多模态
18 条- 01Gemini Omni 1.2 Flash
谷歌发布Gemini Omni 1.2 Flash多模态模型，主打低延迟实时交互与轻量部署。
- 02Gemini Omni 1.2 Flash：更快、更具成本效益，支持更长视频片段
Gemini Omni 1.2 Flash 新增原生15秒视频生成与编辑，一致性增强，价格降30%。
- 03Gemini Omni 1.2 Flash：更快、更具成本效益，支持更长视频片段
Gemini Omni 1.2 Flash 新增原生15秒视频生成与编辑，一致性增强，价格降30%。
- 04自动关键词提取与标注：面向文本和语音的现代理论方法与实用解决方案
综述文本与语音模态下自动关键词提取（KE）的前沿理论与实践，构建统一分析框架。
- 05WeLM-Image：面向视觉智能的统一图像生成模型
微信推出的单卡可部署统一图像基础模型，支持文本生成、指令编辑与多参考合成，采用混合Transformer架构
- 06推出 Images 2.6
OpenAI 发布 Images 2.6，提升图像生成速度、支持 GIF、增强编辑精度及 API 控制能力。
- 07Claude Opus 5.5 可绘制达到许可级的建筑图纸
Anthropic 新版 Claude Opus 5.5 展示出高精度建筑制图能力，标志多模态推理与专业领域生成能力显著提升。
- 08LongCat-2.5：面向智能体任务的原生多模态模型
发布LongCat-2.5模型，支持原生多模态输入输出，专为智能体（agentic）任务优化。
- 09顶级AI翻车的活儿，被这个新出的免费国产AI接住了！
商汤发布SenseNova 6.8 Flash多模态大模型，主打高性价比与中文场景鲁棒性，替代竞品故障任务
- 10统一多模态模型在连续空间中的潜在推理
提出在连续隐空间中进行链式推理，解决多模态模型图像生成中离散token推理导致的可控性与扩展性不足问题。
- 11Show HN：Sketch Stadium——观看你的智能体玩你画我猜
开源项目，用LLM驱动智能体实时参与Pictionary游戏，展示多模态代理交互能力
- 12英伟达团队基于 MiniMax H3 开源视频增强方案，最高支持 4K 重生成
英伟达与MIT开源视频增强模型Open-H3-Regenerate-2K，支持最高4K分辨率重生成。
- 13Coarse3D：面向图像到3D生成的可控且保真稀疏结构生成方法
提出Coarse3D模型，通过强2D-3D对齐与显式朝向控制，生成高质量稀疏结构，作为图像到3D两阶段生成的第一阶段基础。
- 14【图片中转测试，未发布】工程能力一键复用，专心卷新能力！轮子造一次就够了｜详解FluxVLA Engine技术报告
FluxVLA Engine技术报告披露视觉语言动作联合建模引擎，支持工程能力复用
- 15推出LFM3：面向专业化智能的全模态模型
介绍新型多模态基础模型LFM3，支持文本、图像、音频、视频等模态，专为垂直领域智能优化。
- 16乔布斯的皮克斯，狂赞中国物理AI数据终端
国际顶尖科技公司认可中国研发的物理AI数据终端，指向多模态物理世界建模新范式。
- 17DocXEval：多模态文档理解中可解释性的系统性评估
发布首个面向多模态文档理解的可解释性评估框架，填补XAI在该高风险领域的评测空白。
- 18GPT-6.1 Terra
OpenAI发布新模型GPT-6.1 Terra，强化视觉推理、计算机操作与自然写作能力，显著优于前代GPT-5.6 Terra。