跳到正文
只看模型#多模态
10月21日周三
  1. NVIDIA Blog75

    NVIDIA 扩展开源模型家族，覆盖语言、机器人、生物与量子计算

    NVIDIA 扩展其开源模型家族，覆盖语言、机器人、生物和量子计算，包括新的 Nemotron 3.5 Super VL、Nemotron 3.5 Bolt、Nemotron Retriever、Kumo、Cosmos 3.5、Alpamayo 2 Edge、BioNeMo 与 Ising。

    推荐理由：NVIDIA 一次性铺开语言、机器人、生物、量子四条开源模型线，并给出各模型的开放渠道与首批企业用例。

  2. The Decoder72

    可灵 AI 发布 4.0 版本，新增立体声与多语言口型同步并推出 Flash 轻量版

    可灵 AI 发布 4.0 版本，单次可生成最长 30 秒视频，支持最多 10 张关键帧图像输入，提示词理解扩展到 8,000 tokens。新版本加入双声道立体声和覆盖德语、英语、日语、韩语、西班牙语等十余种语言的改进口型同步，Omni Reference 单次最多接受 15 个参考素材。

    推荐理由：可灵 4.0 的升级集中在参考素材、音频与多语言口型，同时给出与 Wan 3.0、Seedance 2.5 的对比观察。

10月20日周二
  2. elvis58

    Viggle 发布 JST-2，官方称其为全球首个全栈物理原生世界基础模型，整套模型栈在 3D 空间构建，可在数秒内生成 3D 场景并实时扩展。该模型附带 PINOC MCP server，向 Claude Code 发一条提示词即可生成角色、按文本驱动动画并组装场景；角色与动作共用同一骨架，因此智能体无需中途做重定向处理。

    引用ViggleAI@ViggleAI

    Today we are releasing JST-2, the world's first full-stack physics-native world foundation model. Many world models learn in pixel/video space. We went back to first principles and built the entire model stack in 3D. Generate a 3D scene in seconds and expand it in real time. Create characters with motion built in, all through one general architecture.

10月19日周一
  1. elvis58

    Nace 发布多模态决策模型 Drex Max，支持文本、图像和视频输入，单次决策耗时 34 ms，262K token 下低于 1 秒，输入价格为 $0.06/1M tokens。该模型可直接从截图、录屏、扫描文档、科学图表和照片中做决策，适合 computer-use 与 browser-use 智能体。Nace 称其在 Mind2Web 上达到 88.3%，超过 Jev 1.14，Decision Index 得分为 67.6（Jev 1.14 为 60.70）。

    引用Nace AI@NaceAI

    Drex Max is here: our multimodal decision model text, images, and video 34 ms/decision, under 1s at 262K tokens $0.06 / 1M input tokens available today at https://nace.ai/drex

10月16日周五
  1. AI at Meta80

    Meta 发布开源权重模型 Muse Spark Open，称其为目前美国最强的开源权重模型。该模型面向编码与智能体任务，主打长程任务、复杂软件工程和多步推理，规格为 816B 总参数、42B 激活参数、1M token 上下文窗口，原生支持文本、图像、视频和音频多模态。

    推荐理由：Meta 公布开源权重模型的具体参数与多模态规格，可据此判断其长程编码与智能体任务的定位。

10月15日周四
  1. NVIDIA73

    NVIDIA 发布 Nemotron 3.5 Super VL，扩充其 Nemotron 开源模型系列，将视觉理解、推理与工具调用结合，用于帮助 AI 智能体在更短时间内完成更多工作。该模型支持文本、图像、文档和视频理解，总参数 120B、激活参数 12B。NVIDIA 表示开源模型让用户能按自己的方式定制、部署和构建。

    引用NVIDIA AI@NVIDIAAI

    Meet NVIDIA Nemotron 3.5 Super VL Our new open model combines reasoning and tool use with text, image, document, and video understanding for long-running AI agents. 120B total parameters with 12B active 🧵

    推荐理由：官方给出新开源多模态模型的总参数与激活参数，读者可据此判断其本地部署与定制空间。

10月14日周三
  2. Google DeepMind90

    Google DeepMind 发布 Gemini 4 Argon 前沿模型

    Google DeepMind 发布 Gemini 4 Argon，通过 Gemini API、AI Studio、Antigravity 及 Gemini 应用向开发者、企业和订阅用户开放，定价为每百万输入 token 2 美元、输出 token 10 美元。

    推荐理由：官方披露了 Argon 在编码、科研与安全对齐上的具体案例和基准表现，可据此判断前沿模型在长程任务中的实际边界。

10月7日周三
9月19日周六
  1. Qwen67

    阿里千问发布新一代实时同声传译模型 Qwen3.8-LiveTranslate，基于 Interleave 架构，在 60 种语言上把平均延迟（LAAL）从 2.8s 降至 2.3s，并提升忠实度、流畅度和简洁度。新能力包括实时说话人分离与更稳定的声音克隆、原文与译文同步双语显示，以及利用对话历史消歧人名和术语的长上下文能力。模型已在 QwenCloud 上线，博客同步发布。

    推荐理由：官方给出延迟从 2.8s 降到 2.3s 和三项新能力，可据此判断实时同传的可用边界。

9月18日周五
9月16日周三
  1. Google AI78

    Google 发布两款 Gemini 音频模型 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking。Gemini 3.8 Live 侧重规模、速度和成本效率，支持句中打断、在 97 种语言间即时切换并理解视觉上下文；3.8 Live Extended Thinking 则边推理边说话，可处理规划活动等多步骤任务。

    推荐理由：两款音频模型分别面向低延迟对话与复杂任务推理，读者可据此判断语音交互的适用边界。

9月10日周四
8月21日周五
7月31日周五
  1. Mira Murati78

    Thinking Machines 发布 Inkling-Small，官方称其在四分之一体量下达到与 Inkling 相当的性能。该模型总参数 276B、激活参数 12B，完整权重已开放，可在 Tinker 上微调，并在 Tinker Playground 中体验文本、图像和音频交互。Mira Murati 转发了这一发布消息。

    引用Thinking Machines@thinkymachines

    Today, we are releasing Inkling-Small. Inkling-Small achieves comparable performance to Inkling at a quarter of its size. It features 276B total parameters, 12B active. We are making the full weights available. https://thinkingmachines.ai/news/inkling-small/ Fine-tune it on Tinker today, or chat with it in text, image, and audio on Tinker Playground.

    推荐理由：Inkling-Small 以四分之一体量达到与 Inkling 相当的性能，并开放完整权重，读者可据此判断小模型的部署与微调空间。

7月16日周四
  1. Mira Murati78

    Thinking Machines 发布首个模型 Inkling，从零训练，权重开放，即日起可在 Tinker 上微调。据其介绍，Inkling 能跨文本、图像和音频模态进行高效推理，完整权重已公开，并可在 Inkling Playground 中试用。

    引用Thinking Machines@thinkymachines

    Today, we are introducing Inkling. Inkling reasons efficiently across text, image, and audio modalities. We are making the full weights available. https://thinkingmachines.ai/news/introducing-inkling/ Available today for fine-tuning on Tinker. Play with it in the Inkling Playground. 🧵

    推荐理由：Thinking Machines 首款模型从零训练并开放权重，读者可据此了解其多模态推理定位与微调入口。

5月12日周二