2026年1月20日，阶跃星辰宣布开源多模态模型Step3-VL-10B。该模型仅用10B参数量，在视觉感知、逻辑推理、数学竞赛及通用对话等基准测试中达到同规模SOTA水平，性能媲美甚至超越千亿级大模型如Gemini 2.5 Pro和Seed-1.5-VL。其核心亮点包括极致视觉感知、深层逻辑推演与长程推理、强大端侧Agent交互，并引入PaCoRe机制提升复杂任务表现。真实场景中，模型在STEM推理、竞赛数学、空间推理等领域表现出色。得益于全参数端到端预训练、大规模强化学习和创新推理机制，Step3-VL-10B证明小参数量也可实现高性能。目前Base和Thinking模型已开源，推动低成本、高效能的多模态能力向端侧下沉，重塑人机交互体验。

豆包的新身份曝光：在国际艺术展当起了“AI讲解员” 梦瑶 发自 凹非寺 量子位 | 公众号 QbitAI 最近，听说豆包在浦东美术馆担任“AI讲解员”，不仅能带人逛展，还能提供专业讲解。好奇心驱使我亲自前往「AI与艺术」体验日活动现场一探究竟。 进馆后，我很快意识到自己对艺术品的理解几乎...

标题：上科大何旭明团队新作：克服简单样本偏置，让多模态模型学会「难题优先」 正文： 多模态模型在感知与生成方面表现优异，但常因信息缺失或语义复杂而产生“幻觉”，即输出与事实不符的内容。这种问题源于训练中对简单样本的过度依赖，导致模型在复杂场景中的可靠性受限。 上海科技大学何旭明教授团队提出了...

1月15日，谷歌发布基于Gemma 3架构的开放翻译模型系列TranslateGemma，提供4B、12B和27B三种参数规模，支持55种核心语言及多模态图像翻译，已在Kaggle和Hugging Face开放下载。性能测试显示，12B版本超越参数量更大的27B基线模型，4B版本适合移动端，性能接近12B基线。TranslateGemma采用两阶段微调工艺，结合监督微调和强化学习技术，优化翻译质量，并覆盖近500种语言，为濒危语言研究提供支持。该模型还具备多模态能力，无需额外视觉任务微调即可提升图像内文字翻译效果。三种尺寸分别适配手机、笔记本电脑及云端高性能场景，开发者可通过Vertex AI等平台部署。

2026年1月14日，智谱与华为联合发布中国首个全程基于国产芯片训练的SOTA多模态模型GLM-Image。该模型在文字渲染、图像生成等方面表现优异，尤其擅长处理复杂视觉文字生成和长文本渲染任务，并在CVTG-2K和LongText-Bench双榜单中夺得第一。GLM-Image支持1024×1024至2048×2048任意比例输出，适用于多种社交媒体平台需求。其创新采用‘自回归+扩散解码器’混合架构，结合华为Ascend A2芯片及深度优化的Mindspeed-LLM框架完成全流程训练。此外，API调用成本极低，单张图片生成仅需0.1元，为行业提供高性价比解决方案。项目已开源，可通过GitHub、Hugging Face等平台获取。

1月14日，智谱联合华为开源新一代多模态模型GLM-Image，这是首个在国产芯片上完成全程训练的SOTA模型。该模型基于昇腾Atlas 800T A2设备与昇思MindSpore AI框架，采用“自回归+扩散解码器”混合架构，突破知识密集型场景生成难题，如海报、科普图等。GLM-Image在文字渲染领域表现优异，尤其擅长汉字生成任务，并在CVTG-2K和LongText-Bench榜单中取得开源第一的成绩。其支持1024x1024至2048x2048多种分辨率图像生成，适用于科普插画、商业海报、社交媒体封面等复杂图文任务。模型现已开放体验与开源，API调用成本低至0.1元/张图片，速度优化版本即将发布。

1月14日，智谱联合华为开源新一代图像生成模型GLM-Image，这是首个在国产芯片上完成全程训练的SOTA多模态模型。该模型基于昇腾Atlas 800T A2设备和昇思MindSpore AI框架，实现从数据到训练的全流程国产化。GLM-Image结合图像生成与语言模型，API调用模式下生成一张图片仅需0.1元，且速度优化版本即将更新。这一成果标志着国产芯片在多模态AI领域的重大突破，为行业提供高效、低成本的解决方案。（记者 李明明）

1月12日，智谱首席科学家唐杰在清华大学闭门高峰论坛上表示，未来AGI的发展方向包括实现双向Scaling，探索已知领域的规模上限并挖掘新范式。他强调推进多模态感统技术的重要性，以支撑AI进入物理世界与工作场景，助力具身智能落地。同时，唐杰指出该技术将推动AI for Science的爆发，为科学研究提供更强支持。（记者 李明明）

1月8日，阿里通义正式发布并开源Qwen3-VL-Embedding和Qwen3-VL-Reranker模型系列。两款模型基于Qwen3-VL构建，专为多模态信息检索与跨模态理解设计，支持文本、图像、视频等多模态输入，在图文检索、视频匹配、视觉问答等任务中表现优异。Qwen3-VL-Embedding通过统一表示学习生成语义向量，实现高效跨模态检索；Qwen3-VL-Reranker则优化重排序，输出精确相关性分数，二者协同构成“两阶段检索流程”。该系列支持超30种语言，性能在MMEB-v2、MMTEB等权威基准测试中领先业界，适合全球化部署。模型已开源，可通过GitHub和魔搭ModelScope获取。

1月8日，阿里云在通义智能硬件展上发布多模态交互开发套件，集成千问、万相、百聆三大通义基础大模型，并预置十余款Agent和MCP工具，适用于AI眼镜、学习机、陪伴玩具等设备。该套件适配30多款主流终端芯片，支持ARM、RISC-V和MIPS架构，未来还将与玄铁RISC-V实现软硬协同优化。其专有模型针对多模态交互场景优化，语音交互时延低至1秒，视频交互时延1.5秒。此外，套件接入百炼平台生态，支持开发者扩展应用能力边界。阿里云还展示了面向智能穿戴设备、陪伴机器人等领域的解决方案，如AI眼镜的同声传译功能及家庭陪伴机器人的实时监测与对话交互能力。