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 101–120 条 · 共 592 条

9月9日星期三

AI HOT 精选

OpenAI 发了两个新图模型:Flare 快一半,Sunburst 改图更稳,但 ChatGPT 用户没法手动选

OpenAI 发布 ChatGPT Images 2.5,包含 GPT-Image-2.5 Flare 和 GPT-Image-2.5 Sunburst 两个图像模型,前者延迟比 GPT-Image-2 降低 50%,后者面向更复杂的视觉编辑。

推荐理由:OpenAI 发布 ChatGPT Images 2.5 双图像模型,Flare 将生成延迟降低 50%,Sunburst 面向多轮复杂编辑,两个模型在 Arena 排名居前。

9月8日星期二

OpenAI News

OpenAI 发布 ChatGPT Images 2.5,生图速度翻倍,还加了个手绘板功能

OpenAI 发布 ChatGPT Images 2.5,称其为新的 SOTA 图像模型,带来更锐利的细节、更精确的编辑和更快的生成,图像生成延迟相比 Images 2.0 最多降低 50%。

推荐理由:OpenAI 发布 ChatGPT Images 2.5,图像生成延迟较 2.0 最多降低 50%,并新增手绘板草图输入功能。

9月6日星期日

量子位 · 公众号

网友把 GPT-6 当导演、Seedance 当摄影,攒出一条 AI 动画流水线

网友用 GPT-6 Astra 与字节 Seedance 2.5 组合,让 Astra 编写故事、在 Blender 中完成预演、调用 Seedance 2.5 生成镜头并剪辑导出,人类只给一段总要求即可收片。

推荐理由:网友用 GPT-6 Astra 串联 Blender 预演、Seedance 2.5 生成镜头与剪辑,展示一条从一段总要求到成片的完整工具链。

Hacker News 首页

GPT-6 Astra 操控机械臂:放积木又快又省,插拼图还是卡在最后一步

Robocurve 在相同 YAM 机械臂和 Inspect Robots 智能体策略下对比 GPT-6 Astra 与 Claude Fable 5.1 的两项操作任务。

推荐理由:同一套机械臂和策略下,GPT-6 Astra 放积木 20 次成功 19 次,单次成本约 0.94 美元,而拼图任务与 Fable 5.1 同为 20 次成功 2 次。

9月2日星期三

Hacker News 首页

World Labs 发布 Atlas:一个能原生理解 3D 空间的世界模型

World Labs 发布新一代世界模型 Atlas,从零预训练,原生处理文本、图像、视频和 3D,属于多模态自回归扩散 Transformer,所有输入汇入共享的空间上下文。

推荐理由:World Labs 发布从零预训练的世界模型 Atlas,原生处理文本、图像、视频和 3D,其稀疏视角三维重建在少量输入图像下超过专用重建模型。

TechCrunch · AI

Google 推出 Pics,一款靠打字出图的 AI 设计工具,直接对标 Canva

Google 推出图像创作与编辑工具 Google Pics,由 Nano Banana 图像生成模型驱动,将在未来几周内向多数 Workspace 客户以及 Google AI Pro 和 Ultra 付费用户开放。

推荐理由:Google 推出由 Nano Banana 驱动的图像工具 Pics,用户靠打字生成设计,未来几周向多数 Workspace 客户及 AI Pro、Ultra 付费用户开放,与 Canva 的模板模式形成对照。

AI HOT 精选

Gemini 现在能看视频学操作,然后自己上手点按、打字、滚动页面

Google DeepMind 发布博客,为 Gemini 推出 agentic 视频理解功能。官方称该能力让 Gemini 以智能体方式处理视频理解任务,原文链接为 https://deepmind.google/blog/introducing-agentic-video-in-gemini。

推荐理由:Google DeepMind 为 Gemini 推出 agentic 视频理解功能,模型可观看操作录屏后自行完成点击、输入与滚动等界面操作,这条资讯交代了该能力的基本机制与发布来源。

Google 博客 · Gemini

Gemini 推出智能体视频理解功能,token 消耗最高降低 88%

Google 推出智能体视频理解功能,支持 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite,视频分析成本最高降低 66%、token 消耗最高降低 88%、准确率最高提升 7%。

推荐理由:Gemini 用智能体按需检索视频片段,减少固定帧率处理带来的 token 消耗与细节遗漏,使长视频分析兼顾成本和准确率。

8月31日星期一

AI 群聊日报

Astra 前端一次直出泄露,Coding 增长经济学,以及 Claude 安全降级误删 700GB 数据

2026-08-30 群聊日报汇总多条行业消息:OpenAI 正在灰度测试代号 mozaik-alpha-fdm 的 Astra 模型,Max effort 模式下零样本一次直出 3D 像素风城堡和完整前端网页,社区预测 9 月 3 日前后正式面世。

推荐理由:OpenAI 灰度测试的 Astra 在 Max effort 模式下零样本一次直出完整前端网页,同期 Anthropic 被曝推进 Fable 5.1,双方已用同一张 SVG 图隔空对比细节稳定性。

8月30日星期日

Computing Life · Share · 鸭哥调研

多模态模型的价值,不在看懂图,在会自己去看

文章观察到 8 月 Meta 的 Muse Spark 1.2、Z.ai 的 GLM-5.3-Flash 和 DeepSeek 的 V4-Flash-Vision-Exp 三家实验室发布的多模态模型演示共享同一动作结构:模型先观察视频、截图或页面,再调用工具生成网页、演示文稿或小游戏,并回头审视自己的产物。

推荐理由:Meta、Z.ai 与 DeepSeek 三家实验室的多模态演示共享同一动作结构,模型先观察视频或页面,再调用工具生成产物并回头审视,为理解多模态能力提供了一条比较线索。

8月26日星期三

AI HOT 精选

通义千问开源 Qwen3.8-Flash,125B 总参数每次只激活 6B,训练成本降到前代的九分之一

阿里通义放出了 Qwen3.8-Flash 的完整权重,这是个多模态的 MoE 模型,总参数量 125B,但每次推理只激活其中 6B 参数,所以跑起来很轻。训练成本只有 Qwen3.7-Plus 的九分之一,性能还全面反超。生产版 API 定价是输入每百万 token 0.16 美元、输出 0.47 美元,原生支持 262K 上下文,可以拉到 1M。

推荐理由:阿里通义开源 Qwen3.8-Flash 完整权重,125B 总参数每次只激活 6B,训练成本降到前代九分之一,API 定价为每百万 token 输入 0.16 美元、输出 0.47 美元。

TechCrunch · AI

那个匿名屠榜的 Ox Alpha 模型,背后是 Z.ai

周末大家还在猜 Ox Alpha 是谁做的,现在确认了:是 Z.ai 的 GLM 系列最新版。这个模型之前匿名挂在 OpenRouter 上,一上线就冲到排行榜第一。Z.ai 说会在周三放出模型权重,开发者可以直接拿来用。官方定位是给写代码、长时间跑任务(agentic work)和需要结合图文推理的场景准备的。

推荐理由:Z.ai 确认匿名登顶 OpenRouter 的 Ox Alpha 出自其 GLM 系列,并计划周三放出模型权重,该模型面向代码、长时间任务与图文推理场景。

AI HOT 精选

通义千问放出 Qwen3.8-Flash,125B 参数每次只用 6B,训练费打骨折

Qwen3.8-Flash 是 Qwen4 架构的早期预览版,总参数 125B,但每次推理只激活 6B 参数,相当于用很小的算力跑一个大模型。原生上下文窗口 262K,能拉到 1M。训练成本只有 Qwen3.7-Plus 的九分之一,官方说写代码和办公任务表现反而更好。权重已经开放。正文没给具体跑分和开源协议细节,这点先别太激动。

推荐理由:通义千问发布 Qwen3.8-Flash,125B 总参数每次只激活 6B,训练成本降到 Qwen3.7-Plus 的九分之一,权重已开放。

8月25日星期二

Hacker News 首页

Qwen 明天开源 Qwen3.8-Flash-Next:总参数 125B、激活 6B 的 MoE 多模态模型

Qwen 在 ModelScope 上预告了 Qwen3.8-Flash-Next,一个基于下一代 Qwen4 架构的多模态 MoE 模型,总参数 125B,每次推理只激活约 6B 参数。这次提前放出来是为了让社区先看看 Qwen4 的设计思路。明天(2026-08-26 15:00 UTC)正式开源,会同时放出 FP8 版本。

推荐理由:Qwen 预告了基于下一代 Qwen4 架构的多模态 MoE 模型 Qwen3.8-Flash-Next,总参数 125B 而每次推理仅激活约 6B,可从中看到 Qwen4 的设计思路。

OpenAI News

OpenAI 封禁了一批俄罗斯账号,它们伪装成以色列智库搞舆论渗透

OpenAI 封掉了一批来自俄罗斯的 ChatGPT 账号。这些账号在幕后操纵一个叫“国际伯克研究所(IBI)”的假智库,网站自称设在以色列,实际上文章是从正经学术作品里抄来、篡改署名,再用机器翻译成英文的。操作者用俄语给模型下指令,让它生成英文的社交媒体帖子和评论,还特意要求模型藏好俄语痕迹。他们搞了一个“主权指数”,排名上捧俄罗斯、踩西方国家。

推荐理由:OpenAI 披露封禁一批俄罗斯账号,这些账号用俄语指令让模型生成英文帖子和评论,运营一个自称设在以色列的假智库并推出捧俄贬西的主权指数排名。

8月22日星期六

Hacker News 首页

好莱坞创作者正在拿自己的手艺训练 AI,时薪 25 到 150 美元

《卫报》采访了一批给 AI 公司打工的好莱坞概念设计师、配音演员和编剧。他们按小时收费,帮 Runway、Sora 这类公司训练模型,让 AI 学会模仿自己的创作风格。受访者很清楚这是在“给自己的职业挖坟”,但面对高时薪和行业不景气,还是接了活。文章没披露合同总规模和具体训练数据量,更像一份行业情绪记录,而不是量化岗位流失的预测。

推荐理由:《卫报》采访好莱坞概念设计师、配音演员和编剧按小时为 Runway、Sora 训练模型,让 AI 学会模仿自己的创作风格,受访者明知在给职业挖坟仍因高时薪接活。

8月21日星期五

DeepSeek · API 更新日志

DeepSeek-V4-Flash-Vision-Exp 发布并上线 API 平台

DeepSeek 今天发布实验性质的多模态视觉理解模型 DeepSeek-V4-Flash-Vision-Exp,用户可在 DeepSeek API 平台设置 model='deepseek-v4-flash-vision-exp' 访问。

推荐理由:DeepSeek 的视觉实验模型在官方测评中保持正式版的纯文本能力,视觉智能体能力提升至接近 Opus-4.8。

8月18日星期二

Hacker News 首页

Muse Glimmer:把智能体塞进你设备的,其实是一套伪装成 30B 模型的内存层级

Meta 的 Muse Glimmer 是个约 300 亿参数的多模态模型,专门为在手机或电脑上离线跑智能体任务设计。它的原始 BF16 模型有 55 GiB,根本塞不进消费级显卡,所以 Meta 直接给了 4-bit 量化版,把语言模型压到了 20 GB 以下。

推荐理由:Meta 为让约 300 亿参数的 Muse Glimmer 在手机或电脑上离线运行,将原始 55 GiB 的 BF16 模型量化为 4-bit,语言部分压到 20 GB 以下。

8月17日星期一

AI HOT 精选

Qwen 3.8 27B 模型实测:能力很强,但默认推理强度会让它疯狂过度思考

Simon Willison 上手了阿里 Qwen 团队新发的 27B 模型,发现它默认的“超高”推理强度是个坑。一个简单的画圆指令,模型会花几分钟生成一段精美的动画 SVG,完全偏离原意;画一张“鹈鹕骑自行车”的 SVG,默认设置下烧掉 22,276 个推理 token,耗时 21 分钟才出图。关掉推理后,同样的任务只需两分多钟。

推荐理由:Simon Willison 实测 Qwen 3.8 27B,画鹈鹕骑自行车在默认推理强度下耗 22276 个 token、21 分钟,关闭推理后仅需两分多钟,本地部署用户可据此调整默认设置。

8月16日星期日

TechCrunch · AI

一名女性指控继父用 Grok 把她 11 岁的童年照变成了 7000 多张露骨图片

一位化名 Jane Doe 4 的女性加入了田纳西州三名青少年对 xAI 的集体诉讼。她指控继父用 Grok 把她 11 岁时的照片生成了超过 7000 张露骨图片,执法部门突袭搜查发现这些图片两天后,继父自杀身亡。她认为这类工具不加限制地扩散,正在把日常生活变成儿童性虐待素材。

推荐理由:一名女性加入田纳西州青少年对 xAI 的集体诉讼,指控继父用 Grok 将 11 岁照片生成 7000 多张露骨图片,案件把生成工具的内容边界问题带入法庭。