多模态模型

月之暗面（Moonshot AI）开源多模态模型Kimi-VL-A3B-Thinking-2506，性能超越GPT-4o，在数学推理、视频理解等任务中表现优异，实现效率与性能双重优化。开发者可通过Hu...

面壁智能开源新一代多模态模型MiniCPM-V 4.0，图像理解能力超越GPT-4.1等主流模型。该模型针对移动端优化，首token延迟低于2秒，解码速度达17 token/s以上，实现高效端侧部署。

OpenAI重启机器人研发计划，聚焦通用机器人技术开发，通过物理世界交互加速AGI实现。了解新团队目标、技术突破与行业竞争，探索AI从虚拟向物理空间的延伸。

谷歌推出开源多模态模型Gemma 3n，专为移动设备优化，支持图像、音视频及文本处理，内存需求极低。采用MatFormer架构，动态调整规模，提升效率。适用于医疗、无障碍等隐私敏感场景。

阿里巴巴通义千问团队最新发布Qwen3-VL 2B和32B版本，在STEM问答、视觉理解等多项测试中超越GPT-5 mini和Claude 4 Sonnet。32B模型仅用少量参数实现与235B模型竞...

腾讯混元团队开源全球首个800亿参数工业级多模态生图模型混元图像3.0，支持1000+字符文本理解和多语言文字渲染，在Github和Hugging Face可免费下载使用，推动AI图像技术普及。

InstaDeep推出生物多模态对话智能体ChatNT，革新生物学研究范式。该模型通过自然语言交互即可处理DNA、RNA和蛋白质序列，显著降低了生物学家使用AI工具的技术门槛，被学界视为生物信息学领域...

DeepSeek AI发布革命性开源多模态模型DeepSeek-OCR，实现10倍无损文本压缩，显著提升OCR处理效率。模型采用创新视觉压缩技术，单卡日处理20万页文档，为大规模语言模型训练提供全新解...

LiblibAI 2.0正式上线，实现图文视频同界面创作功能，整合Qwen Image、Midjourney V7等前沿模型，内置500+视觉特效工具，提升创作效率300%，服务超千万设计师的AI创作...

蚂蚁集团与Inclusion AI共同发布开源多模态大模型Ming-Omni，该模型可统一处理图像、文本、音频及视频输入，并具备跨模态生成能力，成为全球首个在功能上与GPT-4o对标且完全开源的多模态...