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。

7月18日，在2026年WAIC大会期间，商汤科技首席科学家林达华指出，多模态已成为AI Coding之后的下一个决胜战场。他认为纯文本代码无法实现高级设计感，视觉交互才是面向人类体验的核心。为此，商汤推出原生统一多模态架构NEO-unify及可交付级旗舰模型SenseNova U1 Pro。该模型具备“图文交错思维”，能直出原生8K画质，在设计赛道交付率高达70%，对标GPT-Image-2。林达华透露，下一代U2模型将迈向三维，商汤的终极目标是实现物理世界的AGI。

近日，谷歌正式开放Gemini Omni Flash API，并推出“光速版”图像模型Nano Banana 2 Lite。Omni Flash被称为“视频版Nano Banana”，深度融合多模态推理与视频生成编辑，内置世界知识，支持对话式修改，每秒成本仅0.1美元。Nano Banana 2 Lite主打极致性价比，4秒即可生成1K图像，成本约0.034美元，且核心性能未缩水。两款模型还可无缝衔接，实现从高速出图到视频生成的全链路自动化。谷歌同步上线三个Demo应用，展示了其在旅游、室内设计及跨境电商等场景的落地潜力，多模态正成为谷歌AI商业化的核心王牌。

【#阿里发布Qwen3.7-Plus多模态大模型#】6月2日，阿里巴巴正式发布千问3.7系列多模态大模型Qwen3.7-Plus！该模型文本与视觉能力大幅跃升，荣登Vision Arena榜单中国第一、全球前五。作为多模态智能体新基座，它实现了“看、想、写、做、验”统一工作流，不仅能深度推理、自主编程，还能一键复刻手机APP及桌面端专业软件，轻松完成复杂长程任务。目前，该模型已全面上线阿里云百炼提供API服务，开发者与用户可通过Qwen Studio等平台抢先体验。多模态AI再迎重磅突破！