多模态大模型如何真正“看懂”视频？统一理解的演进之路_服务软件

1. 个人AI已在路上，带你体验2026 MWC的未来科技！

2. #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#

3. 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！

4. 空间推理基准测试 SpatialBench 更新了最新一期榜单，阿里千问的视觉理解模型 Qwen3-VL、Qwen2.5-VL 位列头两名，超越 Gemini 3、GPT-5.1、Claude Sonnet4.5 等国际顶尖模型SpatialBench 榜单显示，Qwen3-VL-235B 和Qwen2.5-VL-72B 分别斩获 13.5 和 12.9 分，领先于 Gemini 3.0 Pro Preview（9.6）、GPT-5.1（7.5）、Claude Sonnet 4.5 等海外顶尖模型

5. “源神”的新年贺礼！深度实测Qwen3.5，原生多模态表现如何

6. 单卡双芯 48G 显存！打造 20L 紧凑型 AI 算力怪兽：DeepSeek 70B 实测 19 tokens/s

7. 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#

8. 盘点一周AI大事(12月7日)｜GPT5.2下周发布 Gemini 3 Deep Think正式上线 OpenAI下周12月9日发布大蒜模型GPT5.2，下月发布大葱模型GPT5.5全面吊打Gemini 3 DeepSeek开源最强推理模型DeepSeek V3.2 Mistral开源Mistral 3家族 OpenAGI发布最强电脑操作模型Lux Runway发布最强视频模型Gen 4.5 阿里开源数字人直播模型Live Avatar 字节发布顶级图像模型Seedream 4.5 研究员推出3D空间音频模型ViSAudio 微软开源实时语音模型VibeVoice Harmonic推出亚里士多德智能体，6个小时解决了悬赏30年的数学问题 #抖音知识年终大赏 #AI新星计划 #人工智能 #OpenAI #机器人

9. AI工具实盘炒股爆赚第一，我用它来分析特斯拉，结果更炸裂 “AI炒股大战”太上头了！Qwen梭哈第一名，DeepSeek打工人第二，GPT-5纠结到只剩两千块。但真正把我震住的，是我实测Qwen的“深入研究”——17步投研流程、引用权威文献、还能自动生成图表、播客、网页。普通人第一次可以拥有专业分析师级别的判断力。AI时代，真正能提效的工具正在悄悄改变我们 #AI工具 #AI研究 #投研工具 #qwenchat #Qwen

10. #科技先锋官# 谷歌 Project Genie 横空出世，文本图片一键生成可交互游戏世界，直接让游戏股集体暴跌，也让它成了科技圈最具争议的焦点！有人说它是谷歌的王炸，丰富 AI 订阅服务、落地 Gemini 多模态能力，反哺模型迭代还打通生态闭环，让谷歌在 AI 格局中占据绝对优势。也有人骂这是市场过度恐慌，Genie 如今功能受限，既无完整游戏逻辑，也无法替代传统引擎，根本撼动不了 Take-Two、Roblox 的商业模式。 Meta、英伟达也在加紧布局世界模型，AI 造世界到底是颠覆行业的革命，还是徒有噱头的技术试水？看完这条视频，带你看清背后的真相！#微博超有用视频大赛##上微博涨知识##AI生活指南# http://t.cn/AXqrFsNg

11. 魏牌V9X凭什么敢卖50万？AI接入车子的新体验… #认人识人是AI智能体的照妖镜#魏建军变装实测汽车AI智能体

12. 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

13. 一个视频带你快速盘点2025年GitHub热点项目

14. ChatGPT、Claude、Gemini 什么任务该交给谁？每月600刀经验总结

15. 【直播回放】解析谷歌Gemini 3：“AI 全模态”时代与Scaling Law的极致执行

16. 【LMArena最新排名：视觉理解，文心5.0 Preview成最强国产模型】11月22日，备受行业关注的LMArena大模型竞技场公布最新排名结果，其中文心大模型ERNIE-5.0-Preview-1120在视觉理解榜中交出了亮眼答卷，以1206分的成绩位列国内第一，更值得关注的是，其整体水平已与Claude-Sonnet-4、GPT-5-high等国际一线大模型相当，成为国产模型在该领域与国际顶尖力量同台竞技的重要突破。在LMArena众多细分榜单中，视觉理解榜对应的应用场景并非简单的图像识别，而是工业质检、视频解析、医疗影像分析这类对模型精度和可靠性要求极高的核心领域。工业质检的任何误差都可能影响整条生产线的效率，医疗影像分析则关系到诊断的准确性，这类任务更能深度检验其底层能力。此前，国内虽有部分模型在LMArena的其他赛道展现出一定潜力，取得过不错的成绩，但在视觉理解榜这一“硬骨头”赛道上，能真正突破门槛、与国际一线模型同场比拼的却几乎没有。而文心5.0 Preview不仅成功跻身该榜单，更成为目前国内在该榜单中排名最高的模型，1206分的成绩背后，是其在视觉推理与跨模态理解能力上的扎实积累，标志着国产模型已具备在视觉任务中与国际顶尖模型抗衡的实力。文心5.0 Preview的成绩并非偶然，而是源于其独特且扎实的技术路线。作为新一代原生全模态大模型，它摒弃了业界多数多模态模型的后期融合模式，而从训练之初就将语言、图像、视频、音频等多模态数据统一，让多模态特征充分交互、协同优化，从根源上实现了原生的全模态统一理解与生成，而非简单的功能叠加，这也为其在视觉理解任务中的出色表现奠定了基础。除了核心技术路线的优势，文心5.0在架构设计上的创新进一步强化了其性能。依托飞桨深度学习框架，该模型采用超稀疏混合专家架构，总参数量突破2.4万亿，这一庞大的参数规模为模型处理复杂任务提供了充足的算力支撑；同时，其激活参数比例低于3%，这一设计在保证模型强大处理能力的同时，有效降低了推理过程中的资源消耗，大幅提升了实际应用中的效率，让模型在面对大规模视觉数据时既能保持高精度，又能兼顾处理速度。此外，为了进一步提升模型的实用能力，文心5.0还基于大规模工具环境，合成了长程任务轨迹数据。同时，通过基于思维链和行动链的端到端多轮强化学习训练，模型的智能体与工具调用能力得到显著提升，进一步增强了其在实际应用中的适应性。作为目前国内唯一在LMArena视觉理解榜中站稳脚跟的模型，文心5.0 Preview的1206分不仅是一个排名上的突破，更承载着国产大模型在全模态核心技术领域的发展成果。它用实力证明，国产模型已不再局限于中低难度任务，而是具备了在高难度、高价值的视觉理解场景中与国际一线模型竞争的能力，这不仅为国产大模型的技术发展注入了信心，更为后续国产模型在全球大模型竞争格局中提升国际竞争力提供了有力支撑。#百度##Ai##大模型##科技##AI技术##科技先锋官#

17. AI春节档最强杀手锏来了！千问3.5除夕强势亮相，开源SOTA、性价比之王

18. FLUX2 Klein 开源模型最新佳作支持多图编辑 8G显存可用

19. 理想汽车新任基座模型负责人詹锟将在这次会议期间发布新一代VLA模型——MindVLA-o1。新系统将是「基于统⼀Vision Language-Action的Omni架构」，Vision和Language之间的串联符号也消失了。前段时间发布的LinkVLA新范式将L与A统一表示，但V（视觉）仍相对独立，存在串联符号。新系统将V-L-A三位一体、无串联符号，在单一Transformer里联合建模感知、推理、控制。#大v聊车##微博新知##懒博小课堂##理想L9#

20. 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#

21. 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

22. CES上英伟达再放王炸，AI史诗升级 #AI #英伟达 #NVIDIA #CES2026 #AIPC

23. 微表情测谎、极速赔付、AI打败AI，深聊“AI in All”下的保险革命与增长飞轮【硅谷101】

24. 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。”

25. 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#

26. Seedance 2.0：说中国话的最强AI视频模型！

27. “谷歌太慢了”：与Andrew Dai聊Gemini的翻身之战，出走与视觉理解模型【硅谷101视频播客】

28. 「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

29. Thinking Machines首款产品重大更新：K2 Thinking、Qwen3-VL都可以微调了

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

31. 继续！北京时间2026年3月17日14点-14点50分理想基座模型负责人詹锟将在英伟达GTC 2026上介绍理想汽⻋下⼀代⾃动驾驶基础模型MindVLA-o1基于统⼀VLA的Omni 架构，在单⼀Transformer中联合建模感知、推理与控制。模型通过离散Action Tokens与MoE实现⾼效、稳定的精准控制；采⽤快慢双系统推理，在实时性与复杂场景推理间⾃适应切换；并结合基于模型的强化学习闭环与软硬件协同设计，实现可量产、拟⼈化的端到端⾃动驾驶。这套构架应该会完整的部署在M100 的芯片上啦#懒博小课堂##微博新知##具身智能#理想汽车#理想L9#

32. 【阿里发布新一代模型春节技术竞赛升温｜AI狂飙】AI模型厂商集中借春节时机宣发新一代大模型。阿里发布新一代模型春节技术竞赛升温｜AI狂飙　　2月16日，阿里巴巴开源发布新一代基座模型Qwen3.5-Plus，阿里称Qwen3.5-Plus整体能力媲美Gemini 3 Pro，并在多项权威基准测试中刷新开源模型纪录，API（应用程序接口）价格每百万Token（字符）低至0.8元，仅为Gemini 3 Pro的1/18。　　阿里发布的新模型已在千问App、PC端同步上线，开发者可通过魔搭社区、HuggingFace及阿里云百炼获取模型与API服务。阿里还称，性能更强的旗舰模型Qwen3.5-Max将在后续发布，还将推出不同尺寸、功能的模型。具体来看，新模型总参数规模达3970亿，激活参数约170亿，在多模态架构下实现性能跃升。与上一代Qwen3系列模型基于纯文本数据预训练不同，千问3.5则基于视觉与文本混合Token进行预训练，并显著增加中英文、多语言、STEM及推理类数据，使模型在更低参数规模下获得接近万亿级基座模型的综合能力。

33. 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】

34. 2026年AI主线换了！这5大趋势必须看清。 #大咖观察 #红衣聊AI #趋势风口 #人工智能

35. 盘点一周AI大事(2月1日)｜AI乌托邦魔幻开局 Google上线世界模型Project Genie 阿里开源实时世界模型LingBot-World AI乌托邦社区Moltbook爆火 Chrome升级为AI浏览器月之暗面发布最强开源大模型Kimi K2.5 Gemini 3 Flash升级视觉能力腾讯发布最强开源图像模型HunyuanImage 3.0-Instruct 阿里开源Z image Base满血版 OpenMOSS发布最强开源视频模型MOVA MIniMax上线顶级音乐模型MiniMax Music 2.5 英伟达开源天气预测模型Earth-2 #AI新星计划 #前沿科技趋势发布月 #抖音知识年终大赏 #AI #AIGC

36. 为何顶尖AI公司都盯上游戏？【硅谷101】

37. AI嵌入家电，真省电空调，2026硬核选购指南！

38. 中国大模型偷了老美的家，原因竟然是电多？ #燃起来了大国重器 #春节世界观察 #新年囤点专业货

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. 谷歌突然发布 Gemini 3.0！强到离谱，Pro 版免费开放使用，附实测与开通教程！| 零度解说

41. DeepSeek发布多模态论文又连夜删除

42. 多模态预训练，才是大模型的下一条路？Yann LeCun、谢赛宁参与

43. 为什么2026年大模型都在往“理解生成统一”方向发展？去掉VAE和VE到底能带来什么本质性的提升？

44. 除夕夜，国产顶流压轴上线，QWEN3.5多模态开源！

45. 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！

46. 为什么2026年大模型都在往“理解生成统一”方向发展？去掉VAE和VE到底能带来什么本质性的提升？

47. 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

48. 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

49. 为什么说2026春节，是人类最后的"平静时光"？ #AI新星计划#科技改变生活#openclaw #evomap #AI永不眠

50. 当你的健康，被一个靠谱AI朋友主动“留心”

51. 「Github一周热点96期」Flux2绘图模型、腾讯的视频生成模型、AI记忆、开源Launchpad、笔记和知识库，Nginx可视化工具

52. 多模态大模型这条赛道，阿里云开始拉速度了

53. 2026开年王炸：Qwen3.5震撼发布，一条视频讲清所有玩法...

54. #豆包大模型2.0发布##HOW I AI##过个有AI年#字节跳动春节AI攻势又起。今天，字节跳动正式发布豆包大模型2.0系列，在多方面取得突破，全面挑战国际顶尖水平。豆包大模型2.0定位为旗舰级通用模型，专注复杂推理与长任务链执行，比如科研分析、跨模态创作。豆包大模型2.0分为Lite、Mini、code、Pro四个版本。其中Pro版本全面对标OpenAI的GPT5.2，数学竞赛成绩达到人类金牌水平。另外，多模态理解达SOTA水平，视觉推理与编程能力超越Gemini 3 Pro，HLE-text测试全球最高分54.2。另外三个版本也各有特色。Lite版均衡性能与成本，企业级任务处理效率提升，成本低于前代1.8。Mini版低延迟响应，支持256K上下文，适配轻量级应用（如移动端）。Code版深度优化编程场景，无缝接入TRAE等开发工具。#老张聊科技#

55. 三大模态模型全部登顶后，昆仑万维正式披露了 2026 年 AGI 战略

56. Agent时代，为什么多模态数据湖是必选项？

57. #小米新SU7辅助驾驶升级XLA大模型# 小米辅助驾驶的进步也太快了，新SU7的HAD辅助驾驶升级了XLA认知大模型，这就是近2000人团队+首期几十亿预算的恐怖效率…… 升级XLA认知大模型、融入MiMo-Embodied具身基座模型之后，小米辅助驾驶能够实现更深度的多模态信息输入，视觉模态+雷达模态+车身模态会经由自研大模型统一处理、直接决策。车辆还将获得自然语言的理解能力，辅助驾驶变得更聪明了具体表现怎么样，就等明天发布会上雷总再做详细介绍了[柯基]

58. 【#小米发布三款自研大模型# 雷军称2026年AI投入将超160亿】小米加速走上大模型牌桌。3月19日凌晨，小米宣布推出三款自研大模型，分别为旗舰基座模型Xiaomi MiMo-V2-Pro、全模态基座模型Xiaomi MiMo-V2-Omni与语音合成大模型Xiaomi MiMo-V2-TTS，涵盖智能体推理、多模态到语音交互等多种应用场景。小米发布三款自研大模型雷军称2026年AI投入将超160亿　　正式上线前，Pro和Omni两个版本的模型分别以代号“Hunter Alpha”和“Healer Alpha”在API聚合平台OpenRouter上匿名上架，期间调用量多日登顶日榜。至今，调用量已突破1万亿Token，并获得大量开发者自发推荐。　　雷军在发布会后称，公司目标是在模型领域进入全球第一阵营，小米未来三年在AI领域计划至少投资600亿元，今年AI研发和资本投入预算已经超过160亿元。“我们已经进入了一个全新的时代，无论是个人还是企业，都需要拥抱AI，”雷军说。

59. 预测真实世界下一秒北京智源研究院推出全新的多模态世界模型：Emu3.5很多传统图像生成模型的主要问题是：它们“不懂世界”运行的规律，无法理解真实世界的物理规则和因果关系。Emu3.5在传统图像生成的基础上，进一步让AI具备：理解真实世界的空间关系推理物体随时间变化的规律预测“世界下一秒”会是什么样不同于以往为图像、文字、视频分开设计模型，Emu3.5 将它们全部“统一”在一个系统中：首先把多模态信息包括图文视频都统一成了token；模型通过“预测下一个 token”来学习不同模态间的关系；任务统一为 NSP：预测下一个世界状态（包括视觉和语言）。Emu3.5 不再只关注“文本之间的逻辑”，而是让模型学习“世界是如何变化的”。意思就是它不再区分：这是一张图这是一句话这是视频的一帧在它眼里，它们都是同一套“世界积木”。然后模型只做一件事：预测下一块积木是什么如果下一块积木是一行字 → 它补全文字如果是下一帧画面 → 它补全动作如果是下一步结果 → 它推演世界变化所以：预测下一 Token = 预测“世界下一秒”会是什么样Emu3.5的训练数据包含约 790 年长的视频时长。视频是现实最接近的数字化记录：同时携带时间、空间、物理与意图信息。训练视频包含：时间（Time）空间（Space）物理（Physics）因果（Causality）意图（Intent）也就是世界的五个本质元素。学习真实的世界经验详细介绍和评测：网页链接模型官网：网页链接在线体验：网页链接论文：网页链接互联网的那点事的微博视频

60. 市值近600亿，大模型公司上市了！ #AI #智谱ai

61. 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

62. 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

63. 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

64. 「Github一周热点97期」开源AI手机、AI画架构图、AI编程的指导、看板工具、GO语言的游戏引擎和具身智能资料库

65. 一杯奶茶难倒AI巨头？千问崩溃背后的AI时代技术变迁

66. #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

67. #阿里新一代模型Qwen3.5曝光# AI圈春节前再放大招，阿里通义千Qwen3.5即将登场，已HuggingFace提交PR并入Transformers，发布在即。全新混合注意力机制加持，长文本与推理效率全面升级；更支持原生VLM多模态视觉理解，看图理解能力一步到位。开源阵容同样亮眼：2B密集小模型+35B-A3B MoE大模型双路线覆盖，轻量部署与旗舰性能兼顾。从技术架构到生态布局持续领跑，国产开源大模型再迎重磅升级，期待正式上线！

68. 阿里云发布多模态交互开发套件

69. 【百度新设两个大模型研发部年轻干部领衔】2025年11月25日，百度发布设立技术研发组织相关公告，新设基础模型研发部，负责研发高智能可扩展的通用人工智能大模型，由吴甜负责；新设应用模型研发部，负责业务应用场景需要的专精模型调优和探索，由贾磊负责。王海峰继续担任CTO、TSC主席、百度研究院院长。以上部门均向百度CEO李彦宏汇报。据了解，吴甜和贾磊都是百度培养的技术和管理人才。这体现了百度人才厚度以及公司持续推进干部年轻化。百度此次提升了大模型技术研发部门的管理层级，采取分进合击的打法，进一步建设和加强公司在人工智能方向的核心优势。这也将更好地满足客户和用户在AI应用上的需求。11月13日，百度正式发布原生全模态大模型文心大模型5.0。该模型采用原生全模态统一建模技术并应用超稀疏混合专家架构，支持理解与生成一体化，具备全模态理解与生成能力，支持文本、图像、音频、视频等多种信息的输入与输出。在全球最权威的大模型竞技场LMArena上，文心5.0 Preview模型分别取得了文本榜全球并列第二、国内第一及视觉理解榜国内第一的成绩。

70. #吉利英伟达GTC2026# 全域AI2.0 迎来全新升级，核心搭载WAM 世界行为模型，相较传统 VLA 模型实现三大维度突破，让AI真正从执行指令走向理解世界。它不再只拟合动作，而是学习物理规律、掌握物体恒存等底层逻辑，训练上跳出单一驾驶数据，融合互联网视频、驾驶轨迹等多元异构信息，决策也从被动选选项，变为连续模态建模，面对不确定性会先观察再决策，更聪明、更贴近真实世界的智能逻辑。

71. 人人免费出大片！豆包Seedance 2.0实测对比+解析！

72. #Seedance和谷歌Omni谁更强#今日凌晨谷歌I/O 2026正式推出Gemini Omni Flash全模态视频模型，可实现全类型输入创作内容，主打多模态融合与智能交互编辑，综合适配性极强。字节Seedance凭借超高写实画质出圈，实测文生、图生视频评分稳居前列，画面流畅度与物理真实表现突出，量产良品率表现亮眼。两款模型技术路线各有侧重，适配不同创作场景。AI视频行业市场体量庞大，受众需求细分明确，加之各方技术持续迭代，赛道不会出现一家独大局面，未来势必走向多强并立、良性竞争的发展格局。#ai#

73. 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？

74. 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。

75. Gemini 3.1 Pro VS千问3，2026年还需要付费制AI吗

76. #千问Qwen3.5大模型发布#千问 Qwen3.5 是采用极致稀疏 MoE 架构在保持超强性能的同时，显存占用降低 60%，推理效率大幅提升，部署成本显著下降。模型支持最高 256K 超长上下文，让长文本处理变的更加的轻松有效率了！原生多模态统一也是Qwen3.5的特点之一，也是目前国内外大模型的发展的主要趋势，模型在图文、视频理解能力全面升级，精准解析图表、文档与复杂视觉内容。实现了一个入口实现多种属性。Qwen3.5对于中小企业特别友好，很大程度上降低了企业运营成本，可以让中小企业得到高效、普惠、全能的运营工具。不再因为高昂的费用而排斥企业去追逐AI。#过个有AI年##HOW I AI#

77. #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#

78. #谷歌开发者大会# 带来多项重磅技术更新，Gemini 3.5 Flash模型全球免费开放，支持多模态处理与自然语言视频剪辑。还发布Gemini Omni、Veo 3、Imagen 4系列模型，AI搜索模式、Android XR平台同步上线。开发门槛大幅下降，文本就能生成APK应用，应用分发与人机交互迎来变革，行业竞争将聚焦AI智能体协作能力。

79. 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#

80. 阿里正式发布新一代基模千问3.5

81. 华为乾崑技术大会上首发舱内 AI 多模态感知系统，行业唯一的三合一舱内AI多模态感知，摄像头、红外摄像头加星闪传感器，鸿蒙座舱可识别后排乘客胸腔起伏，这样就不用再开车时时刻关注儿童情况了。#华为乾崑开启内外双融合感知时代#

82. DeepSeek以低成本高性能挑战全球，字节则以多模态与应用场景取胜。小米的MiMo，则以端侧AI的精准定位切入消费电子的蓝海。每一个AI大模型皆如操盘手的精心布局，针对不同赛道，谋求最大回报，国内AI的发展是真强！#小米发布最新MiMo大模型#

83. 百度上线文心5.0，模型参数2.4万亿，采用原生全模态统一建模技术，具备全模态理解与生成能力，支持文本、图像、音频、视频等多种信息的输入与输出。这是老罗数字人的表现。文心5.0以1460分位列LMArena文本榜国内第一、全球第八，超过GPT-5.1-High、Gemini-2.5-Pro等多款国内外主流模型。兔撕鸡大老爷的微博视频

84. 理想的“第二代VLA”也要来了~英伟达的GTC大会将在3月16-19日（美国圣何塞）举行，大会期间，理想汽车VLA基座模型负责人詹锟将在大会发表“新一代VLA模型”的主题分享。据悉，新一代VLA模型——MindVLA-o1，基于统一 Vision Language-Action 的 Omni 架构，在单一Transformer 中联合建模感知、推理与控制。#霸天资讯# #理想汽车#

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

86. 一分钟学会用AI拍大片，做音画同出的长视频

87. 韩国三星电子与本土 AI 公司 Nota（노타）合作开发了一项新的 AI 功能，名为 EdgeFusion。这个功能可以根据用户输入的文字指令，在不到 1 秒的时间内直接在手机本地生成图像。三星计划把 EdgeFusion 技术集成到即将在本月下旬发布的 Galaxy S26 系列旗舰手机中。借助这种本地实时生成能力，用户无需依赖云处理，就能快速用文字创建图像，提升拍照和创作体验。文章指出，这是三星加强本地 AI 图像处理能力的一部分，也是 Galaxy S 系列在 AI 功能方面继续进化的例证。新功能属于 Galaxy AI 生态的一环，目标在于让 S26 系列在用户体验上更具吸引力。

88. Luma Uni-1.1 API开放，图像模型榜单第三，文字渲染直逼GPT image 2

89. 4 月 24 日，第十九届北京国际车展启幕，卓驭科技以 “智能一切移动” 为主题召开发布会，全球首个原生多模态基础模型正式亮相，同步开放试乘体验，全面展现多领域智驾规模化落地成果，并联手中国一汽，推动智能移动技术全域普惠。作为 “移动智能基座” 理念先行者，卓驭科技打通智驾技术从验证到普惠的全路径，已覆盖乘用车、商用车、无人物流、Robotaxi 全赛道，合作客户 34 家，合作车型超 130 款，成为行业首个多垂类大规模落地的智驾科技企业。乘用车领域，卓驭量产车型超 50 款，实现油电、中外品牌全矩阵覆盖，是业内首个量产单芯片舱驾一体供应商。今年 4 月起，高悟性端到端 4.0 模型将 OTA 推送至多款车型，中低算力平台同步升级 3.0 系统，让高阶智驾全价位覆盖。商用车布局行业领先，已与国内 TOP6 重卡品牌全面合作，搭载专属智驾系统的重卡 6 月起量产；同步与宇通客车达成合作，新款智驾客车 9 月交付。独创激目 2.0 系统，精准适配重卡、客车场景，大幅提升行车安全与运营效率。无人场景持续推进，城配物流方案 7 月试运营，L4 级 Robotaxi 下半年开启试运行，均搭载新一代原生多模态基础模型，实现高阶自动驾驶规模化落地。此次发布的原生多模态基础模型，重新定义 “移动物理 AI” 内核，通过物理世界通用规律预训练，实现多模态数据统一表征，达成零数据知识迁移，跨垂类、跨地域开箱即用，彻底解决行业泛化成本高的痛点，助力智驾技术全球快速落地。展会现场该模型已开放乘用车试乘，年内将推送至乘用、商用车型，成为出海核心技术底座。同时卓驭与中国一汽深化合作，多款红旗、一汽解放车型落地智驾方案，未来将联合打造更高阶智能驾驶产品。#卓驭科技 #

90. 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#

91. 正面硬刚Gemini 3 Pro，阿里开源Qwen3.5-Plus｜甲子光年

92. 盘点一周AI大事(11月30日)｜AI自己剪片子奥特曼预告下一代大模型Shallotpeat Anthropic发布最强编码模型Claude Opus 4.5 DeepSeek发布最强开源推理模型DeepSeek-Math-V2 微软开源最强行动智能体Fara-7B Black Forest推出最强开源图像模型Flux.2 阿里发布开源版小香蕉平替Z-Image 腾讯发布开源版Veo 3平替Tencent Harmony 字节开源AI剪辑大模型Vidi2 腾讯开源最强OCR模型HunyuanOCR 1B 科学家研发出最强数据分析智能体Edison Analysis RAI研发棒球陪练机器人港科大训练出首个会打篮球的机器人工程师开源家用机器人Aloha mini #AI新星计划 #人工智能 #AIGC #OpenAI #机器人

93. 第十五章让AI学会看和听

94. 多模态大模型如何统一处理文本、图像信息的？

95. 多模态原生融合如何实现音视频图文的统一理解与生成？

96. 多模态大模型，一定要先是语言模型吗？

97. CS336第十六讲精华:多模态，让AI理解世界

98. AI 真能看懂物理世界吗？FysicsWorld

99. AI算法面试

100. 多模态大模型学习笔记（七）——多模态数据的表征与对齐

101. 港科大团队

102. AI算法面试

103. 多模态对齐

104. 如何有效整合文本、图像等不同模态信息，提升模型跨模态理解与生成能力

105. 多模态与视觉大模型开发实战 - 2026必会

106. 带你秒懂多模态AI大模型原理🤯不看亏了！

107. 【B站强推】多模态大模型的神级课堂！入门级干货教程！小白必看——机器学习丨人工智能丨多模态

108. 大模型系列，多模态大模型前沿算法与实战应用唐国梁

109. GPT-4o推理能力深度拆解

110. 统一多模态理解与生成模型:进展、挑战与机遇

111. 大模型多模态经典算法详细讲解

112. 一文看完多模态

113. 谷歌发布GeminiEmbedding2。核心亮点

114. 谷歌Gemini Embedding 2发布，文本图像视频音频同框读懂！

115. Gemini Embedding 2

116. 谷歌推出 Gemini Embedding 2

117. 260312-Gemini Embedding 2 乃重大突破

118. Gemini Embedding 2 统一多模态的embedding模型

119. Google发布Gemini Embedding 2

120. 对标亚马逊、OpenAI，谷歌(GOOGL.US)连发AI利器

121. 阿里Qwen3-VL多模态大模型

122. Qwen3-VL-MoE架构深度解析

123. 【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

124. 多模态 - Qwen3VL/Embedding/Rerank相关技术解析

125. Qwen3-VL

126. Qwen3-VL

127. Qwen3-VL技术报告英中对照版.pdf

128. Qwen3-VL

129. Qwen3-VL Technical Report

130. 多模态大模型入门指南（三）Qwen-VL 系列技术演进

131. MOSS-VL

132. Qwen3-VL-Embedding 与 Qwen3-VL-Reranker

133. AI是怎么学会”看图说话”的？

134. OmniGAIA

135. 【AI论文解读】打破多模态割裂！统一原生多模态 autoregressive 框架DiNA来了 | 单模型搞定理解+生成

136. 多模态大模型前沿算法与实战应用教程

137. 多模态大模型的感官革命

138. HuggingFace｜Gemma 4

139. 多模态模型的现状、前沿和缺陷

140. 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

141. 阿里千问3.6-Max实测

142. 阿里放大招！千问 3.6-Plus 发布，多模态大模型变天了

143. AI多模态升级

144. 多模态AI爆发

145. AI视频迎来技术革新！即梦发布Seedance 2.0模型

146. 千问3.5多模态大模型性能屠榜，手把手教你免费本地部署

147. 推理王者 vs 多模态全能手

148. Emu3 统一多模态架构突破与 2026 年行业应用实践

149. GPT-4o之后

150. 多模态AI大爆发

151. 多模态AI爆发元年

152. 2026年多模态AI创作工具链保姆级教程

153. 2026年AI科技突破

154. 2026年，多模态模型的研究会走到哪一步？

155. 可信AI丨多模态大模型2026年首批评估正式启动

156. 全模态大模型迈入理解生成一体化新时代

157. 中科算网算泥社区

158. 中科算网算泥社区

159. 2026年AI大模型发展现状

160. 2026年4月下旬AI爆发

161. 前DeepSeek多模态技术核心研究员阮翀首次亮相，元戎启行全面押注大模型自动驾驶

162. 港科大&快手可灵联合研发多模态视频生成框架UnityVideo

163. 大模型技术突破解析：从MoE到多模态，哪些应用场景即将迎来商业化爆发？

164. 多模态与视觉大模型开发实战-2026年必会(完结)

165. 多模态：打破信息壁垒的跨模态智能技术

166. 多模态图像理解大模型通用方法论（从架构 / 训练 / 数据集到落地）

167. LLaDA2.0-Uni：扩散大语言模型，开始统一多模态理解与生成

168. 一文解读：多模态大语言模型综述，建议收藏！

169. *TMM 2025 | Fusion-Mamba：用 Mamba 重塑 RGB-IR 跨模态特征融合

170. 【NeurIPS|多模态大模型】数据有限场景下的多模态对齐

171. ICLR 2026｜滑铁卢大学联合可灵提出UniVideo：统一视频理解、生成、编辑多模态

172. 2026年多模态AI赛道：深度解析10只核心龙头标的

173. 视觉推理任务大一统？一个一体化的多模态推理通用模型！支持问答、描述、跟踪及分割等复杂任务

174. GLM-4.6V：多模态大模型的全能选手，视觉、文本与工具调用的完美融合

175. 多模态训练又塌陷了？蔡达成团队力作 PMRL：奇异值极大化技术，开启 Any-to-Any 自由对齐新高度|TPAMI 2026

176. 多模态AI的黎明：从文本到全感知智能的进化

177. Day 9 教程 | 可灵AI：2026年最火的AI视频生成神器，文字秒变电影大片

178. 智源TALK345期｜AAAI 2026 Outstanding Paper Award ，多模态表征模型能力边界LLM2CLIP

179. CVPR 2025 | 从模态差距到深度对齐：CMA方法重新定义多模态分布外检测标准

180. 多模态模型是如何训练的

181. 代码即工具，显著提升多模态模型鲁棒性

182. AI名词解释 S2E05｜多模态 Multimodal 是什么？

183. 【多模态进阶2】如何提升多模态大模型的表征能力

184. 多模态AI：文本、图像与音频的融合

185. Gramian多模态表示学习与对齐-ICLR2025

186. 一文讲清：多模态学习：多模态融合 + 跨模态对齐

187. 🚀多模态统一模型居然能理解并生成图像

188. 2026年多模态AI方向：10大龙头企业投资逻辑全梳理

189. 免费的绘图AI，根据文字就能绘制图像

190. 人工智能-视觉与多模态大模型核心技术与应用实战

191. 多模态大模型的应用场景

192. 2026年多模态大模型训练营教程资料 - 哔哩哔哩

193. 2026年多模态对齐创新思路

194. 手机6G内存秒跑多模态！1.3B端侧AI新卷王实测揭秘

195. 2026年AI新趋势：多模态智能体实战教程

多模态大模型如何真正“看懂”视频？统一理解的演进之路

精选参考来源