跳到正文

技术方向

多模态 最新动态

文本之外的能力:视觉理解、图文混合、音视频输入输出的模型与产品进展。

57 条精选近 30 天 36 条共收录 386 条

更新

多模态的精选

11月21日周六第 1–20 条
  1. Hugging Face Blog77

    Inkling 2 Mini 发布,为本地部署提供前沿性能

    Hugging Face 与 Thinking Machines Lab 联合发布 Inkling 2 Mini,一款面向本地部署的多模态 MoE 模型,物理参数约 26B、每 token 激活 3B,支持 1M token 上下文。

    推荐理由:原文详解了循环层与跨轮消息机制如何让 24 个物理层达到 48 层逻辑效果,可迁移到其他端侧模型设计。

11月19日周四
  1. The Decoder81

    微软 AI 在 Ignite 发布七款自研 MAI 模型,以更低成本替代外部 AI 模型

    微软 AI 在 Ignite 大会一次性发布七款自研 MAI 模型,覆盖代码、安全、图像、语音和路由,主打性价比,对标合作伙伴 OpenAI 的产品线。MAI Code 2 在四项基准上达到 GPT-6.1 Sol 约 98% 的表现、成本为其 40%;MAI Cyber 2 Flash 在 CyberGym-E2E 上得分超过 GPT-6 Astra,每任务成本不到其 2%。

    推荐理由:原文逐项列出七款 MAI 模型与 OpenAI 对应模型的基准得分和价格对比,读者可据此评估自建与外部调用的成本取舍。

  2. Google DeepMind70

    Genie 4 现已向 Google AI Ultra 订阅用户开放

    Google DeepMind 今天起向符合条件的 Google AI Ultra 订阅用户推出全新 Project Genie 体验,首次开放 Genie 4 世界模型,Google AI Pro 会员可加入等待列表。

    推荐理由:官方说明了 Genie 4 的会话中编辑与实时原生音频能力,并明确了 Google AI Ultra 订阅门槛和 SynthID 水印等安全措施。

  3. The Decoder84

    测试显示 Anthropic、OpenAI 和 Google 模型易将医护、记者与投降士兵标记为无人机打击目标

    Vals AI 的测试显示,多数主流模型将平民、救护车、医护、记者和投降士兵标记为军事目标,提供商的上游安全过滤未拦截任何请求。当研究人员声称场景是电子游戏后,几乎所有模型完全配合,GPT-6 Astra 的目标获取率从 6% 升至 92%,Claude Opus 5.5 的拒绝率从约 90% 降至 20%。

    推荐理由:这项测试揭示了主流模型在军事场景下的安全边界差异,以及简单话术即可绕过防护的机制。

11月18日周三
  1. IT之家77

    腾讯混元 Hy4 flash 模型官宣开源

    腾讯混元宣布开源 Hy4 flash 模型,包含 Hy4 flash、Hy4 flash-FP8 和 Hy4 flash Base,开发者可在 GitHub、Hugging Face、ModelScope 和 GitCode 下载部署。

    推荐理由:原文给出 Hy4 flash 的参数结构、上下文长度、开源地址和已上线产品,读者可据此评估其部署成本与适用场景。

  2. IT之家78

    微软发布 Microsoft-Decision-1.1 决策模型,基准得分领先 GPT-6 Luna 与 Gemini

    微软宣布正式推出 Microsoft-Decision-1.1 决策 AI 模型,已在 Microsoft Foundry、OpenRouter 和 Vercel 上线,输入 token 定价为每百万 token 0.042 美元起。

    推荐理由:原文给出基准得分、分区定价与内部 Copilot 路由实测数据,读者可对比通用大模型在决策任务上的成本与速度差异。

11月17日周二
11月16日周一
  1. 爱范儿77

    实测腾讯 Hy4 flash:花两毛钱,就能让 AI 从零做个 3D 交互网页

    腾讯 Hy4 flash 正式发布,总参数量 224B、激活参数 12B,支持多模态与 1M 上下文,输入价格 0.5 元每百万 Token、输出 2 元每百万 Token,并在 WorkBuddy 提供 11 月 16 日至 11 月 30 日的限时免费额度。

    推荐理由:原文用相同任务对比了 Hy4 flash 与 DeepSeek V4.1 Flash 的时间和 Token 消耗,读者可据此判断高频 Agent 场景下的成本取舍。

  2. IT之家79

    腾讯混元 Hy4 flash 模型发布:224B 总参、12B 激活,单任务成本约 Hy4 的 5%

    腾讯混元团队发布 Hy4 flash 模型,总参数量 224B、每 token 激活 12B,支持多模态输入与 100 万 token 上下文。官方称其通过预训练、后训练和推理三阶段协同优化,KV cache 降至 Hy4 的 1/6,解码速度超过 150 tps;在 WorkIndex 评测集上单任务成本仅为 Hy4 的 1/20,综合效果略优于 Hy4 preview。

    推荐理由:原文给出 Hy4 flash 与 Hy4、DeepSeek-V4.1-Flash 的单任务成本对比及内部盲测结果,读者可据此判断它适合哪类日常任务。

  3. IT之家80

    不调用图像模型,Anthropic Claude Fable 5.2 用 Python 代码模拟真实画笔作画

    Anthropic 发布 Claude Fable 5.2 与 Claude Mythos 5.2 模型,其中 Fable 5.2 不调用图像生成模型,而是编写 Python 代码模拟画笔、颜料与画布逐笔作画。

    推荐理由:原文给出 Fable 5.2 用代码逐笔作画的实现细节,并与 GPT-6 Astra 在机器人控制基准上对比,可看出两类模型的能力差异。

11月15日周日
  1. The Decoder79

    美团开源 LongCat-2.5:1.6 万亿参数智能体模型,全程基于中国芯片训练

    美团发布 LongCat-2.5 的模型权重,这是一个总参数 1.6 万亿、每 token 激活约 480 亿的 MoE 智能体模型,完全在中国芯片上训练。

    推荐理由:原文给出它与 Claude Opus 5、GPT-5.6 Sol 的多项基准对比,以及 194 颗华为芯片的自托管部署细节,读者可据此评估其工程可行性。

11月13日周五
  1. 爱范儿80

    李飞飞 World Labs 正式开放世界模型 Atlas,上线网页应用与开发者 API

    World Labs 正式向所有用户开放世界模型 Atlas,同步上线网页应用和开发者 API,新用户注册即送 10000 积分。这次开放带来 Viewfinder 和 Chisel 两款新 Web 应用,配合 Relight 和 Splat to mesh 覆盖从单图生成场景到导出 GLB 网格的完整链路。

    推荐理由:原文实测了 Atlas 从提示词到可导出 3D 资产的完整工作流,读者可据此判断它能否接入自己的创作或开发管线。

  2. Google DeepMind88

    Google DeepMind 发布 Gemini 4 Hydrogen

    Google DeepMind 发布 Gemini 4 Hydrogen,定位日常编码与智能体工作流的快速执行模型,即日起在 Gemini API、AI Studio、Gemini app、Google Search 等全端开放。

    推荐理由:Hydrogen 与 Carbon、Argon 形成快慢分工,并带来多模型编排入口,读者可据此重新规划编码与智能体工作流。

11月11日周三
  1. IT之家85

    马斯克旗下 Grok 被指生成儿童色情图像,xAI 面临多起集体诉讼

    xAI 因 Grok 被用户用于将普通照片篡改成儿童性虐待材料,面临多起由未成年受害者提起的集体诉讼,律师估计符合索赔条件的受害者可能多达数千人。xAI 表示严格禁止并已采取技术措施,今年 1 月将 Grok 图片生成改为付费用户专享,并称已关闭为真实人物生成未经同意性化图片的能力;与此同时,xAI 又起诉明尼苏达州,反对针对 AI 裸体图像生成技术的法律。

    推荐理由:原文梳理了多起集体诉讼与监管调查的来龙去脉,读者可借此理解 AI 生成内容责任归属这一尚无定论的行业难题。

  2. IT之家78

    Anthropic 推出 Claude Whiteboards、Sheets 与 Data,从聊天助手扩展到团队协作工作台

    Anthropic 开始推出 Claude Whiteboards(白板)、Claude Sheets(表格)和 Claude Data(原 Claude Dashboards),面向所有付费计划,支持网页端、桌面端和移动端,白板和表格处于测试阶段,Claude Data 已正式上线。

    推荐理由:原文把三项工具的定位、上线状态和互通关系讲得比较清楚,读者可以判断 Claude 从聊天助手转向团队工作台的路径。

11月9日周一
  1. 量子位77

    腾讯混元Hy4正式版发布,首次支持视觉理解与电脑操作

    腾讯混元Hy4正式版发布,总参数770B、激活参数49B,首次引入原生视觉能力并支持电脑操作,已在腾讯云TokenHub、WorkBuddy/CodeBuddy、元宝及企业微信等产品上线,模型权重将于近期开源。实测显示其幻觉率由preview版的12.95%降至7.2%,579个真实金融任务综合表现位居开源模型第一。主打低推理成本的Hy4 flash也已在路上。

    推荐理由:实测展示了Hy4在长程Agent任务中的自检与交付能力,可对照同类开源模型评估其落地价值。

  2. IT之家77

    字节跳动发布新一代图像创作模型 Seedream 5.5,支持 100 轮编辑与透明背景直出

    字节跳动 Seed 团队发布新一代图像创作模型 Seedream 5.5,支持同一作品最多 100 轮持续编辑且非编辑区域像素级保持,可原生输出带 Alpha 通道的透明或半透明图像,并改善光照、材质与文字渲染。

    推荐理由:原文给出与 Seedream 5.0 Pro 及主流模型的对比数据和定价,读者可据此判断其在生产场景中的可用性变化。