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...

标题：拯救P图废柴，阿里上新多模态模型Qwen-VLo！人人免费可玩 昨夜，阿里推出全新多模态模型Qwen-VLo，引发网友热议。该模型在图像生成和编辑方面表现出色，具备三大亮点：增强的细节捕捉能力、一句话即可完成图像编辑（如风格替换、素材增删、添加文字），以及支持中英等多语言。同时，Qwen-...

2025年6月27日，阿里云通义千问宣布推出多模态模型Qwen VLo，实现从感知到生成的跨越。该模型支持动态分辨率生成，可灵活应对不同场景的图像需求，并通过从左到右、从上到下的渐进式生成方式提升创作体验。Qwen VLo具备精准内容理解与再创造能力，能保持语义一致性，同时支持开放指令编辑和多语言交互，满足用户多样化需求。目前仍处于预览阶段，开发团队将持续优化。

2025年6月27日，谷歌在I/O开发者大会预览后正式发布Gemma 3n端侧多模态模型，支持在手机、平板和笔记本电脑上本地运行，处理音频、文本、图片和视频等多种数据类型。该模型分为E2B（50亿参数）和E4B（80亿参数）两个版本，可在2GB或3GB内存设备上运行，内存占用相当于20亿和40亿模型。其采用创新的MatFormer架构和MobileNet-v5视觉编码器，提升计算灵活性和效率。Gemma 3n支持140种语言的文本和35种语言的多模态理解，在数学、编码和推理方面表现优异，E4B模型更是首个参数量低于10B但LMArena得分超1300的模型。

标题：多模态模型挑战地铁图：ReasonMap评测基准揭示性能差距 近年来，大语言模型（LLMs）及多模态大模型（MLLMs）在复杂推理任务中取得显著进展。然而，面对结构复杂的高清地铁图，它们能否真正“看懂图”仍是疑问。为此，来自多家高校的研究团队开发了ReasonMap，首个专注于高分辨率交通...

谷歌在I/O大会上推出多项AI升级，Gemini 2.5 Pro和Flash预览版霸榜前二。Gemini 2.5 Pro引入Deep Think增强推理模式，提升长上下文和视频理解能力，在多领域基准测试中表现优异。新版Veo 3视频模型实现原生音画同步生成，Imagen 4图像模型生成效果更精细，速度提升10倍。谷歌搜索引入AI Mode，支持端到端AI搜索和实时互动功能，购物体验升级支持虚拟试穿和智能结账。新增异步代码助手Jules，可在后台处理代码任务。此外，AI眼镜和Google Beam等新产品亮相，提升交互体验。谷歌表示，AI应用规模快速增长，每月处理tokens量达480万亿以上。

5月8日，阶跃星辰CEO姜大昕在北京媒体沟通会上透露，预计7-8月将发布满血版推理模型Step R1，并推出更先进的Step图片编辑模型。姜大昕强调，模型突破优先于商业化，多模态是实现通用人工智能（AGI）的关键路径。他表示，C端投流模式并不成立，DeepSeek等案例表明，AI产品的流量增长需重新审视传统互联网方式。阶跃星辰自2023年成立以来，已发布22款自研基座模型，其中16款为多模态模型，占比超七成。公司聚焦智能终端Agent，与多家行业头部企业合作。姜大昕指出，多模态、慢思考能力和视觉领域的理解生成一体化是AI Agent爆发的重要条件。阶跃星辰已完成B轮融资，总金额达数亿美元，投资方包括上海国资及腾讯投资等。未来，公司将持续探索多模态技术，推动从云到端的生态体系建设。

今日，阶跃星辰发布通用图像编辑模型Step1X-Edit，支持11类常见图像编辑任务，如文字替换、人物美化、风格迁移等，用户可免费通过阶跃AI App和网页端(stepfun.com)使用。该模型参数量达19B，具备语义解析、身份一致性和高精度控制能力，并通过自研基准测试集GEDit-Bench验证，多项指标达开源SOTA水平。Step1X-Edit已开源，支持GitHub、HuggingFace等平台调用。这是阶跃星辰近一个月发布的第三款多模态模型，其Step系列基座模型中多模态模型占比已达7成。

北京时间3月27日凌晨，阿里巴巴推出通义千问系列新旗舰模型Qwen2.5-Omni。该端到端多模态模型可处理文本、图像、音频及视频等多种输入，具备实时流式响应能力。Qwen2.5-Omni采用全新Thinker-Talker架构，引入TMRoPE技术，提升多模态输入同步精度。其语音生成自然流畅，端到端语音指令跟随能力出色，在MMLU、GSM8K等基准测试中表现优异。模型在OmniBench多模态任务中达到SOTA表现，单模态任务中亦表现突出。目前，Qwen2.5-Omni已在Hugging Face、ModelScope、DashScope及GitHub开源。