字节 Seed 正式发布多模态图像创作模型 Seedream 5.0 Pro，在图文对齐、结构一致性、文字渲染和视觉美感等基础能力上全面提升。该模型带来四项核心突破：复杂信息可视化、交互式精准编辑、写实影像与人物质感，以及原生多语言输入与生成，支持法语、德语、俄语、日语、韩语、西班牙语、阿拉伯语等十余种语言。官方称其在复杂信息图生成和交互式精准编辑上取得突破，但更细粒度的文字渲染与像素级编辑一致性仍有提升空间。
匹配字段标题
Cerebras 在 Cerebras Inference Cloud 以公开预览形式上线 Gemma 4 31B，输出速度超过 1800 tokens/s，据 Artificial Analysis 测得为 1851 tokens/s，约为典型 GPU 端点的 35 倍，含推理的首个答案 token 延迟 1.5 秒。这是 Cerebras 平台首个支持图像理解的模型，也是首个上线的 Google DeepMind 模型，可处理截图、图表、UI 状态等视觉输入。该模型为 Apache 2.0 开源权重，在 Artificial Analysis 智能指数上得分 29，与 Claude Haiku 4.5 的 30 分接近，但在 Cerebras 上运行速度快 18 倍。
匹配字段标题
Google 开源多模态模型 Gemma 4 31B 在 Cerebras 上以约 2300 tok/s 运行，首次让开源多模态模型突破 2000 tok/s。实测中，60 页 DeepSeek-V4 技术报告解析仅用 1.79 秒，比 GPU 提供商快 17 倍；基于 17 帧视频的租车损伤检测应用 5 秒内完成全部标注。
匹配字段标题
Condé Nast 与 AWS 生成式 AI 创新中心合作，基于 Amazon Bedrock 和 Amazon OpenSearch Service 构建多模态视频检索方案，并选用 TwelveLabs Marengo 嵌入模型联合编码画面、音频与字幕。该方案将单次内容检索耗时从平均 250 分钟降至 2 分钟以内，覆盖超 14 万条视频库，支持自然语言意图搜索、图像查询和精确时间戳定位。
匹配字段标题
AWS 展示如何在 Amazon SageMaker HyperPod 上运行开源 RL 框架 SkyRL，用 GRPO 训练 Qwen3-VL-8B 视觉语言模型完成 2D 迷宫导航。从 VisGym SFT 检查点出发，在固定 64 个迷宫评测集上把解迷宫成功率从 43.75% 提升到 95% 以上。方案使用 3 台 ml.g7e.12xlarge（共 6 张 GPU）加 1 台 ml.r5d.16xlarge 头节点，vLLM 与 FSDP 策略模型共置，LoRA 适配器经 Amazon FSx for Lustre 同步。
匹配字段标题
Philipp Schmid 表示做多模态理解直接用 Gemini 3.8 Flash 即可。他引用的是 Spencer Schiff 当天手绘的一张人物图测试，该测试称目前前沿模型都无法把每个人名正确对应，Spencer 期待未来模型再试。
匹配字段标题
小米于9月21日发布 MiMo-V2.6 系列的 Pro 和 Flash 并公开模型权重，两者均为可处理文本、图像、视频和音频的多模态模型，通过扩大强化学习规模提升编码、PC 操作、3D 空间推理和内容制作等智能体能力。小米称 Pro 在多数智能体基准上达到 Claude Opus 5 和 GPT-5.6 Sol 的水平，在 Artificial Analysis Intelligence Index 上得分 46，为发布时开源模型最高，但与 Claude Fable 5.1、GPT-6 Astra 等顶级闭源模型仍有差距。权重和技术报告已在 Hugging Face 的 MiMo-V2.6 集合发布，同时公开 7000 多个强化学习任务环境、训练框架、轻量智能体运行基座 mini-harnesses，以及基于 Qwen3.5-9B 蒸馏的 MiMo-V2.6-Distill-Qwen-9B。
匹配字段标题
喜欢所有这些 Jev 演示、复现和项目。它们展示了超快、多模态且便宜到可以随意使用的模型能带来多少可能。 我们太专注于编程智能体，以至于很容易忘记 AI 还能做多少其他事情。
匹配字段标题
智谱在 8 月 26 日晚公布匿名模型 Ox Alpha 就是旗下 GLM-5.3 Flash，已正式上线并开源，总参数 3200 亿，是 GLM-5 系列首个原生多模态模型，编程表现与 Claude Opus 4.8 持平，定价为 GLM-5.2 的十分之一。作者用四轮任务实测，3D 打印机、复刻 macOS 桌面加射击游戏、自由网站设计均完成，3D 街机赛车耗时 3 小时 46 分钟且方向键反向、撞护栏后无法移动。智谱同时发布 GLM-5.3-FlashX，推理速度最高 200 tokens/s，比 Flash 快 5 倍；官方称 Flash 推理服务全部由国产 AI 芯片集群承载。
匹配字段标题
9月19日，2026年清华人工智能青年大会开幕，会上发布由全球青年投票评选的《2026青年最关注的改变未来五大AI技术榜单》，多模态推理与生成大模型、具身智能基础模型、长程任务智能体与多智能体协同、递归自我改进、可交互世界模型五项技术上榜。大会同期，五位青年代表发起《全球青年人工智能创新发展合作倡议》，提出关注AI透明度、公平性与可信赖性，反对人为设置技术壁垒。
匹配字段标题
DeepSeek API 已上线原生多模态模型 V4.1-Flash，调用时需将模型设为 deepseek-flash。V4-Flash 与 V4-Flash-Vision-Exp 已退役，其旧模型名暂时路由至新模型；自 2026 年 9 月 14 日 04:00 UTC 起，deepseek-v4-pro 请求也将按 V4.1-Flash 费率转发至该模型，直至 V4.1-Pro 上线。
匹配字段标题
NVIDIA Dynamo 通过 encode-prefill-decode（EPD）分离，将视觉编码与 LLM prefill、decode 阶段拆开，在图像密集提示、短到中等输出和量化 MoE 模型上实现最高 5 倍更快的首 token 时延（TTFT）和 7 倍更快的端到端响应时间。在混合文本与多模态流量中，EPD 消除队头阻塞，使文本请求平均 TTFT 降低 42.2%、图像请求降低 30.8%；将 LLM 权重量化为 NVFP4 而视觉编码器保持 BF16，可把共置 EPD 的 goodput 从聚合服务的 1.78 倍提升到 2.64 倍。当 decode 主导延迟或大型稠密模型削弱视觉编码器算力占比时，收益会缩小。
匹配字段标题
蚂蚁百灵发布并开源百灵系列首个原生多模态大模型 Ling-3.0-flash-VL，基于 Ling-3.0-flash 的 MoE 架构拓展，总参数 124B、单次推理激活 5.5B，原生支持图像、文本与视频输入，上下文窗口 256K Token。官方称原生多模态联合训练使模型在 Artificial Analysis Intelligence Index v4.1.1 上较纯文本版本提升 4 分，并引入观察、行动、验证、修正的视觉反馈闭环用于前端复刻、GUI Agent 和医疗报告解读。模型已在 Ling Studio 上线免费体验，BF16 和 FP8 版本已在 Hugging Face 与 ModelScope 开源。
匹配字段标题
Gemini 3.8 在多模态任务上的真实世界实用性无可匹敌。@skalskip92 干得漂亮
匹配字段标题
Hugging Face 发布 NeoMME，一个 260M 和 800M 的多语言多模态编码器家族，用单个双向 Transformer 同时处理文本 token 和原始图像 patch，从零以掩码离散扩散目标训练，不依赖独立视觉塔或因果语言模型。微调后的 NeoMME-Retriever 用于视觉文档检索，两种规模均位于 ViDoRe v3 的 nDCG@10 与模型规模 Pareto 前沿；在 NVIDIA L40S 上 260M 模型以 2048×2048 输入每秒编码约 51 页，约为 ColModernVBERT 吞吐的两倍。模型已在 Hugging Face Transformers 提供，检查点以 Apache 2.0 许可发布。
匹配字段标题
Google Cloud 将原生 TPU 支持集成进 vLLM，并以 Qwen3 Embedding 系列为目标模型完成多项优化，使嵌入推理可处理 4K+ token 文本和 15K+ token 多模态输入。TPU 输出与 XPU 参考基线的余弦相似度达到文本 ≥0.999、多模态 ≥0.995，官方已在 AI-Hypercomputer 公共仓库开源 Qwen3-Embedding-8B 的部署与评测 recipe。
匹配字段标题
DeepSeek API 通过实验模型 deepseek-v4-flash-vision-exp 支持文本与图像混合输入，并兼容 Chat Completions、Messages 和 Responses。图像可通过 base64、外部 URL 或 Files API 提供，每张最多按 384 tokens 计费，采用 V4-Flash 定价。
匹配字段标题
V4-Flash-Vision-Exp 可在多种智能体框架中顺畅运行，将视觉理解与广泛的工具结合，以支持更多实用工作流。
匹配字段标题
NVIDIA FLARE 通过外部化、张量流式传输和磁盘聚合，在分布式站点间协调视觉语言模型与统一多模态模型的联邦训练，以缓解传输和服务器端聚合的内存压力。FedUMM 在冻结的 BLIP3o 骨干上仅联邦轻量适配器，将每客户端每轮通信量从 28.6 GB 降至 0.094 GB，同时在 VQA v2 和 GenEval 上保持约 97% 的集中式性能。
匹配字段标题
微软研究院推出 MindTopo 基准，从连通性、包围、顺序、打结等五类拓扑属性评估多模态大语言模型的空间理解能力，每类分静态推理与交互规划两个认知层级。测试显示，模型在静态推理上普遍强于交互规划，两者均远低于人类水平；规划错误多发生在场景已被理解之后，模型无法在连续动作中维持拓扑关系。图像与视频生成仅在单帧关系可见时偶有帮助，跨序列时经常改变拓扑或违反任务动态。
匹配字段标题