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
月之暗面发布 Kimi K3.1 Pro 开源权重模型
月之暗面发布 Kimi K3.1 Pro,称其为该公司最强的 3T 级开源权重模型,采用 MoE 架构,总参数 2.8T、激活参数 104B,支持 1M token 上下文与多模态。
Kimi.ai
NVIDIA 发布 Nemotron-3.5-Bolt-E4B 小模型,可在 6GB 内存本地运行
NVIDIA 发布 Nemotron-3.5-Bolt-E4B,这是一款可在 6GB 内存设备上本地运行的小模型,能用于手机等边缘设备。该模型基于 Gemma 4 训练,支持视觉,官方称其在同尺寸模型中性能领先。Unsloth 已放出 GGUF 权重和本地运行指南。
Unsloth AI
Google Research 在 JAMA Network Open 发表 AI 盲扫超声估算孕龄研究
Google Research 在 JAMA Network Open 发表研究,用 AI 解读未经专业超声培训的操作者采集的盲扫超声图像来估算孕龄。在 385 名 16 至 36 周孕妇的队列中,模型平均绝对误差为 4.18 天,专家标准流程为 4.48 天;芝加哥适配后为 4.10 天,内罗毕零本地优化为 4.27 天。
Google Research
Meta Muse Spark Open 上线 Together AI,支持 1M token 上下文
Meta 的开放权重模型 Muse Spark Open 已在 Together AI 上线,Together AI 是 Day 0 发布合作方。该模型面向长时间运行的智能体编码工作流,支持 1M token 上下文窗口、跨桌面与浏览器的 computer use、文本图像音频视频多模态输入,并在行动前说明意图。
Together AI Blog
Mistral 发布 Mistral Large 4 公开预览,1 万亿参数原生多模态模型
Mistral 发布 Mistral Large 4 公开预览,这是一个 1 万亿参数、520 亿激活参数的原生多模态模型,可在 Mistral Studio 试用预览 API,权重将于本月底开放。
Mistral AI
DeepSeek 上线 V4.1-Flash,原生支持多模态并逐步替代 V4-Pro
DeepSeek 在 API 上线 V4.1-Flash,原生支持多模态,调用时把模型设为 deepseek-flash。
DeepSeek
FLUX 3 使用指南:文生视频、首尾帧过渡与视频续写实测
Replicate 发布 FLUX 3 使用指南,介绍 Black Forest Labs 这款统一架构多模态基础模型在文生视频、图像生视频和视频续写上的表现。
Replicate Blog
如何用 Seedance 2.0 制作视频:参考素材、原生音频与时间码分镜
Replicate 博客介绍用 Seedance 2.0 生成视频的实操方法,该模型可同时接收最多 9 张图片、3 段视频、3 个音频和一段文本提示词,并用 [Image1]、[Audio1] 等标记在提示词中引用。文章称其音频与画面出自同一套架构、可毫秒级同步,单次生成最长 15 秒并支持多镜头,还给出用时间码逐段指定镜头、机位与转场的写法示例。
Replicate Blog
Recraft V4 图像生成模型发布,含原生 SVG 输出
Recraft 发布新一代图像生成模型 Recraft V4,包含 V4、V4 Pro、V4 SVG、V4 Pro SVG 四个版本,共享同一套设计审美与提示词遵循能力,差异在输出格式、分辨率和速度。
Replicate Blog
