDev Arena Elo为1588。文档与工作流基准同样提升，GDP.pdf从22.0%升至34.0%，AutomationBench从17.0%升至30.4%。模型仅通过API和企业提供，无开放权重，输入输出每百万token定价0.75/3.75美元，优惠至2026年12月31日。

AI模型 Gemini 3.7 Flash Google 智能体

推荐理由：谷歌新出的Gemini 3.7 Flash，编码和智能体分数提升明显，输入每百万token只要0.75美元，划算，但只走API。

原文

01:45

OpenRouter@OpenRouterAI

OpenRouter 宣布为 Gemini 3.7 Flash 添加多模态工作负载支持。该模型覆盖图像理解、PDF 解析和文档提取等任务。在智能体工作流中，用户可在 Ori Harness 中直接调用。

AI模型 Gemini 3.7 Flash OpenRouter Ori Harness

推荐理由：Gemini 3.7 Flash 现在也能处理图片和 PDF 了，跑智能体还能配合 Ori Harness 用，OpenRouter 上就能试。

原文

8月13日

22:04

官方账号Runway ML@runwayml

Scene Fixer 由 AL Anany 开发，面向 Runway 用户的 AI 视频片段修复工具。用户将不匹配的片段序列放入，其视觉 AI 会自动标记服装、道具、灯光、视线等问题区域。用户确认位置后，Aleph 只修复该处，其他帧保持逐帧一致，音频不变。无需重新生成整个片段。

AI产品 Scene Fixer Runway Aleph

推荐理由：Runway 出了个 Scene Fixer，能把不搭的 AI 片段统一起来，只修有问题的部分，其他帧和音频都不动。

原文

21:43

LovartAI@lovart_ai

MiniMax H3 视频模型正式上线 Lovart 平台。官方称它是全球排名第二的视频模型，生成成本不到同类产品的一半。该模型支持 15 秒电影级输出，并接受文本、图像、视频和音频四种模态的参考输入。在 Lovart 上，它可以保持角色、产品、场景和风格的一致性，适用于广告、MV 和 TVC 制作。

AI模型 MiniMax H3 Lovart 视频生成

事件专题

推荐理由：MiniMax H3 已经在 Lovart 上架了，15 秒视频只要一半成本，角色和场景还保持一致，做广告片可以试试。

原文

18:06

18:06官方账号Simon Willison’s Weblog（博客/媒体）

80°

Meta 发布开源模型 Muse Glimmer，参数规模 30B，采用 Apache 2.0 许可证。该模型在 DeepSearch QA、MCP-Atlas、τ-Bench 和 SWE-Bench 等基准上取得较高成功率，可完成端到端智能体任务。Muse Glimmer 支持可靠工具调用，并在复杂工作流中维持多步推理。作者用 LM Studio 的 18.16GB 量化版本进行了本地测试，还搭配 llm-coding-agent 插件试用。Muse Glimmer 还是视觉模型，能生成详细图片描述。

AI模型 Muse Glimmer Meta 开源模型

推荐理由：Meta 出了个 30B 开源模型 Muse Glimmer，Apache 2.0 协议，能自主调工具、多步推理，本地跑挺不错。

原文

17:56

17:56IT之家（博客/媒体）

78°

谷歌DeepMind发布大规模多语言手语转文本模型SL2T，Pixel 11系列手机上的Gboard和Live Transcribe应用率先支持美国手语输入。该模型在超过50种手语的10万小时数据上训练，能识别身体多部位同步运动。测试显示，美国手语输入比英语打字更快更自然。模型将手语转为姿势特征点，在设备端完成处理，无需上传原始视频，保护用户隐私。

AI模型手语转文本 Google DeepMind Pixel 11

事件专题

推荐理由：谷歌DeepMind把手语转文字做进了Pixel 11，美国手语直接变成文本，比打字还快，而且数据在本地处理，隐私有保障。

原文

12:39

AI Will@FinanceYF5

精选

xAI 在 Grok 4.5 基础上进行了更长的补充训练，加入推理、工程和高级技术数据，并让 Grok 4.5 重新生成 SFT 轨迹。强化学习阶段覆盖知识工作、通用编程、内核优化、网页开发和 CAD 等任务，目标直指复杂工程技术场景。

AI模型 Grok 4.5 xAI 推理模型

推荐理由：xAI 把 Grok 4.5 又练了更长一轮，还专门强化编程、内核和 CAD，想搞技术活的话可以看看。

原文

8月12日

22:20

22:20官方一手Google DeepMind: Blog（博客/媒体）

Google DeepMind发布手语转文字模型SL2T，为聋人和听障用户提供新功能。SL2T能将手语实时转换为文本，帮助用户更便捷地沟通。该模型基于深度学习技术，支持多种手语表达。DeepMind表示，SL2T在准确性和响应速度上均有显著提升。这一技术有望改善听障群体的数字体验。

AI模型 SL2T Google DeepMind 手语识别

推荐理由：Google DeepMind出了个手语转文字模型SL2T，能把手语实时变文字，聋人朋友用起来方便多了。

原文

18:26

官方账号arXiv cs.LG@Changhao Xiang, Shangyu Xing, Zhen Wu, Jianbing Zhang, Xinyu Dai

MMCS是一种新的多模态预训练方法，通过将文本实体替换为对应视觉对象，提供显式的对象级监督。该方法仅用50K样本就能匹配或超越在600K图像-文本对上训练的模型，数据效率提升12倍。MMCS在773K样本的预训练数据集上验证了有效性，并持续提升不同规模模型的视觉定位和感知能力。该研究针对现有MLLMs中图像级对齐的指称歧义问题，提出了更精确的局部视觉-语言对齐方案。

论文 MMCS 多模态预训练

推荐理由：这篇论文提出MMCS，用50K样本就干翻别人600K的效果，做多模态预训练的可以看看这个新思路。

原文

17:53

向阳乔木@vista8

微信朋友圈正在灰度测试“AI帮写”功能，用户上传一张天气截图后，点击默认提示词“帮我写一条合适的朋友圈文案”，多模态识图会生成三条文案供选择，文本对话可直接填入输入框。该功能目前处于灰度阶段，仅部分用户可见。

AI产品微信 AI帮写多模态

推荐理由：微信朋友圈悄悄上线了AI帮写，传张图就能生成文案，想试试的可以看看这个实测。

原文

17:14

Genspark@genspark_ai

精选

字节跳动发布新一代视频生成模型Seedance 2.5，现已集成到Genspark AI视频代理中。该模型支持单次生成30秒高质量音视频片段，无需拼接。用户可输入最多30张图片、10个视频片段和10个音频片段作为参考素材。Seedance 2.5还提供时间戳级控制，可对音视频内容进行精准编辑。

AI模型 Seedance 字节跳动 Genspark

推荐理由：字节的Seedance 2.5来了，单次出30秒视频不用拼，还能塞30张图当参考，做长视频的可以试试。

原文

17:03

官方账号阿里通义 Qwen@Alibaba_Qwen

精选

阿里云Qwen团队宣布Qwen-Image-3.0已上线OpenArt平台。该模型支持12种语言的原生文本渲染，能精确生成10像素大小的文字。它还能根据真实世界知识渲染完整界面，如网页、游戏和直播画面。这是目前最逼真的Qwen图像模型。

AI产品 Qwen-Image-3.0 OpenArt 阿里云

推荐理由：想生成带文字的海报或网页截图？Qwen-Image-3.0在OpenArt上就能用，支持12种语言，文字渲染到10px都清晰。

原文

8月11日

17:28

17:28IT之家（博客/媒体）

精选

商汤科技8月11日发布SenseNova 6.8 Flash Lite Preview预览版，上线SenseNova Token Plan。该模型主打轻量敏捷，支持自主规划、持续执行、多Agent协作和动态纠偏，可实现端到端结果交付。模型在数百步长程任务中保持目标稳定，主Agent可调度十余个专业Agent并行处理检索、分析、计算等任务。支持原生多模态融合，能制作动态PPT并操作浏览器完成办公工作。正式版6.8 Flash Lite和性能更强的6.8 Flash将于近期发布。

AI模型 SenseNova 商汤多模态

推荐理由：商汤出了个能自己跑完整个流程的轻量模型，你只管给目标，它自己干活，还能做PPT、操作浏览器，想省事的可以试试。

原文

11:58

shao__meng@shao__meng

精选73°

Qwen 团队开源 Qwen-MM-Plugins，一套原生多模态插件集，通过 Skill 加 MCP 双层解耦，把读图、读视频、读文档、听音、建模等能力注入任意 Agent harness。项目包含七大模块：core 视觉基础支持动态分辨率读取、OCR、SAM3 分割、ASR；video-memory 用层次化图记忆支撑 2 小时级长视频问答；omni-av 基于 Qwen-Omni 做带时间戳的 ASR 与时序定位；video-edit 覆盖图视频音频生成与剪辑；blender 和 freecad 分别提供 22 个和 14 个工具驱动 3D 建模与参数化 CAD；edu-agent 纯 Skill 把理科题转成中文讲解视频。

AI产品 Qwen-MM-Plugins MCP/工具多模态

推荐理由：千问开源的多模态插件集，用 MCP 把读图、看视频、3D 建模塞进任意 Agent，纯文本 Agent 直接升级，想给 Agent 加眼睛的可以试试。

原文

11:36

官方账号arXiv cs.AI@Haoyu Yang, Meixing Shi, Zengjie Chen, Haoran Sun, Haitao Leng, Xiaoming Shi, Yuxiang Cai, Yankai Jiang

MedPixel是一个统一的医学像素-语言模型，通过共享的语言-掩码接口连接临床语言、视觉推理与像素级定位。研究团队构建了MedPLG-440K数据集，包含约44万个像素-语言任务样本，通过临床驱动的合成流程生成，无需外部LLM标注。模型采用联合多任务监督微调和像素级偏好优化训练，后者利用真实掩码作为离线验证器，从掩码质量推导响应偏好。MedPixel支持显式定位、隐式推理、空间交互、可解释分割和医学VQA等任务，在像素级预测和响应生成上均表现强劲，并具备对零样本外部基准和模糊空间提示的鲁棒性。

论文 MedPixel 医学图像分割视觉语言模型

推荐理由：医学图像分割和语言模型终于打通了，MedPixel一个模型搞定定位加问答，还自带44万样本的数据集，搞医学AI的值得看看。

原文

10:32

官方账号Simon Willison@simonw

精选

Simon Willison 在一条获得 19 个喜欢的推文中感叹，视觉 LLM 描述照片细节的能力令人惊叹。他提到部分这类模型可以在自己的笔记本电脑上运行，这条推文目前有 2 条回复。截至现在，推文已有 1865 次浏览和 4 次分享。

AI模型视觉LLM 多模态本地模型

推荐理由：Simon Willison 发推说视觉 LLM 能看清照片细节，还能跑在笔记本上，看完想试试。

原文

10:27

官方账号arXiv cs.AI@Yuke Li, Xuehan Hou

GUI代理正从依赖元数据的LLM转向基于截图的纯视觉多模态大模型。论文提出回归无关框架，冻结MLLM负责解析指令，专用定位模型通过布局先验候选匹配完成坐标定位。该方法只用文本/图标二值标签训练，不学坐标回归参数。在ScreenSpot-Pro上准确率比端到端系统提升超20%；在Mind2Web上成功率和元素选择率提升超15%。

论文 GUI Agent MLLM ScreenSpot-Pro

推荐理由：GUI Agent容易瞎点，这篇把指令理解和坐标定位拆开，用布局匹配防幻觉，ScreenSpot-Pro比端到端高20个点。

原文

8月10日

21:45

官方账号NVIDIA AI@NVIDIAAI

精选

Meta 旗下 Superintelligence Labs 发布首个开源权重模型 Muse Glimmer 30B，采用 Apache 2.0 许可。该模型为 30B 稠密架构，支持 128K 以上上下文，具备多模态能力，面向本地智能体场景。vLLM 在发布当天即提供 Day-0 支持，用户可通过命令 vllm serve meta-models/Muse-Glimmer-30B 在自有设备上运行。官方称其既能应对长周期任务，又可在用户自持硬件上运行。

AI模型 Muse Glimmer 30B Meta vLLM

推荐理由：Meta 把 30B 多模态模型开源了，Apache 2.0，还能跑在本地，vLLM 当天就支持，想试的直接装。

原文

13:55

官方一手marktechpost@Michal Sutter

精选

字节跳动Seed团队发布SeedRealtime，一款原生音视频全双工大语言模型。该模型在统一架构中融合音频、视频与文本，可对连续多模态流进行实时交互，而非逐轮问答。官方宣称三项突破，包括联合音视频理解。Seed表示这是迈向全模态交互的一步。

AI模型 SeedRealtime 字节跳动多模态

事件专题

推荐理由：SeedRealtime一个模型能看能听能说，实时双向对话不轮流，字节跳动Seed出品。

原文

13:40

官方账号阿里通义 Qwen@Alibaba_Qwen

精选

Qwen-MM-Plugins 是阿里 Qwen 团队发布的插件套件，能让现有智能体框架原生支持多模态输入。它可读取图片、视频与文档，还支持视频编辑和 3D/CAD 文件处理。官方演示展示了从多模态模型到多模态智能体的能力扩展。

AI产品 Qwen-MM-Plugins Qwen 智能体

推荐理由：Qwen出了个插件包，让你的agent能看图、读视频、改视频、处理3D模型，直接把多模态能力塞进现有框架。

原文

12:04

量子位@田, 晏林

Om AI发布了端侧原生VLX模型，参数量仅3B。官方称该模型在物理世界感知任务上超过英伟达和谷歌的方案。VLX面向设备端部署，用3B小参数实现精准感知。

AI模型 VLX Om AI 3B模型

推荐理由：Om AI的3B端侧模型VLX，能在设备上精准感知物理世界，性能还超过英伟达和谷歌。

原文

11:27

官方一手arXiv: OpenAI@Ivan Majic, Zexian Huang, Franziska Hübl, Krzysztof Janowicz, Meilin Shi, Mina Karimi, Zilong Liu, Alexandra Fortacz-Lazan

论文提出一种模态转移任务，要求LMM先用文本描述规则网格中的彩色方块图像，再用新的LMM实例根据文本描述重新生成原空间场景。实验采用OpenAI的近期LMM，结果显示其在重新生成简单彩色方块网格图像时仍存在困难。研究表明，LMM的强健地理空间理解需要严格的多模态对齐，当前模型在图像和文本模态间转移空间信息的能力仍是瓶颈。

论文 LMM OpenAI 多模态

事件专题

推荐理由：这篇论文拿彩色方块网格考OpenAI的多模态模型，让它们看图写话再画图，结果画不对，做自动GIS得先解决这问题。

原文

11:05

官方账号arXiv cs.AI@Shibo Gao, Chongxiao Wang, Chenglong Huang, Jie Ma, Haolin Shi, Fei Ding, Jing Li, Qiang Lyu, Yangyang Liu, Yang Liu, Jun Liu, Linlin Huang, Peipei Yang

该论文提出ICQ任务，要求模型同时关联输入视频和人物参考图像，完成身份定位、行为理解与时间推理。配套的ISYV-Bench包含1,377个真实复杂视频和1,377个问答对，分为6个难度等级。训练集ISYV-75K提供75K个高质量样本，经自动标注和人工审核构建。实验显示主流闭源和开源多模态模型在ISYV-Bench上表现吃力，尤其在跨域身份匹配和长时跟踪方面；ISYV-Model超过强基线，部分指标接近闭源模型。

论文 ISYV ICQ 视频推理

推荐理由：这篇论文搞了个新任务ICQ，让AI对着人像照片在视频里找人、看行为，还放出1377个视频测试集和75K训练集，开源模型里ISYV-Model效果最好。

原文

10:45