多模态相关 AI 资讯

论文 Agent 与开发者多源确认精选10:18

EAServe 论文提出面向多模态 LLM 的 Encode 感知分离式推理服务

一篇推理系统论文，解决多模态模型 Encode 阶段拖垮 GPU 利用率的问题，goodput 比 vLLM 高 1.7 倍、比 NVIDIA Dynamo 高 4.3 倍，做 MLLM 服务的可以看看。

#EAServe #vLLM #NVIDIA Dynamo #多模态

事件专题

arXiv cs.LG@Kunxiong Zhu 等 7 人6 个信源在谈原文

论文 Agent 与开发者10:04

UniAR：多粒度提示学习助力自闭症谱系障碍识别

一篇医学 AI 论文：UniAR 用多模态模型自动生成诊断文本来补数据缺口，自闭症筛查在 MRI 上准确率到 75.9%，还更可解释。

#UniAR #多模态 #提示词工程 #ASD筛查

arXiv cs.AI@Lei Xin 等 9 人原文

论文 Agent 与开发者09:02

BAT-CLIP：首个对齐脑电、音频与文本的三模态框架

decoded脑电信号的新思路：同时用音频和文本两个锚点对齐，比单锚点方法更稳，做脑机接口的可以看看。

#BAT-CLIP #iEEG #CLIP #脑机接口

arXiv cs.LG@Suhyun Kim 等 12 人原文

产品 Agent 与开发者多源确认02:54

Meta 发布 Muse Realtime Avatar，NVIDIA 协作优化效率

Meta 把实时语音变成了会表情的虚拟形象，NVIDIA 还帮忙做了效率优化，实时对话延迟应该压得不错。

#Meta #Muse Realtime Avatar #NVIDIA #虚拟形象

事件专题

官方账号NVIDIA AI@NVIDIAAI11 个信源在谈原文

产品 Agent 与开发者官方一手83°01:58

OpenAI 修复 GPT-6 Sol 和 GPT-6 Luna 图像理解退化的 bug

如果你用 GPT-6 Sol 或 Luna 做过视觉任务觉得变差了，现在可以去 API 或 Codex 里重新试试，OpenAI 已把 bug 修好。

#GPT-6 Sol #GPT-6 Luna #OpenAI #Codex

事件专题

官方一手@OpenAIDevs@OpenAIDevs11 个信源在谈原文

产品 Agent 与开发者21:21

Microsoft 将 Word、Excel、PowerPoint 深度整合进 Copilot 助手

微软把 Word、Excel、PowerPoint 直接塞进 Copilot 里，建文件、改文档、分享都能在助手里一站搞定，不用来回切换应用了。

#Copilot #Microsoft #Office #多模态

VTV Công nghệ原文

模型 Agent 与开发者20:20

阿里达摩院开源腹部CT诊断多模态模型RADAR

达摩院开源了个腹部CT诊断模型RADAR，用40多万份增强CT报告自学训练，标注都省了，学医的做医疗AI的可以看看。

#RADAR #阿里达摩院 #开源模型 #多模态

Gorden Sun@Gorden_Sun原文

技巧 Agent 与开发者19:53

近10分钟动画梳理ChatGPT之后AI演进：开放模型、推理模型与智能体

一条10分钟动画把ChatGPT之后的开放模型、推理模型到智能体串成一条线，想快速补全AI演进脉络的可以看看。

#ChatGPT #推理模型 #智能体 #多模态

王树义@wshuyi原文

模型 Agent 与开发者19:21

Perceptron Mk1.5 上线 OpenRouter，面向物理智能体的具身推理模型

Perceptron 的 Mk1.5 上线 OpenRouter 了，做机器人或物理智能体的可以看看，能直接输出检测框和视频片段，不只是文字回复。

#Perceptron Mk1.5 #OpenRouter #具身智能 #多模态

OpenRouter@OpenRouterAI原文

模型 Agent 与开发者精选72°00:50

Cua开源4B参数多模态操作模型Cua-S1-4B-0.2

Cua放出了一个只有4B参数的开源模型，看屏幕就能直接操作电脑，GUI基准完成率92.9%，做电脑智能体的可以试试。

#Cua #GUI基准 #开源模型 #多模态

Gorden Sun@Gorden_Sun原文

模型 Agent 与开发者72°00:09

Odyssey 发布 Agora-2：20 人与 AI 同处实时生成的虚拟世界交互

Odyssey 新出的 Agora-2 能让 20 个人和 AI 在同一个实时生成的世界里玩，像 AI 版游戏引擎，多人视角还能互不冲突，做智能体研究的可以看看。

#Odyssey #Agora-2 #世界模型 #多模态

Gorden Sun@Gorden_Sun原文

模型中美对照多源确认精选73°18:21

Epoch AI 发布家具组装基准 FAB，OpenAI GPT-6 Astra 准确率达 80%

Epoch AI 搞了个新基准，让 AI 看照片对照说明书找宜家家具装错的地方，GPT-6 Astra 拿了 80 分，还顺带测出了各家模型的不同毛病。

#GPT-6 Astra #Epoch AI #Kimi K3 #多模态

事件专题

IT之家11 个信源在谈原文

模型中美对照多源确认17:51

OpenAI GPT-6 Astra 识别 IKEA 家具组装错误，准确率达 80%

OpenAI 的 GPT-6 Astra 看一眼照片就能指出你 IKEA 柜子哪步装错了，准确率 80%，比半年前的 28% 高出不少。

#GPT-6 #OpenAI #多模态 #Epoch AI

事件专题

官方账号Decoder@Manuel Uth11 个信源在谈原文

模型中美对照多源确认精选73°14:21

美团上线 LongCat-2.5-Preview：1.6T 参数，支持 100 万 token 上下文

美团放了个 1.6 万亿参数的 MoE 模型，能看图、写代码，还直接兼容 Claude Code，长文档党可以试试。

#LongCat #美团 #MoE #多模态

事件专题

IT之家11 个信源在谈原文

产品 Agent 与开发者14:09

开源实时语音智能体：带虚拟形象，可中英印语切换

一个开源语音智能体，带实时虚拟形象，能看能说能画，中途切印地语也不卡，做客服机器人的可以看看代码。

#Voice Agent #开源项目 #虚拟形象 #多模态

Shubham Saboo@Saboo_Shubham_原文

模型中美对照多源确认83°11:42

GPT-6 Astra 在 Minecraft 推进到烈焰棒与末影珍珠阶段

GPT-6 Astra 打 Minecraft 打到收集烈焰棒和末影珍珠这一步，比之前所有 AI 都远，结果被一只苦力怕清空存档，直播全程挺有意思。

#GPT-6 #OpenAI #Minecraft #多模态

事件专题

AI Will@FinanceYF511 个信源在谈原文

产品 Agent 与开发者多源确认71°10:35

Genspark 接入 NVIDIA Nemotron 3 Ultra 与自研 Gen-1 Slides 模型

Genspark 把 NVIDIA 的 Nemotron 3 Ultra 和自研 Gen-1 Slides 一起上线了，还宣称价格只有 Opus 5 的 1/17，做幻灯片的可以试试。

#Genspark #NVIDIA #Nemotron 3 Ultra #Gen-1 Slides

事件专题

Genspark@genspark_ai7 个信源在谈原文

模型 Agent 与开发者10:21

Perceptron 发布 Mk1.5：面向具身智能的多模态模型

Perceptron 新出的 Mk1.5 专门给无人机、机器狗这类设备当大脑，能持续追踪视频里的物体、听懂声音，还会自己派子代理干活，价格也挺便宜。

#Perceptron #Mk1.5 #Gemini #具身智能

小互@imxiaohu原文

模型 Agent 与开发者多源确认83°09:38

16 个前沿 VLM 文档解析评测：Opus 5.5 性价比最佳

LlamaIndex 测了 16 个模型读 PDF 的能力，Opus 5.5 表格解析最强还便宜，做智能体文档处理的可以看看这份榜单。

#Claude #GPT-6 #LlamaIndex #LlamaParse

事件专题

Jerry Liu@jerryjliu011 个信源在谈原文

产品 Agent 与开发者多源确认83°09:36

Google 发布 Gemini 3.8 Flash TTS 与 Live Avatar 等本周更新

Google 一口气更新了 3.8 Flash TTS、Live Avatar 和 Notebook 语音聊天，还有个把 TPU 送上太空的卫星计划，一次看全。

#Gemini #Google #Notebook #Project Suncatcher

事件专题

官方账号Google AI@GoogleAI8 个信源在谈原文

模型中美对照09:24

MiMo-V2.6-Pro 上线 Fireworks 按需部署

小米的 MiMo-V2.6-Pro 开源权重模型在 Fireworks 上能直接部署了，MIT 协议随便商用，1M 上下文还带多模态。

#MiMo-V2.6-Pro #Fireworks AI #开源模型 #MoE

事件专题

Fireworks AI@FireworksAI_HQ2 个信源在谈原文

模型中美对照多源确认72°07:48

美团发布 LongCat 龙猫-2.5-Preview：16T 参数、1M 上下文、原生多模态

美团中秋半夜甩出 LongCat 2.5 预览版，16T 参数只激活 48，还有 1M 上下文和原生多模态，参数配置看着很猛，可以蹲一下实测成绩。

#LongCat #美团 #MoE #多模态

事件专题

berryxia@berryxia3 个信源在谈原文

模型中美对照76°04:03

Elon Musk：用 SpaceX 与 Tesla 数据训练 Grok 做真实工程

Musk 想拿 SpaceX 和 Tesla 的数据喂给 Grok，让 AI 学真实工程，这个数据源别家还真没有。

#Grok #xAI #Tesla #SpaceX

事件专题

@cb_doge@cb_doge2 个信源在谈原文

模型中美对照精选73°03:56

Qwen 团队发布 Qwen3.8-Omni-Flash：跨文本音频视频的多模态智能体模型

Qwen 团队把智能体能力扩展到音视频了，Qwen3.8-Omni-Flash 能做视频剪辑和长视频翻译，还配了两个开源框架，做多模态应用可以看看。

#Qwen #Qwen3.8-Omni-Flash #多模态 #智能体

DAIR.AI@dair_ai原文

模型中美对照精选73°03:16

Qwen 团队发布 Qwen3.8-Omni-Flash 全模态模型

Qwen 团队新出的全模态模型，能干视频编辑、长音频翻译这些活，还配了两个开源框架，玩智能体的可以试试。

#Qwen3.8-Omni-Flash #Qwen #多模态 #智能体

DAIR.AI@dair_ai原文

技巧 Agent 与开发者官方一手精选00:24

用 SkyRL 在 Amazon SageMaker HyperPod 上做多模态 RL 训练

AWS 出的实操教程，手把手教你在 HyperPod 上用 SkyRL 给 Qwen3-VL-8B 做 GRPO 多模态训练，最后还能部署 LoRA 推理。

#SkyRL #SageMaker HyperPod #Qwen3-VL #GRPO

官方一手AWS Machine Learning Blog@Nilesh PS原文

模型 Agent 与开发者精选73°00:17

Perceptron 发布 35B 具身智能模型 Mk1.5，请求完成速度最高提升 4.7 倍

机器人公司 Perceptron 出了个 35B 的第一人称视频模型，MMSearch 上开了搜索工具 F1 直接从 18.2 涨到 54.3，做具身智能的可以看看。

#Perceptron #Mk1.5 #多模态 #具身智能

rohanpaul_ai@rohanpaul_ai原文

模型 Agent 与开发者多源确认83°23:22

Claude Opus 5.5 在手机端 Claude Code 中制作 5 分钟 UMAP 讲解动画

有人用手机上的 Claude Code 让 Claude Opus 5.5 独立做了个 5 分钟的 UMAP 算法讲解动画，旁白和视觉全是模型自己想的，效果可以直接看。

#Claude Opus 5.5 #Claude Code #Anthropic #UMAP

事件专题

Riley Goodside@goodside11 个信源在谈原文

模型 Agent 与开发者23:12

Google 发布 Gemini 3.8 Flash TTS，支持超 100 种语言的语音合成模型

Google 刚发了两个 TTS 模型，能用 30 秒音频克隆音色、支持 100 多种语言，做游戏配音或有声书可以试试

#Gemini #Google #语音合成 #多模态

Blognone@mk原文

产品 Agent 与开发者72°15:21

Opus 5.5 用 1113 块真实乐高零件设计可搭建的 Microduck

让 Opus 5.5 设计了一个真乐高能拼的 Microduck，1113 块零件零碰撞，还自动生成 237 步说明书并备好 BrickLink 订单，挺离谱的。

#Claude #Opus 5.5 #LEGO #BrickLink

orange.ai@oran_ge原文

模型 Agent 与开发者83°11:13

Odyssey 发布 Agora-2：支持20人共享的 AI 实时生成世界

Odyssey 的 Agora-2 能让最多20个人和 AI 进同一个 AI 实时生成的世界，靠看《暗黑破坏神 II》录像学会规则，思路挺特别。

#Agora-2 #Odyssey #世界模型 #多模态

AIGCLINK@aigclink原文

论文 Agent 与开发者10:56

研究揭示 MLLM 视觉-文本对齐分数可能是几何假象

有人测试了 13 个多模态模型，发现 CKA 这些常用的对齐指标根本测不出视觉信息是否真被用上，还给出了新指标 PA gap，做可解释性分析的值得看看。

#MLLM #多模态 #CKA #可解释性

arXiv cs.LG@Hong-Han Wang 等 3 人原文

论文 Agent 与开发者09:36

TimeBraid：统一时间序列与语言的理解和预测模型

这篇论文把语言模型和时间序列模型拼到了一起，用 220 万序列-文本对训练，预测和理解都能做，做时序方向的话可以看看它的对齐设计。

#TimeBraid #时间序列 #多模态 #论文解读

arXiv cs.AI@Xinyue Wang 等 10 人原文

论文 Agent 与开发者09:30

C3M 提出跨会话多模态记忆维护方法，面向长程任务

一个开源的多模态记忆方案 C3M，专门解决智能体跨会话记不住事、记混事的问题，做长程任务的开发者可以看看它的索引加路由思路。

#C3M #多模态 #智能体 #RAG

事件专题

arXiv cs.AI@Xueshu Chen 等 8 人2 个信源在谈原文

产品 Agent 与开发者多源确认72°08:43

谷歌 Gemini 3.8 Live 推出 Live Avatar：实时唇形同步，支持 97 种语言

谷歌给 Gemini 3.8 Live 加了虚拟人功能，能实时唇形同步、切换 97 种语言，做客服虚拟形象的企业可以直接看 API 文档上手了。

#Gemini 3.8 Live #Google #虚拟形象 #多模态

事件专题

IT之家3 个信源在谈原文

产品 Agent 与开发者08:38

Meta 推出 Horizon Create 和 Horizon Studio，可在手机端用提示词做游戏

Meta 把游戏开发搬到手机上了：输入提示词就能生成游戏雏形，做完直接在 Instagram 信息流里开玩，连下载都省了。

#Meta #Horizon Studio #游戏生成 #多模态

事件专题

IT之家2 个信源在谈原文

模型 Agent 与开发者83°07:40

Claude Opus 5.5 为乐队单曲自制音乐视频

Claude Opus 5.5 自己编了个卡通乐队，写歌还做了 MV，主题是 LLM 可解释性研究，成品挺有意思。

#Claude Opus 5.5 #Claude #可解释性 #多模态

Riley Goodside@goodside原文

产品 Agent 与开发者73°07:35

Liquid AI 发布 DSpark，让 LFM2.5-VL-3B 可在 16GB Mac 上本地运行

Liquid AI 出了个 DSpark 加速器，16GB 的 Mac 就能跑 LFM2.5-VL-3B，M5 芯片上解码快最多 3.13 倍，输出还不变。

#Liquid AI #LFM2.5-VL-3B #MLX-VLM #本地部署

@atomic_chat_hq@atomic_chat_hq原文

产品 Agent 与开发者多源确认83°06:52

Claude Opus 5.5 自写自画一则禅意公案动画

有人让 Claude Opus 5.5 自己写一段“当 Claude 是什么感觉”的禅意小故事，还顺手做成了动画，成品挺有味道，可以去看看。

#Claude #Claude Opus 5.5 #Anthropic #多模态

事件专题

Riley Goodside@goodside11 个信源在谈原文

产品 Agent 与开发者多源确认83°06:46

Claude Opus 5.5 自写自画禅意短片《The Strawberry》

Claude Opus 5.5 自己写文案又做动画，讲"当 Claude 是什么感觉"，禅意短片一条龙，看完挺治愈的。

#Claude Opus 5.5 #Anthropic #多模态 #视频生成

事件专题

Riley Goodside@goodside11 个信源在谈原文