多模态大模型真能同时“说话”又“画画”吗？_服务软件

1. 「Github一周热点105期」Rust 版openclaw，本地语音克隆工具，Qwen3.5， AI 渗透测试系统和精美源码图片生成工具

2. #千问发布QwenImage2.0#重磅消息！千问今天发布了新一代图像生成模型Qwen-Image-2.0，这是千问首次将图像生成与编辑功能统一到一个模型中，生成的图更加质感细腻、文字写作理解能力也更强，用户用起来也更加便捷高效！那么你肯定会问Qwen-Image-2.0到底强不强？在权威第三方评测AI Arena中：Qwen-Image-2.0文生图得分1029，排名第三！图像编辑得分1034分，全球第二，仅次于Nano Banana Pro。强烈建议大家去体验其强大的多场景创作能力，一定会发现很多惊喜的！

3. 海外华人15人团队打造，统一理解与生成的图像模型，超越Nano banana登顶图像编辑

4. 深扒GPT Image 2：疑似“吞”下了GPT-4o，OpenAI没把它当“生图”模型训练

5. #LMArena图像生成排行更新：Gemini 3 Pro（2K预览版）登顶#2025年12月4日，AI竞技场LMArena最新排行榜显示，Google DeepMind推出的Gemini 3 Pro 2K分辨率预览版（社区戏称“Nano Banana Pro”）在图像生成与编辑类别中大幅领先。具体数据：- 文本到图像（Text-to-Image）子项：Elo分数提升8分，跃居第一；- 图像编辑（Image Editing）子项：Elo分数提升10分，位列榜首；- 整体图像相关总排名：首次超越此前的领先模型。此次测试采用统一2K分辨率基准，主要得益于模型在细节保留、纹理真实度和复杂指令遵循上的显著进步。社区投票中，该模型以一张高分辨率香蕉图片为代表作获得广泛关注。目前该版本仍为预览阶段，Google DeepMind尚未公布4K正式版上线时间。LMArena图像排行将在后续继续追踪各模型在更高分辨率下的表现。

6. 人人免费出大片！豆包Seedance 2.0实测对比+解析！

7. 硅谷《连线》杂志：性能顶级的 GPT-5们，正在输给一个中国开源模型#连线杂志 #AI #千问 #Qwen #千问恐慌

8. Google 放大招！Gemini 3.1 Pro 正式发布，推理能力翻倍！免费使用方法来了 | 零度解说

9. 以前拍片烧几百万，现在只需说几句话？剪映Seedance 2.0有多逆天？#AI新星计划 #科技改变生活 #Seedream #Seedance2.0#玩个很新的东西

10. Meta的秘密项目居然偷师千问？偷早啦！千问发布旗舰推理模型Qwen3-Max-Thinking#Qwen3 #千问 #科技改变生活 #AI新星计划 #玩个很新的东西

11. 当 QueenWen 遇见 Qwen，这不仅是名字上的“命中注定”，更是中国力量在各自领域的顶峰相见。这一次，阿里千问要展示的不仅是全球领先的模型硬实力，更是真正能自主办事、打通全生态的超级助理时代 #郑钦文阿里千问全球代言人 #千问AI #中国AI

12. 盘点一周AI大事(5月3日)｜Google上线AI口语陪练 Google IO即将发布Gemini 4和Veo 4 Gemini上线原生文件生成 Google推出AI衣柜 Google翻译上线AI口语陪练 Claude 接入50多款创作软件，能直接操作Photoshop修图、做海报，接管Blender建模，用Ableton创作音乐英伟达开源全模态模型Nemotron 3 Nano Omni 研究员训练出复古大模型talkie KAIKAKU发布食品大模型Epicure 研究员开源突破性智能体协作框架Recursive MAS Moonlake上线Blender智能体Moonlake 3D Agent #前沿科技趋势发布月 #AI新星计划 #AI #AIGC #大模型

13. #千问Qwen3.5大模型发布#刚刚阿里正式发布全新一代大模型千问Qwen3.5-Plus。用户可在千问APP、千问PC端体验，点击页面顶部千问图标，即可切换模型，体验Qwen3.5-Plus。Qwen3.5已经从纯文本模型进化到原生多模态模型，不管是推理能力，还是多模态理解与更高效的运行体验#how i ai##过个有ai年#

14. 阿里开源 Qwen3.5-Plus！三千行代码一次生！超强性能超低价格

15. 零成本跑最强AI！Gemma 4手机本地部署（支持离线+多模态）安卓、iPhone全搞定！ | 零度解说

16. #科技先锋官# 机器人与实时视觉正成为全球AI技术竞争的核心赛道，各大巨头纷纷加码布局，通过多模态融合、本地智能升级、感知体系革新等创新方向。这一突破重构了机器人的环境交互能力，更拓宽了AI在工业、服务、创意等多场景的应用边界。谷歌DeepMind的创新极具颠覆性，其发布的Gemini Robotics On-Device实现关键突破，成为首个可在机器人本地独立运行的视觉-语言-动作模型。该模型摆脱云端依赖，通过多模态Transformer架构深度融合视觉感知、语言理解与动作规划，响应延迟降至毫秒级，弱网环境下任务完成率超95%，仅需50-100次演示即可让机器人掌握新技能，大幅降低部署成本。OpenAI则通过o3/o4-mini多模态模型强化视觉推理能力，实现带图思考的全新范式，能将图像融入思维链，在医学影像分析、图表解析等场景展现出精准的视觉理解与决策能力。腾讯鸿元发布HY-Motion 1.0模型，聚焦高质量3D动作生成，为机器人实时动画、虚拟人交互提供核心技术支撑；智谱与华为联合推出的GLM-Image多模态模型，在图像生成与编辑领域实现突破，适配国产算力底座。行业层面，DA3通用三维视觉模型、OpenTau开源训练平台等技术的涌现，正推动机器人视觉从多模型适配走向统一化、轻量化，为产业规模化落地奠定基础。#AI生活指南##一条vlog回顾2025##AI创造营# 种斌Marco的微博视频

17. #千问Qwen3.5大模型发布# 就在刚刚，千问又发布了新一代大模型Qwen3.5-Plus！别的不说，大过年的发版本，这个团队就是“疯子”，应该加鸡腿～！只为努力把最好的产品带到这个世界，发出中国人自己的声音，就凭这一点，这个团队就真的很棒，产品值得期待！千问3.5已经从纯文本模型“进化”到原生多模态模型！不管是推理能力，还是多模态理解与更高效的运行体验，都变得更加强大，用户现在可以在千问APP、千问PC端体验，点击页面顶部「千问」图标，即可切换模型，直接体验Qwen3.5-Plus。#HOW I AI##过个有AI年# 春节期间吃饱喝足了，赶紧体验一波吧！大模型在卷，咱们也要“卷”起来～哈哈哈

18. 除夕夜，国产顶流压轴上线，QWEN3.5多模态开源！

19. #Google DeepMind 最新力作：Nano Banana 2 🍌正式登场，将专业级图像生成能力与闪电速度完美结合#北京时间2026年2月26日，Google 在官方博客正式宣布推出 Nano Banana 2 —— 这款被誉为“迄今为止最佳图像生成与编辑模型”的新一代 AI 图像工具。Nano Banana 2（内部代号 Gemini 3.1 Flash Image）将 Nano Banana Pro 的高级智能与 Gemini Flash 的极致速度融为一体，为用户带来前所未有的高效创作体验。#从病毒级爆款到全面进化#还记得2025年横空出世的 Nano Banana 吗？这款以“🍌”为标志的图像生成模型迅速在全球走红，尤其在印度等市场掀起创作狂潮，用户们用它生成了数以百万计的奇思妙想图像。随后推出的 Nano Banana Pro 进一步提升了画质、细节和指令遵循能力，成为专业级用户的首选。而今天的 Nano Banana 2，则是 Google 对这两大优势的一次“终极融合”：- Pro 级的世界知识与推理能力：继承 Nano Banana Pro 的强大视觉理解与真实世界知识，能根据实时网页搜索信息生成更准确、更符合现实逻辑的图像。- Flash 级的极致速度：生成与迭代速度大幅提升，用户几乎可以实现“边想边改”的流畅体验。- 主体一致性大幅升级：可在同一工作流中保持高达5个角色的连续性，以及14个对象的细节保真，非常适合故事板、分镜、品牌资产批量生成等场景。- 精细创意控制：支持精确的镜头角度、光影变换、氛围切换、焦点调整，甚至从512px一键升至4K分辨率。#融入 Google 生态，即刻可用#Nano Banana 2 已开始逐步向全球用户推送，目前可在以下场景直接体验：- Gemini 应用：点击“🍌 Create images”入口，选择 Fast / Thinking / Pro 模式，即可调用 Nano Banana 2。新推出的模板功能让小白用户也能快速上手。- Google 搜索 AI 模式：结合搜索结果的世界知识直接生成相关图像。- Google Ads 与 Flow：帮助广告主与创作者高效产出高质量视觉素材。- Google AI Studio：开发者可以通过 Gemini API 大规模调用 Nano Banana 2，性价比极高。Google 同时强调，Nano Banana 2 生成的所有图像均嵌入 SynthID 数字水印，并支持 C2PA 内容凭证，方便后续追踪与辨识 AI 生成内容，展现了其在负责任 AI 上的持续投入。Nano Banana 系列从一个有趣的彩蛋功能，逐步成长为 Google AI 图像赛道的旗舰产品。如今 Nano Banana 2 的到来，再次证明了“又快又强”不再是鱼与熊掌的选择题。无论你是想要几秒钟出一张高质量壁纸的普通用户，还是需要批量产出一致性角色与场景的专业创作者，Nano Banana 2 都值得立即更新体验。想现在就试试？打开 Gemini App，点开图像创作工具，看看这个“香蕉”还能带来多少惊喜吧～（数据与特性来源于 Google 官方博客及相关产品页面，实际体验以最新版本为准）

20. 人工智能通识课：多模态大模型

21. 【#谷歌推出最新图像模型#】#谷歌NanoBanana2# 2月27日，谷歌推出最新图像模型Nano Banana 2，为新款Flash模型带来高保真图像生成与更快速、更先进的编辑功能；将在谷歌旗下各产品中逐步上线。将于3月23日在谷歌营销平台推出Gemini Advantage。(财联社)

22. Nature | 统一的多模态学习模型

23. GPT5.2亮点解读，OpenAI重夺年度最强 OpenAI甩出王炸GPT5.2，核心基准测试，全面碾压Gemini 3 Pro和Claude Opus4.5，强势夺回地表最强奥特曼放话GPT5.2不仅是最强通用大模型，还要成为你日常办公的AI合伙人亮点1、最强视觉能力亮点2、最强上下文亮点3、最强办公能力亮点4、最强编程能力 #AI新星计划 #抖音知识年度大赏 #人工智能 #OpenAI #大模型

24. 多模态大模型这条赛道，阿里云开始拉速度了

25. Gemini Omni是视频版的NanoBanana？谷歌目前正式推出的Gemini Omni，告诉我们AI不再是之前单一交互的状态了，语音、图像、文本，作为“从任何输入创造任何输出”的全能模型的第一步———Gemini Omni，能够实现从任何输入创造视频。该说不说，我觉得短视频行业又会有大震动了 #ai创造营##微博兴趣创作计划##谷歌推出geminiomni#

26. 【阿里Qwen3.5-Plus/Qwen3.5-397B-A17B新模型上线】财联社2月16日电，阿里今天下午在chat.qwen.ai页面上线了Qwen3.5-Plus和Qwen3.5-397B-A17B两款新模型。Qwen3.5-Plus定位为Qwen3.5系列最新大语言模型，Qwen3.5-397B-A17B定位则是Qwen3.5开源系列旗舰大语言模型。两款模型均支持文本和多模态任务。

27. 独家｜VUI Labs宇生月伴完成数千万元天使+轮融资，同创伟业领投，打造行业领先的情感语音大模型和多模态Agent

28. 刚刚，智谱开源GLM-4.6V系列模型啦~GLM-4.6V系列型号包括两个版本：GLM-4.6V (106B)，一个为云端和高性能集群场景设计的基础模型，以及GLM-4.6V-Flash (9B)，一个针对本地部署和低延迟应用优化的轻量化模型。GLM-4.6V在训练中将其上下文窗口扩展到128k个token，并在同类参数规模的模型中实现了视觉理解的最先进性能。最关键的是，我们首次集成了原生的函数调用功能。这有效地弥合了“视觉感知”和“可执行动作”之间的鸿沟，为现实世界商业场景中的多模态智能体提供了统一的技术基础。GLM-4.6V 引入了几个关键特性：🌟原生多模态功能调用：实现了原生的视觉驱动工具使用。图像、截图和文档页面可以直接作为工具输入，而无需文本转换，同时视觉输出（如图表、搜索图像、渲染页面）会被解释并融入推理链条中。这闭环了从感知到理解再到执行的过程。🌟交错图文内容生成：支持从复杂的多模态输入中创建高质量的混合媒体内容。GLM-4.6V 处理多模态上下文—涵盖文档、用户输入和工具检索的图像—并合成与任务相关的连贯交错图文内容。在生成过程中，它可以主动调用搜索和检索工具来收集和策划额外的文本和视觉素材，生成丰富、视觉化的内容。🌟多模态文档理解：GLM-4.6V 能处理最多128K个标记的多文档或长文档输入，直接将富格式页面作为图像进行解读。它可以共同理解文本、布局、图表、表格和图形，从而准确理解复杂、以图像为主的文档，而无需将其先转换为纯文本。🌟前端复刻与视觉编辑：从 UI 截图重建像素级准确的 HTML/CSS，并支持自然语言驱动的编辑。它通过视觉检测布局、组件和样式，生成干净的代码，并通过简单的用户指令应用迭代的视觉修改。#科技先锋官#

29. Seedance 2.0：说中国话的最强AI视频模型！

30. “源神”的新年贺礼！深度实测Qwen3.5，原生多模态表现如何

31. Z-Image 遇到对手了！Qwen-Image-2512 正式开源：本地无限生图，效果更逼真！

32. 完了，我做的这只猫开始监视我了…【AI桌宠开源】

33. 如何看待最新发布的国产统一多模态大模型让P视频像P图一样简单？未来的视频制作产业会发生什么变化？

34. 谷歌 Nano Banana 2 发布，标志图像生成从「艺术创作」到「工业化生产」，这将带来哪些变革？

35. 阿里发布新一代全模态大模型Qwen3.5-Omni。采用混合注意力MoE架构，通过1亿小时音视频+文本跨模态预训练。原生支持113种语言识别（含毛利语等濒危语种）和36种语音生成。创新ARIA语音技术实现音色稳定，对话响应延迟降低至人类感知无差别水平。核心突破: 视听理解:在DailyOmni等215项基准测试中全面超越Gemini 3.1 Pro ，嘈杂环境语音识别错误率下降42%（WenetSpeech基准）视频内容结构化描述准确率达98.1%（RealWorldQA测试）。 Vibe Coding进化:非预设能力，在百万级多模态指令微调中自然涌现。普通用户可前往Qwen Chat免费体验，开发者和企业可通过阿里云百炼平台调用Qwen3.5-Omni模型Plus、Flash、Light三种API。

36. 最强多模态大模型Gemini 3 Pro强在哪里？

37. 商汤SenseNova U1：原生多模态统一模型的范式革命

38. 你的Ai视频为何总比别人差一点？你希望通过提示词来提高画面质量，但问题在于，无法控制生成过程，就无法控制结果，用RHTV可以直接解决这些问题 #runninghub、#rhtv#aigc#ai视频#ai视频剪辑

39. #阿里新一代模型Qwen3.5曝光#中国大模型“疯狂2月”的重要一环阿里新一代大模型Qwen3.5曝光了，看了一下，Qwen3.5采用全新架构，支持原生视觉理解能力，可直接处理图像等多模态输入，并且在逻辑推理、数学计算及代码编写能力上具有显著突破，这波是国产大模型全球竞争力再次迎来强化呀。

40. Qwen3.5 开源王炸！多模态性能屠榜，本地部署 + OpenClaw 实战全流程！|零度解说

41. Qwen3.6-Plus 太猛了！免费+百万上下文+Agent，多模态能力直接拉满！| 零度解说

42. OmniLottie，复旦及阶跃星辰等单位的研究成果。该研究提出了首个Lottie表征的矢量动画生成工具，只需要用户输入一张图片或一个指令就能生成矢量动画。下为作者介绍：Omnilottie：矢量动画的全新范式🎉 欢迎关注我们团队的新工作 OmniLottie，已被 CVPR 2026 接收！这是我们在矢量动画生成方向的一次全新探索，首次用大模型直接生成 Lottie 格式动画。和传统视频生成不同，Lottie 是前端原生的矢量格式：体积超小、无损缩放、还能直接编辑修改。💡 核心贡献：- 🧩 设计了一套 Lottie Tokenizer，将复杂 JSON 动画压缩到大模型可学习的粒度（约 10 倍压缩！）- 🎨 支持文本 / 图片 / 视频多模态输入，端到端直出可用的 Lottie- 📦 构建了 MMLottie-2M 数据集——200 万条多模态动画数据- 🚀 全面开源：模型权重 / 推理代码 / 数据集 / Benchmark / 在线 Demo#How I AI#

43. Lance 把图像与视频的理解、生成和编辑全部融合进一个 3B 活跃参数的原生统一多模态模型，真正做到「一套框架」搞定。不仅支持高质量文生图、文生视频，还能进行图像/视频编辑与多模态理解，性能直逼更大模型。GitHub：github.com/bytedance/Lance Hugging Face：huggingface.co/bytedance-research/Lance主要功能：- 3B 活跃参数，原生统一框架，支持图像/视频理解、生成、编辑- 文生图、文生视频、图像编辑、视频编辑一键完成- 多轮一致性编辑与智能视频生成，效果出色- 支持图像/视频问答、详细描述等理解任务- 提供 Gradio Demo 与完整推理脚本，开箱即用支持本地运行（需 ≥40GB VRAM），同时已有 MLX 社区移植版本可在 Apple Silicon 上运行。

44. 在线模型推理部署经常遇到多模态模型支持复杂，性能难以优化的问题。vLLM-Omni 基于高效的 KV cache 管理和流水线执行，专为支持包括文本、图像、音频、视频等多模态输入的模型设计，轻松实现异构模型推理和服务。它不仅兼容主流 Hugging Face 开源模型，还支持分布式推理、多阶段流水线调度、流式输出和 OpenAI 兼容接口，极大提升多模态模型在线推理的效率和灵活性。GitHub: github.com/vllm-project/vllm-omni主要功能：- 支持多模态数据（文本、音频、图像、视频）处理与生成；- 支持非自回归架构如扩散模型，实现高效的并行生成；- 基于 KV cache 优化自回归模型推理性能；- 异构流水线抽象，管理复杂多阶段模型工作流；- 分布式推理支持，涵盖张量并行、数据并行和专家并行；- 开箱即用的 OpenAI 兼容 API 服务器，方便集成；- 支持主流平台（CUDA/ROCm/NPU/XPU），广泛适配多硬件环境。适合AI开发者、研究人员和企业级应用场景的多模态AI模型推理部署。#AI开发# #多模态模型# #机器学习#

45. Flova接入Seedance 2.0，一句话就能生成电影级视频及短剧

46. 自动化所 × 小米！MeanFuser：极速单步多模态轨迹生成，纯规划434FPS（CVPR'26）

47. 400 tokens/s 的多模态模型？ Step 3.7 Flash 实测。

48. 如何评价 DeepSeek 刚刚上线的多模态「识图模式」？

49. 面向实战的多模态数据生成与表征技术创新

50. 盘点一周AI大事(5月17日)｜AI终于正常说话 Google发布Android大脑 Gemini Intelligence Google推出Gemini 光标 Google视频模型Veo 4曝光 Thinking Machines 发布最强实时交互模型 Interaction Models 面壁智能发布最强开源小模型 MiniCPM-V 4.6 Sakana开源 AI 指挥官 Conductor Model / Fugu Adaption发布 AI 研究员 AutoScientist 研究员开源最强运镜视频模型 Warp-as-History 研究员开源最强打光视频模型 Relit-LiVE 研究员开源最强图生 3D 模型 Pixal3D 研究员开源最强视频配音模型 Just-Dub-It #前沿科技趋势发布月 #AI新星计划 #AI #AIGC #大模型

51. 盘点一周AI大事(12月21日)｜谷歌手撕OpenAI OpenAI 上线最强图像模型GPT Image 1.5 OpenAI发布最强编码模型GPT-5.2-Codex Google发布 Gemini 3 Flash Google开源A2UI协议微软开源最强3D模型TRELLIS 2 阿里开源分层编辑图像模型Qwen-Image-Layered 阿里发布Veo 3平替Wan2.6 字节发布Veo 3平替Seedance 1.5 pro 腾讯开源首个实时交互世界模型WorldPlay 研究员开源照片重新对焦Genfocus Pipeline 研究员开源实时换脸视频模型PersonaLive Meta开源最强声音分割模型SAM Audio #抖音知识年终大赏 #AI新星计划 #OpenAI #AIGC #前沿科技趋势发布月

52. 8G 显存逆天了！竟能跑 35B AI 大模型！多模态 + N/A/Intel 全适配，附最新部署教程！｜零度解说

53. Google 放大招！Gemini in Chrome 抢先开启，AI Agent 可自动浏览网页完成任务！| 零度解说

54. GPT-6即将发布，拨乱反正，重回超大模型

55. 北大王选所彭宇新团队：让多模态大模型学会「看懂物种关系」丨CVPR 2026

56. 北交&地平线提出DIVER：扩散+强化的多模态规划新框架

57. 在线设计创作要用多工具切换，既麻烦又效率低。开源项目 MeiGen-AI-Design-MCP，让 Claude Code / OpenClaw 变身为本地顶级设计助手，整合 Local ComfyUI，本地离线生成，拥有 1,400+ 专业提示库，支持多方向并行批量创作。主要亮点：- 本地 ComfyUI 支持，数据和计算全部自己掌控，无需外部 API；- 丰富的 1,300+ 优化提示模板，自动将需求转化为高质量图像指令；- 并行批量生成，最高效产出多张风格迥异的设计图；- 支持参考图像上传，结合图像与提示实现精细定制；- 配合 Claude Code、OpenClaw 一键集成，使用极简；- 云端与本地多接口支持，覆盖多种生成引擎选择；- 免费且 MIT 开源，可商用无忧。GitHub：github.com/jau123/MeiGen-AI-Design-MCP适合 AI 设计师、数字艺术创作者和开发者，想自定义高效生成工作流的必备神器！#AI创造营##人工智能#

58. 如何正确使用知乎？

59. ML：多模态数据集的基本结构

60. OpenAI发布三款实时语音模型：支持推理对话、实时翻译与实时转录

61. 如何看待最新发布的国产统一多模态大模型让P视频像P图一样简单？未来的视频制作产业会发生什么变化？

62. SenseNova U1开源：8B参数原生统一多模态模型

63. #千问又上新了#阿里Qwen3.5-Plus杀疯了！3970亿参数却只激活170亿，显存省60%、速度飙19倍，性能直接超越GPT-5.2。原生多模态+超级Agent，能自主操作设备完成复杂任务，API成本更是低到Gemini 3 Pro的1/18，国产大模型这波直接起飞🚀

64. 市值近600亿，大模型公司上市了！ #AI #智谱ai

65. Qwen3.6“越狱”了！目前最强无审查开源模型！支持本地 Agent，6G 显存都能跑！附部署教程｜零度解说

66. 半夜，小米大模型团队发布小米全模态Agent基座大模型 MiMo-V2-Omni“MiMo-V2-Omni 专为现实世界中复杂的多模态交互与执行场景而生。从底层构建了融合文本、视觉、语音的全模态基座，并以统一架构将“感知”与“行动”深度绑定。这不仅打破了传统模型“重理解、轻执行”的局限，更让模型原生具备了多模态感知、工具调用、函数执行及 GUI 操作能力。”“MiMo-V2-Omni 可无缝接入各种 Agent 框架，实现了从理解到操控的跨越，大幅降低了全模态 Agent 的落地门槛。”“在正式发布之前，我们将一个早期测试版本以「Healer Alpha」为代号匿名上架 OpenRouter，没有任何宣传，纯粹让模型能力说话。结果调用量自然攀升至平台前列，并在 OpenClaw 测评榜单 PinchBench 上拿下均分第一，用户和基准双双给出了同一个答案。” “我们还与金山办公合作，将 MiMo-V2-Omni 接入 WPS Office，探索全模态智能体模型在日常生产力场景中的表现。”

67. LeCun的JEPA已进化为视觉-语言模型，1.6B参数比肩72B Qwen-VL

68. 亚秒级图像生成：Black Forest Labs 开源全新 FLUX.2 [klein] 模型

69. 如何评价 DeepSeek 刚刚上线的多模态「识图模式」？

70. ICML'26 | 复旦新作OneTrackerV2：多模态视觉跟踪大一统！

71. 【#千问上线新模型#】3月30日，阿里千问宣布全模态大模型Qwen3.5-Omni上线。Qwen3.5-Omni系列包含Plus、Flash、Light三种尺寸的Instruct版本，支持256k长上下文，模型支持超过10小时的音频输入及超过400秒的720P(1FPS)音视频输入。模型在海量文本、视觉以及超过1亿小时的音视频数据上进行原生多模态预训练，该模型展现出卓越的全模态感知与生成能力。相比Qwen3-Omni,Qwen3.5-Omni多语言能力大大增强，能够支持113种语种和方言的语音识别和36种语种和方言的语音生成。（财联社）

72. 【#全球用户涌入中国AI视频生成模型#AI“技术平权”加速：#1人剧组时代或将来临#】近日，字节跳动正式上线新一代视频生成模型Seedance2.0，并接入旗下生成式AI创作平台即梦以及豆包App。这款视频生成模型发布后，凭借逼真的画面效果与简易的创作方式迅速走红。用户只需要输入简单的文字、图片或者视频素材，就能生成几秒甚至十几秒的视频。在海外社交平台上，美国企业家埃隆·马斯克转发演示并评论称，这一模型“进展太快”。业内人士介绍：“每天都有很多用户来体验，甚至有很多外国朋友自带翻译软件来学习怎么用。”一些外国用户在实测后也惊叹，该模型能够彻底改变电影制作。据了解，Seedance2.0在训练阶段就用了大量东方美学的素材，而且它在镜头语言的控制、复杂的交互呈现上也有非常强的能力。宋东桓是一名AIGC内容创业者，近日他也在测试Seedance 2.0，并已将它应用于电商短视频制作。在他看来，与此前的模型相比，Seedance 2.0在连续分镜生成、语音还原、表情演绎、动作控制以及镜头调度等方面都有明显提升。过去的AI影视仍需要进行剪辑和配音等后期环节，如今不少流程都可以一次性完成。多位业内人士表示，AI视频生成技术的升级正在加速“技术平权”。“也许我们能一天做出一个90分钟电影来。”业内分析认为，AI视频生成模型的升级，将进一步推动AI漫剧、短剧以及互动影视等细分领域加速发展，尤其是漫剧市场规模有望实现快速增长。清华大学新闻与传播学院人工智能学院双聘教授沈阳：“一人公司、一人剧组慢慢会成为一个潮流。”#中国AI改变电影制作让老外惊叹# http://t.cn/AXtJDEhr

73. 字节跳动AI生成3D模型新突破，Seed3D 2.0发布

74. 大疆Pocket4自费无广评测！买个der？对比Pocket3、iPhone17Pro【新评科技】

75. 实测MiniMax M3：多模态跑长程，比 M2.7 强太多

76. 1000多最强影像！vivo S20 Pro 使用体验

77. 【华为昇腾 0 Day 适配阿里 Qwen3.5，MindSpeed MM 框架实现 " 开箱即用、快速迭代 "】阿里在 chat.qwen.ai 页面低调上线了 Qwen3.5-Plus 和 Qwen3.5-397B-A17B 两款新模型（均支持文本和多模态任务）。Qwen3.5 Plus 定位为 Qwen 3.5 系列最新大语言模型；Qwen3.5-397B-A17B 定位则是 Qwen3.5 开源系列旗舰大语言模型。华为计算官方昨晚宣布，Qwen3.5 模型一经开源发布，昇腾 0 day 实现基于 MindSpeed MM 在 Atlas 800 A3、Atlas 900 A3SuperPoD 上的训练复现，同时也支持基于 vLLM-Ascend 和 SGLang 在 Atlas 800 A2、Atlas 800 A3 上的高效推理部署。据介绍，基于 FSDP 训练后端的设计，MindSpeed MM 框架大幅缩短了新模型的适配周期，实现了 " 开箱即用、快速迭代 " 的开发体验，为多模态大模型的研究与应用提供了技术支撑。另据阿里云介绍，Qwen3.5 实现了底层模型架构的全面革新，其中，Qwen3.5-Plus 版本总参数为 3970 亿，激活仅 170 亿，性能超过万亿参数的 Qwen3-Max 模型，部署显存占用降低 60%，推理效率大幅提升，最大推理吞吐量可提升至 19 倍。Qwen3.5 在能力、效率与通用性三个维度上推进预训练：能力（Power）：在更大规模的视觉-文本语料上训练，并加强中英文、多语言、STEM 与推理数据，采用更严格的过滤，实现跨代持平：Qwen3.5-397B-A17B 与参数量超过 1T 的 Qwen3-Max-Base 表现相当。效率（Efficiency）：基于 Qwen3-Next 架构 —— 更高稀疏度的 MoE、Gated DeltaNet + Gated Attention 混合注意力、稳定性优化与多 token 预测。在 32k/256k 上下文长度下，Qwen3.5-397B-A17B 的解码吞吐量分别是 Qwen3-Max 的 8.6 倍 / 19.0 倍，且性能相当。Qwen3.5-397B-A17B 的解码吞吐量分别是 Qwen3-235B-A22B 的 3.5 倍 / 7.2 倍。通用性（Versatility）：通过早期文本-视觉融合与扩展的视觉 / STEM / 视频数据实现原生多模态，在相近规模下优于 Qwen3-VL。多语言覆盖从 119 增至 201 种语言 / 方言；25 万词表（vs. 15 万）在多数语言上带来约 10–60% 的编码 / 解码效率提升。vllm 部署指导可参见魔乐社区和 gitcode 社区链接：网页链接网页链接SGLang 部署指导可参见 SGLang 社区链接：网页链接

78. 【阿里千问发布全模态大模型 Qwen3.5-Omni】阿里云正式发布新一代全模态大模型 Qwen3.5-Omni，在音视频理解、识别、交互等 215 项第三方测试任务中取得 SOTA，成为目前全球最强的全模态大模型之一。关键数据 1：支持 113 种语言及方言的语音识别，36 种语言及方言的语音生成；关键数据 2：可处理超 10 小时音频输入，自然涌现“音视频编程”能力（口述需求直接生成代码）；时间 / 价格：用户可于 Qwen Chat 免费体验，企业可通过阿里云百炼平台调用 API。从“多模态理解”到“音视频编程”，Qwen3.5-Omni 将 Vibe Coding 推向新阶段，大模型正从“对话工具”进化为“跨模态生产力平台”，加速渗透影视制作、内容审核等高价值场景。#阿里千问 #Qwen3.5 #全模态大模型 #AIGC#

79. 盘点一周AI大事(4月19日)｜Claude终结设计 Anthropic上线Claude Design，接管整个设计流程 Anthropic上线最强编码模型Claude Opus 4.7 OpenAI内测下一代图像模型GPT-Image-2 OpenAI升级Codex，全面对标Claude Code Heygen开源视频制作技能包HyperFrames Quiver上线最强矢量图模型Arrow 1.1 Adobe发布重新打光图像模型TokenLight 字节开源数字人模型OmniShow 阿里开源开放世界模型Happy Oyster 研究员开源最强3D动画模型AniGen Gemini上线最强语音合成模型Gemini 3.1 Flash TTS Meta研发出神经计算机Neural Computers #前沿科技趋势发布月 #AI新星计划 #AI #AIGC #大模型

80. 权威评测平台SuperCLUE-VLM发布2025年12月多模态视觉语言模型综合榜单，谷歌 Gemini-3-Pro 以83.64分“断层式”领跑，看来多模态这块依然是谷歌的绝对统治区。但国产模型的追赶速度肉眼可见：商汤SenseNova拿下第二，字节豆包冲进前三，基础认知能力甚至不输国际巨头。特别值得一提的是阿里的 Qwen3-VL，作为首个总分破70的开源模型，绝对是国内开发者的福音。反倒是 GPT-5.2 这次表现平平，竟然没上70分。#AI#

81. Google Nano Banana 2 vs ByteDance Seedream 5.0 Lite: 哪个 AI 图像生成器更好？ | Jose Antonio Lanz

82. 【#Seedance后又有模型超国外AI了##国产AI高管回应超越OpenAI#】日前，数坤科技医疗多模态大模型V3在MedBench拿下综合排名第一，超过OpenAI、谷歌、Meta等大模型。对于此次模型登顶，数坤科技 CTO 郑超回应称，大模型在评测榜单上的得分越高，越能说明其在医疗领域的应用能力更接近临床医生水平。（凤凰网科技）凤凰网科技的微博视频

83. #豆包大模型2.0将发布#豆包视频生成模型Seedance升级要点：复杂交互和运动生成可用率高，业界最佳级别；多模态能力全面，支持音、视、图全模态输入；可控性强，指令遵循表现好；深度适配影视、广告及营销场景，输出质量对齐工业交付标准。

84. 图解大模型，第十二章

85. 对话未来——GPT-4o响应仅需 320ms，这个“全能”模型让机器第一次有了“人情味”

86. ChatGPT多模态技术拆解

87. GPT 语音大模型，已经开始从会说话走向能干活

88. GPT-4o如何通过端到端训练实现多模态交互低延迟？

89. OpenAI 宣布推出全新旗舰人工智能模型 GPT-4o

90. GPT-4o多模态整合如何革新AI交互？

91. GPT-Image-2技术原理深度解析

92. GPT-4o推理能力深度拆解

93. 第十五章让AI学会看和听

94. 阿里千问 Qwen3.5-Plus 正式发布！原生多模态大模型开启 AI 新纪元

95. 通义千问Qwen 3.5

96. Gemini 开始生成“可交互图像”

97. 对话之外

98. 一个模型搞定文字语音图像生成

99. 【大模型面试必知必会 1】Qwen 多模态大模型全系列演进深度拆解

100. 多模态大模型paper整理（十） Qwenvl 3

101. Qwen3-VL

102. Qwen3-VL架构解析

103. 【完结】多模态与视觉大模型开发实战 - 2026必会

104. 字节跳动开源Lance

105. 字节 Lance 模型

106. 【更新中】多模态大模型前沿算法与实战应用

107. 看草图直出代码！实测智谱最新多模态Coding模型

108. ChatGPT多模态技术拆解

109. 多模态与视觉大模型开发实战 - 2026必会

110. 为什么多模态大模型做不了图像视角对比？——从原理角度深度剖析

111. 真正统一的多模态生成来了！用归一化流打通大语言模型和图像生成【多模态大模型】

112. 🚀多模态统一模型居然能理解并生成图像

113. VITA-1.5

114. 人工智能之语音领域语音处理第四章语音与文本、图像的多模态融合应用

115. Game-Time Benchmark

116. 多模态 AI 大模型爆发：2026 年，文字、图片、视频一键生成的时代来了

117. 多模态与模型评测：拓展 AI 的边界

118. 从 ViT 到 Qwen2-VL：多模态大模型架构演进全景指南

119. 多模态大模型（文本 + 图像 + 语音）：技术原理与落地难点

120. 全球AI每日热点3.31丨智谱AI发布GLM-5.1/OpenAI正式上线GPT-4o原生图像生成/阿里千问AI眼镜G1系列开售/腾讯元宝正式入驻微信好友

121. AI算法面试：什么是多模态大模型

122. 10 Qwen2-VL论文解读

123. GPT-4 退出，GPT-4o 上线：这次升级到底改变了什么

124. MIBench：揭示多模态大模型核心交互能力短板

125. 大模型系列，多模态大模型前沿算法与实战应用唐国梁

126. 多模态原生融合如何实现音视频图文的统一理解与生成？

127. 从“跨模态炫技”到“产业实用”多模态大模型真的能落地见效吗？

128. ICLR 2026 论文解读：华为PANDA——0.028亿参数的"AI体检师"，让机器真正"看懂"图片

129. 多模态大模型入门指南（三）Qwen-VL 系列技术演进

130. 【学习】多模态视觉大模型能力及边界梳理

131. AI大模型的能力边界：详解Skills（技能）的三种形态与调用逻辑

132. 多模态大模型前沿算法与实战应用教程

133. AI算法面试题：Qwen-VL训练流程

134. AI系列｜内容生成 + 智能理解：多模态大模型应用

135. 抢先实测豆包1.8模型，多模态Agent超强！

136. AI算法面试：Qwen-VL数据处理与训练过程

137. 通义千问发布最强多模态检索模型 Qwen3-VL-Embedding/Reranker

138. 多模态-10 Qwen-VL

139. 看完这篇再做 AI 产品：大模型与多模态的边界，比你想的更狠

140. Qwen-Image！阿里通义千问团队的图像生成大模型，文字渲染和图像编辑的双双突破

141. GPT-4o更新了，居然能看懂

142. AI知识科普(10)：浅谈多模态大模型

143. 多模态VL大模型-qwenVL系列梳理

144. AI图像生成技术的演进与多模态应用实践

145. CHEERS：生成和理解一体多模态大模型

146. （2025|上海 AI Lab & 南大，图像到图像生成，赋予 DiT“推理”能力，流匹配）DiffThinker：基于扩散模型的生成式多模态推理

147. 顶刊重磅！全域多模态对齐，大模型能力大幅跃升！

148. 多模态大模型研究方向多模态大模型创新点

149. 推理王者 vs 多模态全能手：DeepSeek与通义千问的技术路线对决

150. 实测 20 款多模态模型，情感理解能力仍有巨大短板

151. 从百度「Qianfan-VL·Domain-Enhanced」到「Native」，看多模态大模型的下半场

152. 阿里Qwen3-VL多模态大模型深度解读

153. 推荐阅读 | 协同感知：多任务驱动的自适应多模态情感分析

154. Agno开发教程系列（八）：使用多模态大模型

155. Qwen3-VL-Embedding发布，多模态向量模型

多模态大模型真能同时“说话”又“画画”吗？

精选参考来源