技术方向

多模态

文字之外的能力:看懂图片、图文混合理解、音视频输入输出的模型与产品进展。

近 30 天 23 条共 29 条精选收录 138 条

精选新闻

  • 腾讯混元开源 Hy4 flash 模型

    腾讯混元宣布开源 Hy4 flash 模型,包含 Hy4 flash、Hy4 flash-FP8 和 Hy4 flash Base 三个版本,开发者可在 GitHub、Hugging Face、ModelScope 和 GitCode 下载部署。

    IT之家

  • 微软发布 MAI Cyber 2 Flash、MAI Code 2 等七款新模型

    微软发布 MAI Cyber 2 Flash、MAI Code 2、MAI Code 2 Flash、MAI Image 2.7、MAI Realtime 1、Decision 1.1 等七款 MAI 模型,并推出 MAI Licensed Weights 授权模式。

    Mustafa Suleyman

  • Qwen4-Max 上线 You.com 推理路由

    Qwen4-Max 已在 You.com 的 Inference Router 上线,从 Day 0 起即可调用。它是 Qwen4 系列的首个模型,面向编码、办公任务和长程智能体运行,支持 1M token 上下文以及原生文本、图像和视频输入。

    Qwen

  • Qwen4-Max 上线 Novita AI,首日即可调用

    Qwen4-Max 已在 Novita AI 上线,发布首日即可调用。据 Novita AI 介绍,这是一款面向复杂编码、专业工具和长时间运行的智能体工作流的 MoE 模型,支持原生视觉、1M-token 上下文窗口,并增强了工具调用与长程任务执行能力。

    Qwen

  • OpenRouter 上线 Qwen3.8 Max,输入价格降至 $1.50/M

    OpenRouter 上线 Qwen3.8 Max,输入 $1.50/M、输出 $4.50/M,较此前的 $2/$6 下调,缓存命中 $0.075/M,上下文 1M。该模型支持文本、图像和视频输入,并具备工具调用与结构化输出能力。

    OpenRouter

  • 阿里发布 Qwen4-Max:MoE 架构、原生视觉与 1M token 上下文

    阿里发布 Qwen4-Max,采用新的 MoE 架构,原生支持视觉,上下文窗口为 1M token。官方称其内部评测中相比 Qwen3.8-Max 最多可少用约 50% 的 token,单任务平均成本下降超过 60%。

    Qwen

  • Hugging Face Transformers 发布 v5.23.0,新增模型支持并更新模型导出接口

    Hugging Face Transformers 发布 v5.23.0,新增 Inkling2、JEV、LFM3、Dots 3 Note Preview、LFM3-VL、IQuestCoder 和 InternLM3 的模型支持,并调整模型导出接口。

    GitHub 发布 · Transformers

  • Thinking Machines 的 Inkling 2 small 上线 Together AI

    Thinking Machines 的 Inkling 2 small 已在 Together AI 上线。该模型是多模态 MoE,面向编码、长程智能体任务和视觉,总参数 594B、激活参数 17B,上下文窗口最高 1M。用户可通过 Together AI 的模型页面试用。

    Together AI

  • Google 发布 Gemini 4 Hydrogen 并开放多端使用

    Google 发布 Gemini 4 Hydrogen,即日起向消费者、开发者与企业开放。消费者可在 Gemini App 和 Google Search 中使用,Google AI Pro 与 Ultra 订阅用户还可在 Google Sheets 的 Gemini 中使用;开发者与企业可通过 Google AI Studio 和 Android Studio 的 Gemini API 构建,付费 Pro 与 Ultra 订阅用户可在 Google Antigravity 中使用,企业版 Gemini 也已支持。

    Google AI

  • Google DeepMind 发布 Gemini 4 Hydrogen,主打快速编码与多模态合成

    Google DeepMind 发布 Gemini 4 Hydrogen,面向快速编码、多模态合成和日常任务流。官方称其完成任务比 3.8 Flash 快 2.5 倍,并在 Artificial Analysis Intelligence Index 上超过 Argon。

    Google DeepMind

  • vLLM 在发布当天支持 Thinking Machines 的 Inkling 2 Small

    vLLM 在 Thinking Machines 发布 Inkling 2 Small 当天即提供支持,这是一个文本与图像输入的多模态 MoE 模型,总参数 594B、激活 17B,上下文最长 1M tokens。

    vLLM Blog

  • Google 在 Gemini API 发布前沿决策模型 Gemini Decision 1

    Google 在 Gemini API 发布前沿决策模型 Gemini Decision 1,输入价格为每 1M tokens 0.10 美元且无额外费用。该模型原生支持图像、音频、视频和 PDF,上下文窗口为 256K,并提供 1K questions,可在 API 中免费试用。

    Logan Kilpatrick

  • Google 推出 Gemini Decisions API 与 Gemini Decision 1 模型

    Google 发布 Gemini Decisions API,由新模型 Gemini Decision 1(gemini-decision-1)驱动,可在一次前向计算中对文本、图像、音频、视频和 PDF 输入评估最多 1000 个是/否、多选和评分问题,返回概率与置信度。

    Google AI (The Keyword)

  • vLLM 详解多模态服务中的 Encoder 分离(EPD)工程进展

    vLLM 官方博客介绍多模态推理中 Encoder/Prefill/Decode(EPD)分离的最新工程进展,核心能力已进入 vLLM v0.32.0,DeepSeek V4.1 Flash 的 metadata-only 支持在 main 分支通过 #62802 提供。

    vLLM Blog

  • Meta 发布最小模型 Muse Ember,面向推理执行与智能体任务

    Meta 发布 Muse Ember,称其为自家最小、最高效的模型,面向复杂推理执行和日常智能体工作。该模型可跨应用承接工作流、按顺序调用工具、运行测试并做针对性代码修复,具备 1M-token 上下文窗口,原生理解文本、图像、音频和视频,可处理大规模文档集与多种输入。

    AI at Meta

  • Anthropic 发布 Claude Fable 5.2 与 Claude Mythos 5.2

    Anthropic 发布 Claude Fable 5.2 和 Claude Mythos 5.2,两者为同一底层模型,在编码、推理和视觉方面均有提升,输出速度比 5.1 快最多 30%,定价为每百万输入 token 8 美元、每百万输出 token 40 美元。

    Anthropic News

  • Google DeepMind 发布 Gemini Omni 1.2 Flash,支持 15 秒视频并降价 30%

    Google DeepMind 发布 Gemini Omni 1.2 Flash,并在 Gemini API 和 Gemini for business 全面开放,原生视频生成时长从 Omni 1.1 的 10 秒提升到 15 秒,可按 1 秒步长指定 3 至 15 秒。

    Google DeepMind

  • Liquid AI 的 LFM3 系列上线 LM Studio,约 1 GB 内存可运行

    Liquid AI 发布新一代 Liquid Foundation Models(LFM3),共 6 个模型实例,覆盖文本、音频、视觉和 omni 模态,以及生成模型和决策模型。其中 LFM3-1.7B 支持 256k 上下文窗口,LFM3-VL-2B 支持视频输入,LFM3-Audio-2B 支持工具调用、语音对话和 18 种语言推理,d1-2B 与 d1-Omni-2B 为单次输出类型化结果和校准概率的决策模型。LM Studio 宣布该系列已上线,约 1 GB 内存即可运行。

    LM Studio

  • Google DeepMind 发布世界模型 Genie 4

    Google DeepMind 发布世界模型 Genie 4,支持用自然语言实时改变天气、移动镜头或向环境加入新元素,并同步调整声景。Gemini 在背后充当模拟的“大脑”,负责把请求转成动作、规划复杂事件并跟踪场景变化。Genie 4 还新增环境音效和可实时调整的交互式人声对话。

    Google AI

  • Kling 4.0 使用指南:30 秒生成、10 关键帧与 21:9 画幅

    Replicate 发布 Kling 4.0 使用指南,介绍快手这一新版本单次可生成 3 至 30 秒、720p 或 1080p 视频,支持 16:9、9:16、1:1 和新增的 21:9 四种画幅,提示词上限 26000 字符。

    Replicate Blog