跳到正文
实时

技术方向

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。

36篇精选
34本月
11月13日 05:55更新于
本月仍有更新

最新报道

11月13日周五1–20
  1. vLLM Blog60

    vLLM 在发布首日支持 Thinking Machines 的 Inkling 2 Small

    vLLM 在 Inkling 2 Small 发布首日提供支持。该模型是文本与视觉输入的多模态 MoE，总参数 594B、激活参数 17B，上下文最长 1M tokens，并自带 DSpark 推测解码器。

    推荐理由: 原文给出了 vLLM 对 Inkling 2 Small 的 Day-0 支持细节与多项内核优化，读者可据此了解该模型的部署路径与吞吐表现。

  2. Google DeepMind87

    Google DeepMind 发布 Gemini 4 Hydrogen 模型

    Google DeepMind 发布 Gemini 4 Hydrogen，面向日常编码与智能体工作流，在默认 high 思考档位下 Artificial Analysis 智能指数为 51，高于 Argon 的 50，xhigh 档位可达 54

    推荐理由: 官方给出Hydrogen与Carbon、Argon的分工定位，以及多模型编排在成本与速度上的实测差异。

11月12日周四
11月10日周二
  2. Claude · YouTube75

    Anthropic 发布 Claude Fable 5.2

    Anthropic 发布 Claude Fable 5.2，面向最艰巨的技术挑战，在编码、推理和视觉方面有所提升，适合最具野心的开放式技术工作。官方建议多数编码与知识任务优先使用 Opus 5.5，Fable 5.2 已在 Pro、Max、Team 和 Enterprise 套餐上线。

    推荐理由: 官方说明了 Fable 5.2 的定位与适用场景，并给出与 Opus 5.5 的选择建议，便于判断该用哪个模型。

  3. The Decoder71

    字节跳动 Seed 发布 Seedream 5.5 图像生成模型

    字节跳动 Seed 推出面向专业生产工作流的图像生成模型 Seedream 5.5，称其支持最多 100 轮多轮编辑，未改动区域在像素级保持一致且不出现偏色。该模型可原生生成带透明背景的 RGBA 图像，无需手动抠图即可作为设计素材使用，并称在光照、材质、皮肤质感和密集小文字还原上更准确。Seedream 5.5 正通过即梦、豆包、豆包 Work 和火山引擎方舟逐步开放，Pro 版本已在计划中。

    推荐理由: 原文列出多轮编辑稳定性、原生 RGBA 输出和文字渲染三项能力，可据此判断它在设计生产流程中的位置。

  4. TechCrunch · AI72

    Meta 发布轻量模型 Muse Ember，主打智能体执行与低成本

    Meta Superintelligence Lab 发布轻量模型 Muse Ember，输入价格为每百万 token 10 美分，主打工具调用、编码子任务、路由、抽取和长文档解析等智能体高频工作。

    推荐理由: Meta 用每百万输入 token 10 美分的定价和 Artificial Analysis 综合基准，把轻量模型放进智能体执行环节与 Haiku、Luna 比较。

11月9日周一
  1. IT之家 · AI82

    美团龙猫开源 LongCat-2.5 模型，总参数 1.6 万亿、支持百万上下文

    美团龙猫将面向长程智能体任务的原生多模态模型 LongCat-2.5 正式开源，采用 MIT 协议，支持商用推理部署与二次训练且无需额外授权。模型总参数 1.6 万亿，每个 token 激活约 480 亿参数，支持一百万上下文，并针对显存与带宽受限的国产算力芯片在架构、芯片适配与部署策略上做了协同优化。

    推荐理由: 原文给出总参数、激活参数、上下文长度与开源协议，读者可据此判断长程智能体任务的开源模型选项。

  2. 量子位82

    腾讯混元Hy4发布：770B总参数、49B激活参数，首次支持原生视觉与电脑操作

    腾讯混元Hy4正式发布，770B总参数、49B激活参数，首次引入原生视觉能力和电脑操作支持，指令遵循、长文理解与长程Agent能力同步升级。模型已在腾讯云TokenHub、WorkBuddy/CodeBuddy、元宝等产品上线，API接入OpenRouter、Hermes、OpenCode等平台，权重将于近期开源。

    推荐理由: 作者用多个长程任务实测混元Hy4的自主执行与自检能力，可据此判断开源模型在Agent交付上的实际水平。

11月6日周五
  2. IT之家 · AI72

    Meta 为 AI 助手 Muse 上线实时语音对话与虚拟形象功能

    Meta 宣布个人 AI 助手 Muse 上线实时语音对话与虚拟形象功能，率先面向美国用户推送，覆盖移动端、网页端和 Mac 应用。该功能由 Muse Realtime Voice 与 Muse Realtime Avatar 两个模型支持，可流式输出 448×768 分辨率、25 帧每秒的竖屏视频，从用户说完话到收到首个音视频响应的延迟约为 870 毫秒。

    推荐理由: 原文给出了实时语音与虚拟形象的延迟、分辨率和交互方式，读者可据此判断这类面对面智能体交互的成熟度。

  4. Hugging Face Blog71

    NVIDIA 发布 Cosmos 3 四个开源世界模型检查点

    NVIDIA 在 Cosmos 世界模型平台下新增四个 Cosmos 3 开源权重检查点，均为 Cosmos 3 Nano 的后训练版本，含 16B 可训练参数，采用 OpenMDW1.1 许可，允许商用与非商用。

    推荐理由: 原文给出四个开源权重检查点及四阶段后训练配方，读者可据此判断如何把世界模型适配到自有传感器与机器人本体。

  6. The Decoder70

    腾讯发布 Hy4 模型，首次支持图像理解与电脑操作

    腾讯发布 Hy4 模型，首次具备图像理解能力，并能自主操作 Blender、CAD 等软件，权重将在稍后未定日期开放，目前仅通过腾讯云、OpenRouter 和元宝等应用提供。

    推荐理由: 腾讯 Hy4 首次加入图像理解与电脑操作能力，第三方评测与官方说法存在差距，可对照看开放权重模型的真实位置。

11月4日周三
10月30日周五
  1. IT之家 · AI78

    小米开源 0.8B 文档理解模型 Xiaomi-OCR-0，支持 Markdown 与 JSON 输出

    小米开源轻量级文档理解模型 Xiaomi-OCR-0，参数规模 0.8B，权重与推理代码已上线 Hugging Face 和 GitHub，单一模型覆盖文档解析、关键信息抽取与 OCR 视觉问答三类任务。

    推荐理由: 0.8B 参数在 OmniDocBench v1.6 上位列总榜第二，且权重、MCP 服务与 Skill 工具包一并开放，可据此判断小模型做文档解析的边界。

10月29日周四
  1. Hugging Face Blog85

    Mistral Large 4（Le Chonk）在 Hugging Face 发布

    Mistral 发布多模态 MoE 模型 Mistral Large 4（Le Chonk），约 1T 总参数、49B 激活参数，上下文窗口 1M tokens，提供 FP8 与 NVFP4 两个官方版本，另有 Unsloth 和 llama.cpp 团队制作的 GGUF。

    推荐理由: 原文给出 1T 总参数、49B 激活的 MoE 多模态模型在网络安全与编码基准上的具体分数，并附本地与端点部署实测吞吐。

相关主题

Agent 智能体116 本月开源生态76 本月部署工程62 本月安全对齐56 本月推理能力37 本月数据与训练31 本月

词典中的相关词条

Hydrogen-1.01 篇相关报道Mistral Large 43 篇相关报道