不用训练也能调用多模态大模型？关键在输入构造与任务拆解_服务软件

1. Agent时代，为什么多模态数据湖是必选项？

2. 跨设备文件互传神器，告别数据线！让安卓/Windows/Mac OS/iOS实现“苹果级”互传，跑满带宽，比AirDrop快10倍的神级传输工具！

3. AI都能自己操作3D打印机了！钉钉悟空接入3D打印工作流测试

4. 如何看待阿里开源的Qwen3-VL-Embedding 和 Qwen3-VL-Reranker 模型？

5. 顶级教育资源入场券，谷歌联手斯坦福给全球孩子做的免费AI启蒙神器，带孩子零代码做数据清洗、模型训练、偏见消除 #ai #学习 #谷歌 #斯坦福 #教育

6. 市值近600亿，大模型公司上市了！ #AI #智谱ai

7. 北交&地平线提出DIVER：扩散+强化的多模态规划新框架

8. 小小的也很厉害？这个只有6B参数的开源图像模型把我看傻了

9. AI圈最顶级的一次争吵，理解世界还是堆模型？ #大咖观察 #红衣聊AI #大模型 #人工智能

10. 80多度大电池、800V带快充，只卖20多万的零跑D19值吗 #零跑D19 #零跑汽车 #买车 #电车

11. openai经常把工程范式做进模型颠覆调用范式导致别人的工程要拆掉重写。几次历史节点：1 toolcall 2 多模态 3thinking 这些以前都是可以通过pipeline 和小模型穿起来编排的现在这一代颠覆的恐怕是“多轮对话”这个行为本身

12. #小米大模型#啥？小米大半夜发了3个模型～小米放大招，连发三个模型Xiaomi MiMo-V2-Pro & Omni & TTSXiaomi MiMo-V2-Pro 超1T参数，激活参数42B，上下文1M，混合注意力，混合比例7：1，专为agent而生，Claw榜单上，国内模型第一，见图2。MiMo-V2-Omni 全模态模型，对音频理解，图像理解，视频理解有较高的提升，同时具备了多模态感知、工具调用、函数执行及 GUI 操作能力。可直接接入现有agent框架，限时免费使用一周。Xiaomi MiMo-V2-TTS 语音合成模型，经过上亿小时语音数据的预训练与多维度强化学习，可以进行多粒度语音风格控制。

13. 元戎不止智驾，全面探索物理AI全新赛道。北京车展重磅消息，元戎不但迎来前DeepSeek多模态技术核心大牛阮翀，展示基座模型在智能驾驶领域的最新成果。元戎还跳出单一智驾赛道，在后大模型时代全面布局以基座大模型为内核、多模态感知、舱驾一体驱动等物理AI场景，探索未来出行智能。4月25日北京车展，来一起见证元戎交出的答卷。

14. 在线自动化操作手机和电脑界面太繁琐？试试阿里巴巴的开源项目 Mobile-Agent，一个强大且多平台支持的 GUI 智能体系列。Mobile-Agent 集成了多模态视觉感知与跨平台操作能力，覆盖手机、PC、浏览器等环境。最新的 GUI-Owl 1.5 系列基于 Qwen3-VL 打造，支持桌面和移动端 GUI 自动化，达到 20+ GUI 基准测试的 SOTA 性能，具备高级的上下文记忆、工具调用和长程任务执行能力。项目亮点：- 支持多模态（视觉+语言）输入，理解复杂界面元素；- 跨平台操作涵盖安卓手机、Windows PC及网页版；- 多智能体协同，支持规划、任务管理和动态反思；- 开源模型权重已发布于 HuggingFace，方便试用和二次开发；- 丰富的演示视频覆盖股票查询、文档编辑、机票火车票比价等真实场景；- 提供在线 Demo，无需本地部署即可体验；适合研发人员、AI爱好者、自动化测试工程师使用，助力构建智能交互式自动化系统。GitHub：github.com/X-PLUG/MobileAgent 让 Mobile-Agent 帮你智能操控手机与电脑界面，实现真正意义上的多模态 GUI 自动化！#AI创造营##人工智能#

15. 人工智能通识课：多模态大模型

16. 【#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）

17. 全球大模型第一股，为啥是家中国公司？ #智谱 #智谱上市 #智谱IPO #GLM大模型 #全球大模型第一股诞生

18. 2026英伟达GTC：“推理之王”的ASIC反击战与Token经济学【硅谷101】

19. 模型一换帧率减半！2026年零售机性能大横评【新评科技】

20. 盘点一周AI大事(2月15日)｜王炸视频模型字节正式上线最强视频模型「Seedance 2.0」字节发布最强开源视频模型「Alive」工程师davidohyun开源龙虾女友「Clawra」爆火 Google升级最强推理模型「Gemini 3 Deep Think」智谱发布最强开源大模型「GLM-5」 MiniMax发布最强开源编码模型「M2.5」 Google官宣AI互联网协议「WebMCP」 Claude上线Windows版「Cowork」 Google Stitch炸裂升级千问发布最强开源图像模型「Qwen-Image-2.0」研究员开源最强语音合成模型「MOSS-TTS」研究员推出最强开源音乐模型「SoulX-Singer」研究员开源最强配音模型「Just-Dub-It」 #AI新星计划 #抖音年味新知贺岁 #前沿科技趋势发布月 #AIGC #人工智能

21. #科技先锋官# GPT、Claude 的优势，要被马斯克彻底颠覆！ xAI 发布 Grok-3，直接向主流大模型宣战！算力暴涨 10 倍、20 万块 GPU 加持，推理速度狂飙 2.5 倍，效率碾压同级！新增图像多模态、思维链推理，幻觉率大降 40%，数学编程精准度直线拉满。实时联网、幽默交互，体验感直接甩开对手。一周内还将上线语音交互！自然对话、情绪识别、上下文记忆，彻底告别僵硬指令交互，未来还能打通特斯拉、脑机接口。Grok-3 究竟是王炸还是炒作？看完视频一起聊聊？#过个有AI年##HOW I AI##微博超有用视频大赛##上微博涨知识# 种斌Marco的微博视频

22. 用模型排行榜论输赢？AI竞赛到底在比什么？ #大咖观察 #红衣聊AI #AI #大模型

23. 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

24. 盘点一周AI大事(3月22日)｜OpenAI红色警报字节开源AI超级员工DeerFlow 2.0 英伟达开源Agent安全补丁NemoClaw Okara发布AI CMO Junior开源能雇佣的AI员工Junior 清华开源Agent课堂OpenMAIC MiniMax发布最强开源大模型M2.7 Miro开源最强深度研究模型Miro Thinker H1 Unsloth开源AI训练工具Unsloth Studio Google升级AI Studio和Stitch 阿里开源最强影视配音模型Fun-CineForge Google开源最强视频超分模型Spark VSSR 研究员开源最强数字人模型ID-LoRA 研究员开源首个城市级别的世界模型Seoul World Model #前沿科技趋势发布月 #AI新星计划 #AI #AIGC #OpenAI

25. 「Github一周热点109期」Claude Code被开源, Pretext文本排版引擎, 谷歌最新开源模型和3D建筑编辑器

26. 【2026 AI 开源第一枪！】Qwen Multiangle 多角度一致性，ComfyUI 可控度+1！

27. 如何评价 DeepSeek 刚刚上线的多模态「识图模式」？

28. 如何评价 DeepSeek 刚刚上线的多模态「识图模式」？

29. SenseNova U1开源：8B参数原生统一多模态模型

30. 阿里千问与“AI Layer”崛起：一场重塑互联网的“操作系统”生态战【硅谷101】

31. MiniMax是家什么样的公司 #人均95后的大模型公司上了新闻联播 #minimax #人均95后公司MiniMax登上央视

32. 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

33. 盘点一周AI大事(4月26日)｜OpenAI王炸两连 OpenAI上线下一代大模型「GPT-5.5」 OpenAI全量上线下一代图像模型「GPT-Image-2」 Kimi发布最强开源大模型「Kimi K2.6」 DeepSeek发布了「DeepSeek V4」 Office三件套(Word PPT Excel)全量上线Copilot智能体 Google发布最强深度研究「Deep Research Max」研究员开源AI研究员「ASI-Evolve」 Google发布最强图像分割模型「Google Vision Banana」 LTX开源视频转HDR「LTX HDR LoRA」 ODYSSEY发布最强世界模型「Odyssey-2 Max」字节开源最强3D模型「Seed3D 2.0」工程师研发出最强乒乓球机器人 #前沿科技趋势发布月 #AI新星计划 #AIGC #AI #OpenAI

34. 第二代 VLA 物理 AI 大模型原生多模态赋能，重构智驾决策核心✅ 自动驾驶问题本质上也就是物理 AI 问题，L4能力=模型x算力x数据x本体✅ 以物理 AI 为核心，打造原生多模态基座大模型，深度理解物理世界✅ 实现看、听、读一体化融合，视觉思维链推理效率飙升 32 倍✅ 支持语音、视觉、动作多模态输出，自主推演最优驾驶策略，筑牢舱驾联动底层#小鹏第二代VLA发布##小鹏智驾负责人称拉开差距的时刻到了#

35. 手机的AI可以多强大？联发科用他们的旗舰天玑芯片告诉你：不用联网，在手机本地就能直接运行复杂的多模态大模型！现场他们演示了用智能眼镜配合手机，实现实时的视觉识别和语音对话，反应迅速，而且所有数据都在本地处理，隐私性大大增强。随身AI助手真的要来了。

36. 全网求码的updream，赢在创作者本位

37. 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？

38. 是的，我开发了一个插件，每个知乎创作者都能大幅度提高创作效率拥有无限灵感的插件！

39. 面向实战的多模态数据生成与表征技术创新

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

41. 2026年AI全景预测：迈向百亿智能体时代的20个发展趋势。 #大咖观察 #人工智能 #红衣聊AI #智能体 #AI时代

42. 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

43. 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

44. 你现在最头疼的AI创业问题是啥？ #大咖观察 #创业项目 #红衣聊AI #人工智能

45. 没有API，你在AI世界就不存在？ #大有学问 #红衣聊AI #智能体

46. 盘点一周AI大事(1月4日)｜Google包揽年度最佳模型 LMArena大模型盲选排行榜公布年度冠军 Google推出AI辅助学习系统Learn Your Way 阿里开源最强手机智能体MAI-UI DeepSeek发布新研究mHC IQuest发布最强开源编码模型IQuest-Coder-V1 字节发布动态概念大模型DLCM 腾讯发布最强开源翻译模型HY-MT1.5 阿里更新最强开源图像模型Qwen-Image-2512 Meta开源极速视频生成模型HiStream 研究员开源对象植入模型InsertAnywhere 研究员开源MV智能体AutoMV 腾讯开源3D动作生成模型Hunyuan Motion 1.0 研究员开源高保真3D模型UltraShape 研究员开源世界模型Yume 1.5 #前沿科技趋势发布月 #抖音知识年终大赏 #AI新星计划 #AI #AIGC

47. 高效提示词（prompt）工程指南

48. 除夕夜，国产顶流压轴上线，QWEN3.5多模态开源！

49. 400 tokens/s 的多模态模型？ Step 3.7 Flash 实测。

50. 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。

51. 亚历山大王终于发版了Muse Spark，这是Meta Superintelligence Labs（MSL）的首个模型，通过九个月从头重构AI基础设施、架构和数据管道实现，现已全面驱动Meta AI。Muse Spark为原生多模态推理模型，支持工具使用、视觉思维链和多代理编排；新增Contemplating模式可并行多代理推理，处理复杂科学问题时性能与Gemini Deep Think、GPT Pro相当。模型在预训练、强化学习和测试时推理上展现可预测扩展规律，经过前沿风险、安全对齐和对抗鲁棒性评估，未来将开放私人API预览并计划开源后续版本。

52. B 站下一代多模态数据工程架构的落地实践

53. 【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

54. 盘点一周AI大事(2月22日)｜不赚钱拔网线，龙虾狂赚1万工程师开源龙虾打工人ClawWork，10刀开局，7小时狂赚1万刀工程师Sigil开源首个全自主智能体The Automaton Kimi上线云端龙虾Kimi Claw 网易开源桌面版龙虾LobsterAI Google上线地表最强大模型Gemini 3.1 Pro Gemini接入音乐模型 Lyria 3 NotebookLM升级，动动嘴就能修改PPT，还支持导出PPTX格式 Anthropic发布Claude Sonnet 4.6 Claude与Figma官宣史诗联动，Claude Code写的页面能一键导入Figma 阿里开源最强行动智能体 Mobile-Agent-v3.5 字节开源极速生图模型BitDance Tavus发布最强数字人模型Phoenix-4 Taalas研发出革命性AI芯片HC1 #抖音年味新知贺岁 #前沿科技趋势发布月 #AI新星计划 #OpenAI #智能体

55. 反直觉：前沿模型虽然贵，但反而更好卖#AI #大模型 #芯片 #ChatGPT #Token

56. llama.cpp 最新版太强了！本地跑 “无审查模型” 速度暴涨！N卡/A卡/Intel 全支持｜零度解说

57. 用AI手搓西部世界手机版？能一键生成冒险岛的AI，被我体验到了

58. 史上最离谱AI建筑大赛！豆包直接杀疯了？

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

60. 试了下小米的miclaw，目前的表现确实可以，支持直接调用手机系统功能，比如自主发短信、分析手机内的文本，另外还可以根据指令调用已连接的智能家居。大家对它的表现满意不？#小米miclaw开启封测# #小米发布国内第一个手机版龙虾# Eva的科技生活的微博视频

61. DeepSeek多模态能力为零这件事，很多人觉得是短板。我反而觉得这是一个极其清醒的战略选择。你看字节、阿里、月之暗面，都在往“什么都能干”的方向堆功能，恨不得一个模型又能写诗又能剪视频又能读PDF。这很合理，因为C端用户确实需要一站式体验，这个逻辑完全可以理解。但DeepSeek选择把所有资源砸在推理深度上，不碰图像，不碰视频，就死磕逻辑链条的纯度。这让我想到一句话：当所有人都在比谁的瑞士军刀功能多的时候，手术刀的价值反而凸显了。多模态是锦上添花，但推理能力是地基。地基打到全球第一梯队，上面想盖什么楼都来得及。反过来，地基不行的多模态，想要补起来可不那么容易。 #DeepSeek还是最强国产AI吗# deepseek还是最强国产ai吗

62. FT：DeepSeek V4 下周发布，原生多模态。和华为、寒武纪联合优化，估计是优化了 V4 在对应平台上的推理性能。现在多模态最强的还是 Gemini，Demis 的表述很有说服力： Gemini 从第一天起就是多模态的，这是有原因的。它是机器人所需要的…这些多模态模型能理解世界的物理学，再加上一点机器人微调，就能处理动作、电机控制以及机器人所需的规划…AGI 必须理解物理环境、周围的物理世界…为了让机器人工作…理解你的物理上下文。期待 DeepSeek V4 的多模态性能！

63. 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。

64. 【#免费DeepSeek和收费豆包你选哪个#】一句话总结：豆包像个“全能保姆”，贴心顺手但开始谈钱；DeepSeek像个“理科家教”，免费硬核但有点偏科。🌱 豆包优缺点：优点：极度贴合国人习惯，网感好、会唠嗑；多模态全能（图文音视频通吃），文档解析强；服务器稳，极少崩溃。缺点：复杂逻辑和代码能力稍弱；近期开始试探性收费（基础仍免费），让不少用户觉得“失去了性价比”。🧠 DeepSeek优缺点：优点：逻辑推理和代码能力顶尖，堪称“理科学霸”；基础功能全免费，API成本低到感人，绝对良心。缺点：偏科严重，多模态能力薄弱；文本输出偶尔太干太硬；高峰期容易服务器繁忙或卡顿。💡 怎么选？日常唠嗑、做图、写个生活感悟，选豆包；写代码、拆逻辑、搞学术研究，选DeepSeek。成年人不做选择，两个都装上，搭配干活才是真香！网页链接

65. 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

66. 盘点一周AI大事(4月12日)｜Mythos太强不敢发布 Anthropic官宣最强大模型Claude Mythos OpenAI发布超级智能经济蓝图 Meta发布大模型 Muse Spark 智谱上线最强开源大模型GLM-5.1 Anthropic上线Agent包工头Claude Managed Agents Gemini上线概念可视化visualizations 阿里发布最强视频模型HappyHorse-1.0 米哈游发布最强数字人模型LPM 1.0 Ace开源最强音乐模型ACE-Step-1.5-xl 研究员开源最强虚拟试穿模型Vanast #前沿科技趋势发布月 #AI新星计划 #AIGC #大模型 #Agent

67. 这就是AI眼镜的元年时刻？千问AI眼镜S1多场景实测！

68. 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

69. 把手教你用上开源版Claude Code，Windows系统接入保姆级教程！

70. 阿里云发布多模态交互开发套件

71. 当下最强开源图像编辑模型：FLUX.2 [klein] 克莱因

72. 1. 卓驭的新方案是原生多模态大模型，这个思路跟小鹏挺像的，用做多模态大模型的思路做智驾模型，2. 在预训练里，有一些互联网信息让模型具备一定的通识能力，也有驾驶相关的视频让模型变得专精，3. 卓驭依托着一汽，开辟了一个新战场，重卡、也包括大巴。这个事儿推起来真的功德无量，驾驶最累的就是这些司机朋友了。

73. 真正的 AI 上车！主动起来能多主动？【X.PIN】

74. 我做了个创作工具之间的传送门，专治"我存哪了来着?" | Build in Public#0【B站AI创造公开赛】

75. 如何看待 Minimax 新的 M3 多模态模型以及更新的 Token Plan?

76. 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#

77. #微博声浪计划##听见微博# 小米以“静默伏击”策略发布三款自研大模型，旗舰MiMo-V2-Pro跻身全球AI第一梯队，API定价仅为Claude Opus 4.6的1/5。全模态模型适配多场景，语音模型实现情感渐变控制，已接入人车家全生态。小米2026年AI研发投入超160亿元，构建硬件生态+AI底座闭环。科技星辰说的微博音频

78. #阿里除夕夜开源千问Qwen3.5# 继Qwen2.5-Max后，阿里再以“开源”打响AI开年第一枪 🧨该模型实现了模型架构的创新。据悉，Qwen3.5采用全新的混合注意力机制，极有可能是原生支持视觉理解的视觉语言模型（VLM），将开源至少2B密集模型及35B-A3B的MoE模型。去年除夕，阿里曾抛出Qwen2.5-Max。【评论】阿里选择除夕夜开源，是以“技术春晚”卡位AI竞争新周期继去年除夕夜开源Qwen2.5-Max后，阿里再次选择在这个阖家团圆的时刻“放猛料”，其战略意图愈发清晰：用最高规格的开源动作，抢占全球开发者春节档的技术注意力。Qwen3.5的原生多模态能力与架构创新，直指2026年AI竞争的核心——从“对话”向“视觉理解、智能体执行”的全面升级。当同行忙于发红包、抢用户时，阿里选择用开源模型“围猎”开发者心智，这是一场关于生态根基的暗战。

79. 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#

80. #千问Qwen3.5大模型发布#阿里巴巴春节AI大战再出一张王牌。今天，阿里巴巴正式开源并上线了新一代千问大模型Qwen3.5，以其原生多模态架构和极致效率设计，成为全球开源AI领域的新标杆。Qwen3.5首次实现原生多模态融合，直接支持文本、图像及视频输入，无需外部适配即可完成跨模态理解任务。推理吞吐量提升8.6倍至19倍，显存占用降低60%。实测性能超越自家万亿级前代模型Qwen3-Max，并在多项权威评测中领先。用户可通过千问APP、PC端一键切换至Qwen3.5模型，实时体验多模态交互。Qwen3.5的发布标志着国产大模型进入“效率+多能力”双轨竞争阶段。其发布节点直击春节技术窗口，与DeepSeek v4、字节豆包2.0等国产模型形成“春节AI大战”格局。#老张聊科技#

81. 使用AI聊天助手经常需要联网、登录账号，还担心隐私泄露和数据被收集，体验总是不够安心。Locally AI 把本地AI运行所需的功能全部集成到iPhone/iPad/Mac上，提供了完全离线的私人AI解决方案。不仅支持Llama 3.2、Gemma 4、Qwen 3等多款大模型，还能图像分析、文本生成，支持Shortcuts自动化，完全无网络、无登录、无数据收集，纯设备本地运行。App Store：网页链接主要功能：- 100%离线运行，无需网络随时随地使用；- 完全隐私保护，无登录、无数据收集，数据永不离开设备；- Apple MLX框架优化，支持M系列芯片超快响应速度；- 多模型支持，包括Llama、Gemma、Qwen、DeepSeek等热门模型；- 智能聊天、图像分析、文本生成，支持复杂问题解答；- 文件附件分析，支持CSV、TXT、代码文件等格式；- Shortcuts集成，可创建强大自动化工作流；- 支持视觉模型，具备图像理解能力。支持iPhone、iPad、Mac多平台，免费下载，881个评价4.8分，适合隐私敏感用户和AI爱好者。#本地AI##离线AI##隐私保护##AppleMLX# 爱可可-爱生活的微博视频

82. NVIDIA 在 GTC 发布 Cosmos 3🔥作为世界模型，距离 AGI 最近的万能 AI。图像·图像·动作·文本的理解和生成、物理推理全部由一个模型处理。在全部 8 个基准测试中创下 SOTA！有 16B 和 65B 两种规模，数据集也在 HF 上完全开源🤗

83. 数据邪修大法好

84. MM-Zero: VLM零数据自我进化

85. ICML2026-omni 新范式

86. 无需训练、即插即用，这个解码方法让模型学会谨慎思考

87. （2026|湾大 & 北航杭研院，生成-选择-精炼-分割，MLLM，思维链）Seg-Agent

88. 腾讯的Training-Free GRPO

89. [ICML'26]不训练、不微调，多模态大模型也能当检索专家？我们提出了 FreeRet

90. 高分辨率图像感知难题有解了！CVSearch

91. 让MLLM成为检索专家

92. Google DeepMind

93. 视觉理解和视觉回答 - 乐高积木AI拼搭 - 多模态RAG

94. 人工智能顶会CVPR论文分享｜DyFo

95. 保留原文本嵌入几何不变性！支持文本/图像/视频/音频的全模态开源嵌入模型【多模态RAG】【向量检索】

96. VimRAG图文视频知识库的统一多模态RAG框架

97. MM-REACT: Prompting ChatGPT for Multimodal Reasoning and Action无需训练使LLM看懂图片

98. OpenAI CLIP

99. 不用微调也能编辑任意高分辨率图片！基于预训练扩散模型的免调图像编辑新方法【AI图像生成论文解读】

100. 谷歌VisionBanana: 图像生成即可图像理解

101. Vision Banana-Image Generators are Generalist Vision Learners:图像生成模型可通过轻量微调成为通用视觉模型

102. 16GB笔记本直接跑多模态大模型

103. 【知客笔记】当多模态大模型遇上工业视觉

104. 大模型应用

105. 基于多模态大型视觉语言模型的目标检测

106. 万字长文拆解

107. 2026 AI多模态创作实测

108. 颠覆 MLLM！DeepSeek 视觉原语推理封神：把坐标变成思维原子，90 个 Token 碾压 GPT-5.4，多模态推理终于不瞎说了

109. 免费大模型API接口怎么用？DMXAPI聚合300+款大模型，deepseek还能这么玩？

110. 解锁 MLLM 跨模态潜力！多模态RAG再超神，性能狂飙 33%+！高区热门！

111. 剑指世界模型！商汤发多模态理解生成一体化架构，无需编码器“玩转”图像

112. 混元大模型API免费资源分享DMXAPI免复杂配置实测好用

113. 视觉推理新突破！Omni-R1：定义多模态推理的「统一生成式思考」

114. 重磅发布｜AI多模态研判主机：多模态大模型加持，看“懂”复杂场景

115. CVPR 2026 | MLLM逆袭传统检测器！Rex-Omni：首个比肩DINO的通用视觉感知模型

116. spring-ai 第四多模态API

117. MLLM架构演进深度解析：从 LLaVA 到 Qwen3-VL

118. Meta 新作：多模态模型终于会查资料了

119. 多模态大模型赋能机器视觉：技术原理与典型应用场景

120. n8n实战012，多模态大模型全自动同行分析，闲鱼为例，其他平台通用

121. V-RAG 增强基于视觉感知的 RAG，实现对视觉丰富信息的理解通过强化学习的迭代推理实现理解

122. 工具调用AI智能体如何与现实世界交互

123. 解锁统一多模态模型自反思生成能力！把GRPO引入AR-Diffusion多模态大模型【多模态大模型】【AI生成】

124. Meta 放出“多模态推理王牌”：Muse Spark 正式登场

125. 【AI论文解读】走出语言建模！Meta&NYU从零训练真正的统一多模态大模型 | 4大核心发现重塑多模态预训练

126. 【更新中】多模态大模型前沿算法与实战应用

127. LLM推理时计算技术详解：四种提升大模型推理能力的方法

128. 多模态自适应推理Benchmark代码与数据公布

129. 一文解锁AI开发神器：DMXAPI多模态大模型API聚合平台

130. 从零实现一个问答机器人：从文本版到多模态版的工程实现

131. 英伟达开源多模态模型！Agent效率狂飙9倍

132. Qwen2.5-VL 深度解析：当多模态大模型遇上“效率革命”

133. CVPR 2026 专题｜从 MLLM、模糊对齐到时空建模：多/跨模态检索如何突破“意图理解”的天花板？

134. 上海交大：MLLM的「代码理解」有效性研究

135. 多模态数据处理-跨模态检索：支持文本检索图片/音频/视频（如通过CLIP模型实现图文匹配）

136. 视觉语言大模型Qwen2.5-VL

137. 32页终极指南！RAG 技术应用与实践突破传统，大模型文档 / 多模态落地秘籍（附下载）

138. 🔧 提示工程：释放大语言模型潜力的艺术

139. 多模态RAG：打破模态壁垒，重塑AI知识服务新模式

140. 告别无脑编码！UME-R1 开启多模态 Embedding 的“推理时代”

141. 人人都能懂的大语言模型“使用说明书”——提示词工程

142. Rubick: Mac原生多模态搜索APP

143. 从零开始学习多模态大模型的学习路径

144. Qwen2.5-VL的关键技术设计

145. 让ViT直接开口说话！极简架构生成式图文预训练GenLIP，性能超越CLIP\u002FSigLIP 【多模态大模型】

146. Day21 多模态大模型

147. 46、视觉语言多模态基础模型

148. 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？

149. DeepSeek的系列工作之一：多模态推理框架

150. 腾讯发布OpenSearch-VL：开源多模态深度搜索 agent 的“全家桶”方案

151. 2026年4月16日 | VimRAG架构解析：阿里通义如何用动态记忆图革新多模态RAG

152. PaLMR：通过过程对齐解决MLLM推理幻觉！

153. 阿里刚开源下一代RAG王炸框架，AI学会自己翻图、看视频、找资料了

154. 蚂蚁大模型一面：Tool Use是扩展Agent能力的有效途径，请解释LLM是如何学会调用外部API或工具的？

155. 商汤日日新免费API实操：零成本调用多模态大模型，搭建你的AI工作流

156. GPT-4 开启多模态时代！DMXAPI 免费大模型 API，国产顶配零成本畅用

157. Nvidia 免费API指南：零成本、不绑卡，稳定调用国产与国际大模型

不用训练也能调用多模态大模型？关键在输入构造与任务拆解

精选参考来源