2025年9月1日，朋友圈和社交平台被大量“3D打印手办”图片刷屏，这些图片实际由谷歌推出的AI模型Nano-banana生成。该模型自8月26日上线后，凭借图像生成与编辑能力迅速出圈，在海外AI排行平台LMArena中以1362分位列第一。Nano-banana可将人物或动物图片转化为“手办”样式，并支持多图融合、风格迁移等功能，展现跨图一致性与常识推理能力。目前，Adobe等多家海外平台已集成该模型，华福证券认为其代表多模态模型的重大突破。同日，A股3D打印概念股震荡拉升，海正生材等多股涨停。机构指出，多模态模型商业化潜力巨大，算力与应用领域将迎来投资机遇。

8月26日，面壁智能宣布开源8B参数的MiniCPM-V 4.5多模态模型，称其为“最强端侧多模态模型”。该模型在视频理解、图片识别、复杂文档解析等任务中表现卓越，尤其具备行业首个高刷视频理解能力，支持每秒处理更多帧数，大幅超越Qwen2.5-VL 72B等模型。MiniCPM-V 4.5通过3D-Resampler技术实现96倍视觉压缩率，显著提升动态画面理解精度。此外，其在MotionBench、OpenCompass等多项榜单中达到同级SOTA水平，并兼顾性能与响应速度，提供常规模式和深度思考模式。模型已开源，可通过Github、Hugging Face及ModelScope获取。

2025年8月27日，面壁智能正式开源8B参数的MiniCPM-V 4.5多模态旗舰模型。该模型是行业首个具备“高刷”视频理解能力的多模态模型，在性能与效率上实现越级领先，超越Qwen2.5-VL 72B模型。MiniCPM-V 4.5最大支持6倍视频帧数量输入，达到96倍视觉压缩率，显著提升动态画面理解精度。在图片、长视频、OCR及文档解析等任务中均达SOTA水平，并支持短思考与长思考混合推理模式，适用于端侧设备。模型已开源，可通过GitHub、Hugging Face和ModelScope获取。

2025年8月，阿里巴巴启动智能信息事业群大规模AI人才招聘计划，社招与校招总规模近千人，聚焦大语言模型、多模态技术及AI硬件等前沿领域。工作地点覆盖北京、上海、杭州、广州等城市。此次招聘反映阿里加速布局AI TO C应用的决心，重点优化AI搜索、健康、创作等场景化落地。夸克AI眼镜亮相世界人工智能大会，并新增相关硬件研发岗位。阿里巴巴2026届校招将发出7000多个Offer，AI相关岗位占比超六成，涵盖算法融合、医疗AI等项目，吸引年轻高端人才参与前沿技术研发。

2025年8月12日，智谱开源发布了GLM-4.5V多模态视觉推理模型，参数规模达100B，在42项基准测试中拿下41个SOTA，登顶多模态榜单。该模型具备看图猜地址、视频转代码、复杂图表推理等强大功能，例如在GeoGuessr游戏中全球排名66，能精准识别《清明上河图》中的细节，并将视频一键还原为网站代码。API价格低至2元/百万token，官方赠送2000万免费额度。GLM-4.5V基于GLM-4.5基座，采用三阶段训练策略，支持图像、视频、文档理解等多场景应用，展现了强大的泛化与推理能力，成为AI多模态领域的新标杆。

2025年WAIC大模型论坛上，商汤科技发布「悟能」具身智能平台，正式进军具身智能领域。该平台依托日日新V6.5多模态推理大模型，具备图文交错思维链技术，跨模态推理精度显著提升，同时成本大幅降低。商汤基于十年多模态技术积累和自动驾驶经验，结合「开悟」世界模型，构建了涵盖感知、决策与行动的多层次架构，支持机器人、自动驾驶等场景应用。通过虚拟仿真与真实数据回流闭环，商汤破解了数据稀缺难题，并融合第一与第三视角训练，提升模型泛化能力。商汤正通过软硬协同策略，推动千万级机器人落地，加速具身智能发展。

2025年7月，前阿里通义视觉负责人薄列峰加入腾讯混元团队，直接向副总裁蒋杰汇报。薄列峰曾于4月30日从阿里离职，此前主导多项生成式AI技术，如Animate Anyone、Outfit Anyone等，并在行业具备广泛影响力。他曾在亚马逊推动Amazon Go算法开发，后历任京东数科AI实验室首席科学家和阿里通义实验室应用视觉负责人。此外，腾讯混元近期吸纳多名顶尖人才，包括微软WizardLM核心成员徐灿、孙清峰、郑开等人，分别于2024年底至2025年上半年陆续加盟。混元逐步从‘追赶者’转向技术积累阶段，未来将聚焦技术能力在用户产品中的实际落地。

标题：多模态的局限：AI数不清六根手指，也认不出“雷碧” 最近因为一个图像AI项目，我深入研究了视觉AI的表现，并发现了一个有趣的现象：即使是顶级AI模型，也会在简单任务上出错，比如数不清六根手指或分辨不出“雷碧”和雪碧。 多模态的真相 所谓的多模态模型，其实并不像我们想象中那样能“看见”。...

vivo发布端侧多模态模型，仅3B参数实现GUI理解，20项评测表现优异 vivo AI Lab推出了面向端侧设计的多模态模型BlueLM-2.5-3B，具备紧凑高效的特点，并能直接理解GUI界面。该模型融合了文本与图文理解能力，支持长短思考模式切换和思考预算控制机制（thinking token ...

多模态模型学会“按需搜索”，少搜30%还更准！字节&NTU新研究优化多模态模型搜索策略 字节跳动与南洋理工大学（NTU）联合推出MMSearch-R1项目，通过强化学习训练多模态模型自主执行智能搜索。该研究首次尝试基于端到端强化学习的多模态模型训练，使模型能够判断何时搜索、搜索什么以及如何处...