跳到正文

多模态

文本之外的能力:视觉理解、图文混合、音视频输入输出的模型与产品进展。

592 条精选相关主题图像生成AI 视频语音与音频

最新精选

第 81–100 条 · 共 592 条

9月24日星期四

Computing Life · Share · 鸭哥调研

Qwen-Image-2.1:版本号从3.0跳回2.1,一个模型把生图、改字、抠透明底全包了

Qwen 团队于 2026 年 9 月 20 日上线并开源图像生成模型 Qwen-Image-2.1,视觉生成部分为 7B 参数量的单流扩散变换器,输入端搭配 Qwen3-VL 解析多模态提示词,输出端接入 64 通道自编码器处理透明通道。

推荐理由:Qwen团队开源Qwen-Image-2.1,把文生图、局部编辑与透明底生成收进同一管线,版本号从3.0回落到2.1,对应闭源商业与开源研究两条产品线并行的发布形态。

The Verge · AI

Meta 要把 Muse AI 助手塞进智能眼镜,喊名字就能唤醒

Muse 上线才两周,Meta 就说正在把它往智能眼镜里搬,包括 Connect 大会上新发布的款式。用法很简单:喊一声 Muse,就能让它带着你做运动、记吃了什么,或者帮你看看眼前的东西值不值得买。眼镜还会加一个听力增强功能,Meta 说已经过了 FDA 认证,给轻度到中度听损的成年人用。不过正文没提什么时候上线,也没说哪些型号能用上 Muse。

推荐理由:Meta 宣布正把上线两周的 Muse 助手接入智能眼镜,用户喊名字就能让它带练、记餐或比价,眼镜同时加入面向轻中度听损成人的听力增强功能。

9月23日星期三

AI HOT 精选

小米发布 MiMo-V2.6 Pro 与 Flash 开源全模态模型,Pro 在多数 Agent 基准上对标 Claude Opus 5 和 GPT-5.6 Sol

小米发布开源全模态模型 MiMo-V2.6 Pro 与 Flash,通过规模化强化学习训练。Pro 在 Artificial Analysis Intelligence Index 得分 46,为开源模型中最高,并在多数 Agent 基准上表现与 Claude Opus 5 和 GPT-5.6 Sol 相当。

推荐理由:小米开源全模态模型 MiMo-V2.6 Pro 与 Flash,Pro 在多数 Agent 基准上对标 Claude Opus 5 和 GPT-5.6 Sol,Intelligence Index 得分 46 为开源模型中最高。

AI HOT 精选

Qwen-Image-2.1 在 Arena 图像编辑和文生图两个开源榜都拿了第一

通义千问的 Qwen-Image-2.1 在 Arena 的图像编辑和文生图榜单上都是开源模型第一。图像编辑得分 1367,总榜排第 16,只比第 15 名的 GPT-Image-1.5-high-fidelity 低 3 分。正文没提参数量、模型架构和具体开放时间,这点先别太激动。

推荐理由:Qwen-Image-2.1 在 Arena 图像编辑与文生图两个开源榜均列第一,图像编辑 1367 分排总榜第 16,与第 15 名 GPT-Image-1.5-high-fidelity 相差 3 分。

9月22日星期二

AI HOT 精选

Qwen-Image-2.1 开源,图像编辑榜排开源第一,总分只比 GPT-Image-1.5 高保真版低 3 分

通义千问把 Qwen-Image-2.1 的权重放出来了。在 Arena 的图像编辑榜上拿了 1367 分,开源模型里排第一,总榜第 16。这个分数离第 15 名的 GPT-Image-1.5-high-fidelity 只差 3 分,差距很小。文生图榜也拿了开源第一。正文没提参数量、具体架构和用的什么开源协议,这些关键信息得等后续披露。

推荐理由:通义千问开放 Qwen-Image-2.1 权重,该模型在 Arena 图像编辑榜以 1367 分居开源第一,与第 15 名 GPT-Image-1.5 高保真版仅差 3 分。

Latent Space

小米 MiMo-V2.6-Pro 登顶开源模型榜,训练只花了 300 万美元

小米发布 MiMo-V2.6 系列两款原生全模态开源模型,MiMo-V2.6-Pro 为 1.02T 总参数、42B 激活参数,MiMo-V2.6-Flash 主打智能、效率与成本平衡,另有 Pro-UltraSpeed 版本输出速度最高提升 20 倍。

推荐理由:小米 MiMo-V2.6-Pro 以 1.02T 总参数、42B 激活参数登顶 Artificial Analysis 开源模型智能指数,训练成本约 300 万美元,单任务成本 0.13 美元。

AI HOT 精选

小米 MiMo-V2.6-Pro 在 Code Arena WebDev 排到第10名左右,开源模型里排第3

小米发了两个全模态模型 MiMo-V2.6-Pro 和 Flash。Pro 版在 Code Arena 的网页开发榜上拿了 1628 分,比上一代 MiMo-V2.5-Pro 的 1475 分涨了 153 分,整体排第10名上下,在 MIT 许可的开源权重模型里大概排第3。Flash 版的跑分和参数量正文都没提。

推荐理由:小米 MiMo-V2.6-Pro 在 Code Arena 网页开发榜拿到 1628 分,比上一代高 153 分,整体排第 10 名上下,在 MIT 许可的开源权重模型里约第 3。

9月21日星期一

AI HOT 精选

Qwen-Image-2.1 发布,一个 7B 模型同时搞定生图和改图

通义千问发布 Qwen-Image-2.1,一个 7B 参数的原生图像生成与编辑模型,生成和编辑共用单一检查点,最多支持 10 张参考图。模型自带提示词增强 LLM,已集成 diffusers 和 ComfyUI,并在 Hugging Face Spaces 提供免安装的浏览器在线 demo。

推荐理由:通义千问发布 7B 的 Qwen-Image-2.1,生成与编辑共用单一检查点,最多支持 10 张参考图,并已集成 diffusers 和 ComfyUI。

9月20日星期日

AI HOT 精选

Qwen-Image-2.1 开源了,一个 7B 模型包揽生图和修图,还能直接跑在 ComfyUI 里

阿里 Qwen 放出了 Qwen-Image-2.1 的开源权重,原生支持 ComfyUI 节点。一个 7B 参数的模型同时干生图和编辑两件事,最高能出 2K 分辨率的图,单次指令最多可以参考 10 张图来改图,还支持带透明通道的 RGBA 输出。正文没提硬件要求和具体授权协议,想本地跑的话得自己试水。

推荐理由:阿里开源 Qwen-Image-2.1 权重,单个 7B 模型同时承担生图与编辑,原生支持 ComfyUI 节点,可出 2K 图并基于最多 10 张参考图改图。

Hacker News 首页

阶跃星辰发布 Step 5 Preview,一个 600B 参数的 MoE 旗舰模型,主打编程和金融任务

阶跃星辰发布面向智能体工作的新旗舰模型 Step 5 Preview,采用稀疏 MoE 架构,总参数 600B、每 token 激活 27B,支持 1M token 上下文窗口和视觉输入。

推荐理由:阶跃星辰发布 600B 参数 MoE 旗舰模型 Step 5 Preview,主打编程与金融任务,公开评测中在 DeepSWE v1.1 等编程基准上略高于 Kimi K3 和 GLM-5.3。

9月18日星期五

AI HOT 精选

OpenRouter 实测 20 个生图模型:最便宜 0.006 美元一张,最贵 0.134 美元,价差 22 倍

OpenRouter 用同一提示词和尺寸实测了 20 个图像生成模型,读取每次响应的 usage.cost 得到真实计费,单张默认设置图片成本从 0.006 美元到 0.134 美元,相差 22 倍。

推荐理由:OpenRouter 用同一提示词和尺寸实测 20 个生图模型,读取每次响应的实际计费,单张成本从 0.006 美元到 0.134 美元,相差 22 倍,而各家计费单位并不统一。

9月15日星期二

Computing Life · Share · 鸭哥调研

三条 AI 新闻:会画界面的模型、给自己写说明书的 agent、脱离厂商云的企业编程

Runway 发布研究预览 Solaris,用前置语言模型加基于 Gen-4.5 的世界模型逐帧渲染交互界面,官方自报 250 名受试者偏好度高于 Claude Opus 5 生成的前端代码界面,但尚无第三方实测。

推荐理由:Runway 的 Solaris 让语言模型配合世界模型逐帧渲染界面,官方自报 250 人偏好度高于 Claude Opus 5 生成的前端界面,但尚无第三方实测。

9月14日星期一

Hacker News 首页

30 个 SVG 画图题,看 2025-2026 年的大模型谁能画好“鹈鹕骑自行车”风格的图

该站点用 30 组 SVG 绘图提示词测试语言模型,沿用 Simon Willison 的 pelican-riding-a-bicycle 测试风格,图片按模型原始返回展示。

推荐理由:Tom Gally 用 30 道 SVG 绘图提示词测试 2025 和 2026 两批语言模型,图片按模型原始返回展示,可横向比较不同模型在同一提示下的输出差异。

9月12日星期六

Latent Space

DeepSeek V4.1-Flash:763B 参数,用编码器-解码器新架构把预填充和解码拆开跑,还自带视觉

DeepSeek 发布开源模型 V4.1-Flash,采用新的因果编码器-解码器架构,总参数 763B,输入侧激活 8B、输出侧激活 16B,原生支持文本与图像输入,上下文窗口 1M token,采用 MIT 许可。

推荐理由:DeepSeek 发布 V4.1-Flash,用因果编码器-解码器把预填充与解码拆成 8B 和 16B 两套激活,并原生支持图像输入,是理解其架构取舍的一手材料。

AI HOT 精选

DeepSeek 开源 V4.1-Flash:用不对称算力给编程 Agent 省 prefill 成本

DeepSeek 本周在 HuggingFace 开源 DeepSeek-V4.1-Flash,这是一个 552B 参数的多模态 MoE 模型,采用 Causal Encoder-Decoder 架构,支持 1M token 上下文窗口,prefill 激活 8B、decode 激活 16B。

推荐理由:DeepSeek 开源 552B 多模态 MoE 模型 V4.1-Flash,采用 Causal Encoder-Decoder 架构,prefill 激活 8B、decode 激活 16B,面向编程 Agent 降低 prefill 开销。

9月10日星期四

AI HOT 精选

DeepSeek-V4.1-Flash 在硅基流动上线,552B 参数、1M 上下文,KV 缓存砍到 V4 Flash 的四分之一

硅基流动当天就接入了 DeepSeek-V4.1-Flash。这是个 552B 参数的混合专家模型,实际干活时预填充阶段激活约 80 亿参数,解码阶段约 160 亿参数,自带视觉能力,一次能处理 100 万 token 的上下文。最实在的一点是 KV 缓存占用只有 V4 Flash 的四分之一,部署成本会低不少。MIT 许可证,商用也方便。

推荐理由:硅基流动当天上线 552B 参数的 DeepSeek-V4.1-Flash,支持 1M 上下文,KV 缓存占用降至 V4 Flash 的四分之一,部署成本随之下降。

AI HOT 精选

DeepSeek 发布 V4.1-Flash,把 AI 智能体的内存开销砍到前代的四分之一

DeepSeek 发布多模态模型 V4.1-Flash,核心目标是压缩 KV cache 以降低长上下文运行成本。

推荐理由:DeepSeek 发布 V4.1-Flash,将智能体长上下文所需的 KV 缓存压到前代约四分之一,并让数据输入算力减半,为关注长上下文部署成本的人提供了具体架构数字。

AI HOT 精选

DeepSeek 发布 V4.1-Flash:新架构让模型自带看图能力,不再外挂视觉模块

DeepSeek 推出了 V4.1-Flash,换了一套叫“因果编码器-解码器”的新架构,直接把视觉理解做进了模型里,不用再单独接一个看图组件。模型总规模 552B 参数,是个混合专家模型,处理你输入的内容时只激活 8B 参数,生成回答时激活 16B。官方说价格降了不少,但正文没给出具体降幅和跑分数据,我会先打个折,等第三方实测出来再看。

推荐理由:DeepSeek 发布 V4.1-Flash,用因果编码器-解码器架构把视觉理解做进模型,552B 总参数下输入与输出分别激活 8B 和 16B。

AI HOT 精选

DeepSeek 出了个 V4.1-Flash,用新架构把视觉理解直接做进模型里,KV 缓存砍到原来的 1/4

DeepSeek 发布 V4.1-Flash,采用新的 Causal Encoder-Decoder 架构并支持原生视觉理解,是其新架构家族中最小模型。该模型为 552B 参数 MoE,输入处理激活 8B、输出生成激活 16B;KV cache 需求降至上一代的 HBM 1/4、SSD 存储 1/8,API 价格更低。

推荐理由:DeepSeek 发布新架构家族中最小模型 V4.1-Flash,把原生视觉理解做进模型,KV 缓存需求降至上一代 HBM 的 1/4、SSD 的 1/8,API 价格更低。

DeepSeek · API 更新日志

DeepSeek-V4.1-Flash 发布,支持原生视觉理解并下调 API 价格

DeepSeek 今天发布 DeepSeek-V4.1-Flash,作为全新模型结构系列中尺寸最小的模型,具备原生多模态视觉理解能力。模型已上线 DeepSeek API,使用 deepseek-flash 即可调用,API 价格同步下调;旧模型 V4 Flash 与 V4 Flash Vision Exp 已下线,其调用名称暂时路由至 V4.1 Flash。

推荐理由:DeepSeek 将旧模型名称暂时路由到 V4.1 Flash 并同步下调 API 价格,现有调用可保持名称兼容但会切换模型。