刚刚，谷歌正式发布新一代旗舰大模型Gemini 4 Argon，面向全球开发者及企业开放。本次升级重点强化了编程、专业知识处理及复杂长流程任务的执行能力，多模态视觉理解、3D生成与机器人空间推理表现惊艳，整体性能比肩GPT-6 Astra与Opus 5.5。API即日起限时半价（截至11月30日），每百万输入/输出token仅需2/10美元，成本大幅低于竞品，12月1日恢复原价。此外，谷歌同步发布217页安全报告，并向1万名科学家免费提供半年最高使用额度。

近日，何恺明团队发布最新论文，提出视觉原生的多模态Harness框架VISTA。该框架无需从头训练，即可让现有多模态模型直接观察环境、无损保存原始画面，并在推理时随时回看、放大检查细节，将视觉经验转化为可随时调用的上下文。在ARC-AGI-3评测中，搭配VISTA的Claude Opus 5.0以满分通关全部25个游戏，动作数比人类基线少57.4%；GPT-5.6 Sol也近乎满分通关。此外，在浏览器游戏、迷宫等任务中，VISTA均显著提升了模型成功率。未来，团队将向更接近物理世界的具身任务拓展，持续探索视觉经验的深度利用。

2026年9月，紫东太初正式开源通用多模态大模型ZDTaichu5.0-9B，跻身全球多模态第一梯队。该模型在九大国际权威空间理解基准测试中斩获八项第一，空间具身智能实现断层领先，且图文理解、代码等通用能力不降级。技术上，ZDTaichu5.0-9B创新引入全栈数据生产管线与内置自适应循环推理机制，有效破解了多模态模型在真实物理世界中“对象认不准、方位难转换”等难题。目前，该模型权重及工业级数据管线已全面开源，将大幅降低企业研发门槛，加速具身智能在科研自动化、智能制造等真实场景的落地应用，推动国产多模态向物理世界迈出关键一步。

DeepSeek V4 最近开源了多模态权重，它不仅能“看图”，还将视觉深度融入了AI大脑。 图片如何变成模型懂的“语言”？图片先被切成小块提取特征，保留空间位置。接着，“秘书”（Aligner）将相邻的9个特征打包压缩，把庞大的图像精炼成最多384个“视觉词（Token）”送入主干。这既保留了画面...

近日，在海外平台爆火的神秘模型“牛来”（Ox Alpha）真身揭晓，正是智谱刚刚发布并开源的GLM-5.3 Flash。作为GLM 5系列首个原生多模态模型，其总参数320B，能力全面超越上代753B模型，核心评测比肩国际顶尖模型。实测显示，它在视频理解、电影解说、UI转交互应用及3D建模等复杂任务中表现卓越。得益于全新混合注意力架构，其调用价格仅为竞品的几十分之一。更令人瞩目的是，其内测期间的海量请求全部由国产算力芯片支撑，实现了模型与算力的“纯血国产”。目前该模型已面向全球开源。

2026年8月，Mistral AI发布了Shieldstral，一款仅30亿参数（3B）的多模态AI安全审核模型。它能同时审核文本、图片及图文内容，表现媲美甚至超越大参数模型（如文本审核HarmBench得分高达99.4%）。 传统审核模型依赖固定的“违规标签”，规则一变就得重新训练。Shield...

【Qwen3.8-27B正式开源！单张消费级显卡即可运行】2026年8月，备受期待的Qwen3.8-27B正式开源。该模型参数量270亿，量化后单张RTX 4090等消费级显卡即可本地运行。其在SWE-bench Pro等多项代码和Agent评测中反超Claude Opus 4.6 Max。模型具备原生多模态能力，支持262K原生上下文（可扩展至100万Token），重点强化编程与长程Agent任务。此外，新增“推理档位”调节与思考保留功能，底层采用线性注意力架构提升长序列处理效率。目前已接入vLLM等主流框架并提供量化版本，开发者可轻松部署体验。

近日，MiniMax正式发布全新一代开源视频模型MiniMax H3，登顶Artificial Analysis视频编辑榜单。H3打破传统AI视频仅提供素材的局限，将剪辑、特效等后期逻辑端到端集成，输入文本即可直出2K高清成品，实现“手绘即特效”。模型支持全模态输入，大幅提升精准编辑能力，并攻克视频文字生成难题，达到商用标准。同时，其2K分辨率每秒定价不足主流模型三分之一。作为首个开源的SOTA级视频模型，H3支持私有部署，标志着视频生成正式迈入可商用交付的“Coding时刻”，成为真正的生产力工具。

近日，大晓机器人联合南洋理工大学S-Lab重磅开源L5级多模态具身物理智能数据集ACE-Data-0。该数据集包含150小时、1700万帧视频及200个任务类别，深度覆盖真实家庭场景。依托环境式采集引擎ACE，其通过桌面与房间两套互补系统，高保真采集并精准同步视频、运动、触觉等多模态信号至统一时空坐标系。同时采用目标级指令，完整保留人类真实交互中的规划与调整过程。此外，大晓基于此构建了三级评估基准。ACE-Data-0为模仿学习、世界模型及VLA提供了高质量数据底座，将加速通用物理智能走向规模化产业落地。

7月23日，多模态大模型公司智象未来宣布完成15亿元C轮融资。这是其近三个月内的第三轮融资，累计超21亿元，估值超10亿美元，正式跻身全球AI独角兽。本轮由社保基金、工银资本等领投，合肥产投等老股东跟投，获国资、产业及市场化VC罕见扎堆押注。随着大语言模型估值红利见顶，AI视觉赛道迎来爆发。智象未来凭借原生全模态UiT架构脱颖而出，图像模型登顶全球开源榜单第一。同时，公司发布vivago R1多模态创作智能体，支持无限时长视频生成，海外版已服务超5000万用户，商业化落地稳居行业第一梯队。