Sarvam AI 开源发布 Sarvam 30B 和 Sarvam 105B 推理模型
Sarvam AI 以 Apache 2.0 协议开源 Sarvam 30B 和 Sarvam 105B 两款从零训练的推理模型，采用 MoE 架构，训练全部在 IndiaAI mission 提供的算力上于印度完成。
推荐理由：原文给出两款从零训练的开源推理模型的架构、训练流程和基准数据，并说明针对印度语言的优化与部署效率，可据此评估其与同类模型的差异。
#多模态
Sarvam AI精选AI 评分6565
Google Blog：AI精选 在 Project Genie 中创建新世界的 4 个技巧
Google DeepMind 分享 Project Genie 使用指南，提供 4 个提示词写作技巧，帮助用户通过自然语言描述生成可交互的虚拟世界。
推荐理由：Google DeepMind分享Project Genie提示词技巧，教你用AI生成可交互3D世界
FireRedTeam：原创语音与多模态项目精选AI 评分6060 FireRedTeam 发布 FireRed-OCR-2B 结构化文档解析模型，OmniDocBench v1.5 得分 92.94
FireRedTeam 发布 FireRed-OCR-2B 权重，基于 Qwen3-VL-2B-Instruct，在 OmniDocBench v1.5 上取得 92.94 的总成绩，高于 DeepSeek-OCR 2 的 91.09、PaddleOCR-VL 的 92.86 等模型。
推荐理由：原文给出了 OmniDocBench v1.5 具体分数、对比模型和三阶段训练方法，读者可以据此判断这个 2B 文档解析模型的实际位置。
Google DeepMind：Blog 表达自我的新方式：Gemini 现已支持音乐创作
Gemini 应用集成 Lyria 3 音乐生成模型，支持通过文本或图片提示创作 30 秒音乐片段，让任何用户都能轻松制作音轨。
LlamaIndex：产品、工程与评测AI 评分5353 LlamaIndex 评测：GPT-5.2 推理档位越高，文档解析质量不升反慢又贵
LlamaIndex 在 OmniDocBench 随机抽取 10 篇中等和 30 篇困难文档，用 GPT-5.2 的 Zero、Low、High、xHigh 四个推理档位做解析评测，并与自家的 LlamaParse Agentic 对比。
Cohere Labs：官方研究博客AI 评分5757 Cohere Labs 发布开源多语言模型 Tiny Aya，3.35B 参数可本地运行
Cohere Labs 发布开源权重多语言模型家族 Tiny Aya，其中 TinyAya-Base 为 3.35B 参数预训练模型，覆盖 70+ 语言，TinyAya-Global 支持 67 种语言的指令微调，另含针对非洲、南亚、亚太等区域的特化版本。
Sarvam AIAI 评分5454 Sarvam AI 发布文档智能工作台 Akshar，基于 Sarvam Vision 提供校对与版面感知抽取
Sarvam AI 发布文档智能工作台 Akshar，构建于其 3B 视觉语言模型 Sarvam Vision 之上，支持视觉定位、版面感知抽取和自动化校对。
字节 Seed：Research Feed精选 Seed2.0 正式发布
Seed2.0系列正式发布，推出Pro、Lite、Mini三款通用Agent模型及专用Code模型，针对复杂多模态任务与长链路Agent场景优化。模型在视觉理解、数学推理与长上下文处理方面达SOTA水平，SuperGPQA分数超越GPT-5.2，并在ICPC、IMO、CMO测试中获金牌。支持科学研究级任务，token成本较顶尖模型降低约一个数量级。目前已上线豆包App、TRAE及火山引擎API。
推荐理由：字节 Seed2.0 正式发布，Agent 与多模态能力全面升级，已接入豆包和 TRAE
字节 Seed：Research Feed精选 "思考"更深,生成更准|Seedream 5.0 Lite 发布
字节跳动发布 Seedream 5.0 Lite 图像生成模型，采用多模态统一架构，跨模态理解与推理能力显著提升，Elo 评分超越前代 4.5 版本。模型首次引入实时检索增强能力，可联网获取最新知识，突破训练数据时间限制。内置丰富世界知识库，在信息可视化、视觉推理、复杂多主体生成等场景表现突出，能根据模糊指令精准修图，支持风格迁移与多步逻辑推理。目前已上线即梦 AI、火山方舟体验中心及豆包内测。
推荐理由：字节发布 Seedream 5.0 Lite，支持实时检索与深度推理的图像生成模型。
蚂蚁 inclusionAI：GitHub 新仓库AI 评分4444 inclusionAI/Zooming-without-Zooming
inclusionAI团队发布了ZwZ模型系列，在细粒度感知任务上取得了当前最佳性能。同时，该团队推出了名为ZoomBench的全新感知基准测试，其设计更具挑战性。这些成果已在ICML 2026会议上展示。
字节 Seed：Research Feed精选 Seedance 2.0 正式发布
Seedance 2.0 视频生成模型正式发布，综合性能达业界 SOTA 水平。新版本支持多模态输入，可同时参考 9 张图片、3 段视频、3 段音频及文本指令，精准迁移构图、动作、运镜与音效。模型支持 15 秒高质量多镜头生成，集成双声道立体声技术，并新增视频延长与编辑功能，可定向修改片段、角色及剧情。目前已在即梦 AI、豆包及火山方舟平台上线，适用于影视、广告、电商等工业级内容创作场景。
推荐理由：字节Seedance 2.0发布，支持多模态输入与物理稳定生成，已上线豆包即梦
蚂蚁百灵：Developer Blog精选AI 评分8383 感知无界·创造有形：百灵全模态 Ming-flash-omni-2.0 焕新生活想象
百灵全模态大模型Ming-flash-omni-2.0正式发布。该模型基于MoE架构，在视觉、语音、图像等全模态能力上实现代际跃迁，其核心突破在于一个统一模型同时具备了强大的通用泛化能力和特定模态的专家级表现。具体特色包括：视觉百科能精准识别万物并关联知识；语音生成可控制情绪、方言，提供百种音色，并能统一生成语音、音效与背景音乐；图像创作可实现氛围重构、场景合成与智能擦除。技术层面通过亿级数据细粒度感知、知识对齐及超低帧率音频表征等创新实现性能飞跃。模型已在多个平台开源。
推荐理由：国产全模态模型开源，多模态能力达领先水准，开发者可直接体验或集成。
LMSYS Blog 基于AMD MI300X的Qwen3及Qwen3-VL极致延迟优化实践
阿里云Qwen团队与AMD AI框架团队基于SGLang框架，在AMD MI300X GPU上实现了Qwen3-235B与Qwen3-VL-235B的极致延迟优化。通过PTPC FP8量化、TP8张量并行、MoE负载均衡及rocJPEG图像解码等技术，Qwen3-235B的TTFT和TPOT性能分别提升1.67倍与2.12倍，Qwen3-VL-235B分别提升1.62倍与1.90倍。相关优化代码已全面开源。
蚂蚁 inclusionAI：HuggingFace 新模型AI 评分4141 inclusionAI/Ming-flash-omni-2.0
inclusionAI 发布了 Ming-flash-omni 2.0 版本。该项目致力于通过开源与开放科学的方式，推动人工智能技术的进步与民主化。新版本意味着模型能力、效率或应用范围的进一步升级，延续了其降低AI技术门槛、促进广泛可及性与协作创新的核心目标。
Qwen：Blog Retrieval Qwen-Image-2.0：专业信息图表与精美照片级真实感
Qwen-Image-2.0 发布，主打专业信息图表与照片级真实感图像生成。Qwen Studio 平台同步集成聊天、多模态理解、文档处理、网页搜索及工具调用等综合能力。
Runway：News Runway 获 3.15 亿美元 E 轮融资，用于扩展 World Simulation
Runway 宣布完成 3.15 亿美元 E 轮融资，由 General Atlantic 领投，NVIDIA、Adobe Ventures 等参投。本轮资金将用于预训练下一代 world models 并拓展至新产品和行业。公司正在招聘。
Sarvam AIAI 评分5454 Sarvam AI 发布 3B 状态空间视觉语言模型 Sarvam Vision，主打印度语言文档智能
Sarvam AI 发布 3B 参数状态空间视觉语言模型 Sarvam Vision，面向文档智能、图表解读和复杂表格解析。
Sarvam AIAI 评分5454 Sarvam AI 发布 TTS 模型 Bulbul V3，覆盖 11 种印度语言
Sarvam AI 发布面向印度语言的文本转语音模型 Bulbul V3，提供 35+ 专业配音声线、支持语音克隆，并新增低延迟流式输出模式。
Moonshot AI：Kimi Blog WorldVQA：多模态大模型视觉世界知识基准测试
Kimi团队发布WorldVQA基准测试，评估多模态大语言模型视觉世界知识的事实准确性。数据集包含3,500个经多阶段人工验证的图像-问题对，涵盖自然、地理、文化等9个类别，区分头部与尾部知识分布。测试显示，即使是Kimi K2.5、Gemini-3-pro等前沿模型，整体准确率仅46%-47%，长尾视觉知识上常低于50%，揭示当前模型在事实可靠性方面的显著不足。
Sarvam AIAI 评分5151 Sarvam AI 发布 Sarvam Audio 语音识别模型，覆盖 22 种印度语言
Sarvam AI 发布语音模型 Sarvam Audio，基于 30 亿参数、在英语和 22 种印度语言上从零预训练的 Sarvam 3B 扩展而来。
OpenMOSS / 复旦NLP / 上海创智 / MOSI精选AI 评分6262 MOVA 发布：32B MoE 端到端同步视频-音频生成模型全栈开源
OpenMOSS 团队发布 MOVA 音视频基础模型，总参数 32B MoE、激活 18B，支持文本或图像到音视频的端到端同步生成，最高 720p、单段 8 秒。模型采用非对称双塔架构（14B Wan 2.2 I2V 视频塔与 1.3B 音频塔）加双向 Bridge 和 Aligned ROPE 对齐时间轴，并开放模型权重、训练与推理代码及微调方案。
推荐理由：原文给出架构、训练策略和开源范围，读者可以了解端到端音视频生成如何处理同步问题并可复现研究。
Google DeepMind：Blog Project Genie：探索无限交互世界
Google 向美国 AI Ultra 订阅用户开放实验性原型 Project Genie 试用，支持实时创建并探索无限生成的交互式世界。
xAI：News精选 xAI发布Grok Imagine API
xAI推出Grok Imagine API，提供文本/图像转视频及高精度编辑功能，支持物体增删、风格转换与原生音频生成。在Artificial Analysis和LMArena基准测试中排名首位，720p视频生成延迟与成本均低于Veo 3和Sora 2；在IVEBench评测中整体表现超越Kling o1与Runway Aleph。API已开放xAI及第三方平台接入。
推荐理由：xAI发布Grok Imagine视频生成API，性能宣称超越Sora与Veo，支持端到端视频创作工作流
Qwen：Blog Retrieval 将 Qwen3-Max-Thinking 推向极限
Qwen Studio 提供聊天机器人、图像与视频理解、图像生成、文档处理、网络搜索、工具调用及 Artifacts 等全面功能，支持多模态 AI 应用。
Google DeepMind：Blog D4RT：教AI看见四维世界
D4RT 实现统一高效的4D重建与追踪，速度较先前方法提升最高达300倍，为四维计算机视觉领域提供高效解决方案。
通义 QwenAudio：原创语音项目AI 评分5252 通义 Fun-CineForge 开源零样本影视配音数据管线与模型
通义语音团队开源 Fun-CineForge，包含端到端配音数据集管线和面向多样影视场景的 MLLM 配音模型，并发布首个大规模中文电视剧配音数据集 CineDub-CN。
LMSYS Blog SGLang EPD 分离架构：视觉语言模型的弹性编码器扩展
SGLang推出EPD（Encoder-Prefill-Decode）分离架构，将视觉编码与语言处理解耦，支持编码器独立横向扩展以替代低效的张量并行。该方案兼容现有PD分离，支持ZMQ、Mooncake等传输后端及视觉嵌入缓存。测试表明，在图像密集型场景（如多图输入）且1 QPS负载下，首token生成时间（TTFT）较同机部署降低约6–8倍；但在图像轻量场景中，网络开销可能导致性能下降。
BAIR：Berkeley AI Research BlogAI 评分5555 BAIR提出基于互信息的成像系统设计框架
Berkeley AI Research (BAIR) 发布了一篇 NeurIPS 2025 论文，介绍了一种通过量化测量数据中的互信息来直接评估和优化成像系统的新框架。该方法不依赖人类可解释的图像质量指标（如分辨率或信噪比），而是衡量测量值区分物体的能力。实验表明，该指标能预测四个成像领域的系统性能，且优化后的设计在内存和计算需求上低于端到端方法，同时无需特定任务的解码器设计。
Qwen：Blog Retrieval Qwen3-VL-Embedding 与 Qwen3-VL-Reranker：面向下一代多模态检索
Qwen Studio 发布新一代多模态检索模型 Qwen3-VL-Embedding 与 Qwen3-VL-Reranker，平台集成聊天机器人、图像视频理解、图像生成、文档处理、联网搜索、工具调用及 Artifacts 等全栈多模态能力。
xAI：News xAI 完成 200 亿美元 E 轮融资
xAI 完成 200 亿美元 E 轮融资，投资方包括 NVIDIA、Cisco 等。目前拥有约 6 亿月活用户，运营超 100 万 H100 GPU 等效算力的 Colossus 超算，正在训练 Grok 5。资金将用于基础设施建设和 AI 产品开发。
Liquid AI 模型与工程博客精选AI 评分6363 Liquid AI 发布 LFM2.5 端侧模型家族，预训练扩展至 28T tokens
Liquid AI 发布 LFM2.5-1.2B 模型家族，将预训练从 10T 扩展到 28T tokens 并加入强化学习后训练，覆盖 Base、Instruct、日语、视觉语言和音频语言五个变体。
推荐理由：官方发布给出了完整基准数据和推理速度对比，读者可以据此评估 1B 级端侧模型在指令遵循和部署上的实际水位。
Qwen：Blog Retrieval Qwen-Image-Edit-2511：提升一致性
Qwen Studio 集成聊天机器人、图像与视频理解、图像生成、文档处理、联网搜索、工具调用及 artifacts 等全栈 AI 功能。
Qwen：Blog Retrieval Qwen3-TTS 升级：支持语音克隆和语音设计！
Qwen3-TTS 新增语音克隆与语音设计能力，Qwen Studio 集成聊天机器人、图像视频理解、图像生成、文档处理、联网搜索、工具调用及 artifacts 等综合服务。
Mistral AI：News精选AI 评分6363 Mistral 发布 Mistral OCR 3，整体胜率达 74%，定价 $2/1000 页
Mistral 发布 Mistral OCR 3，对比 Mistral OCR 2 在表单、扫描件、复杂表格和手写内容上取得 74% 的整体胜率。
推荐理由：官方完整披露了 OCR 3 相对上一代的提升点、定价和接入方式，可帮助需要文档解析的用户评估是否迁移。
Thinking Machines Lab：News精选AI 评分6767 Thinking Machines Lab 宣布 Tinker 全面开放并支持视觉输入
Thinking Machines Lab 宣布 Tinker 正式开放（GA），取消候补名单，并新增四项更新：支持微调 Kimi K2 Thinking（万亿参数。
推荐理由：官方宣布 Tinker 全面开放并新增视觉输入，附上 VLM 与传统视觉基线在少样本分类下的对比数据，可作选型参考。
Cohere 产品与研究博客AI 评分5454 Cohere 发布 Rerank 4 重排序模型，含 Fast 与 Pro 双版本并引入 Self Learning
Cohere 发布 Rerank 4 重排序模型系列，称在整体搜索相关性上优于 MongoDB 的 Voyage 模型和 ElasticSearch 的 Jina rerankers。
Sierra：BlogAI 评分4747 Sierra 推出 Visual Attachments：为聊天智能体引入视觉附件新维度
Sierra 发布 Visual Attachments 功能，允许用户在对话中直接附加图片、截图或文档，使多步骤交互更直观。该功能旨在减少纯文本沟通的歧义，让智能体能更准确地理解用户意图并执行后续操作。Visual Attachments 现已面向 Sierra 平台客户开放。
LlamaIndex：产品、工程与评测AI 评分4747 OlmOCR-Bench 评测：OCR 基准的洞见与陷阱
LlamaIndex 对 OlmOCR-Bench 做了深度评测，指出其 1400+ PDF、7000+ 二元单元测试在公式、表格、小字体等维度上可复现且成本低，但数据分布约 56% 为学术类，发票、表单等真实场景文档覆盖不足，二元测试对表格和阅读顺序的判定也偏粗。
Mistral AI：News精选AI 评分8282 Mistral 发布 Mistral 3 系列：Mistral Large 3 与 Ministral 3 全线开源
Mistral 发布 Mistral 3 模型系列，包含 41B 激活、675B 总参数的稀疏 MoE 模型 Mistral Large 3，以及 3B、8B、14B 三种规模的 Ministral 3 小模型，全部以 Apache 2.0 许可开源。
推荐理由：原文来自 Mistral 官方发布，给出了模型规格、开源许可、性能定位和部署路径，读者可据此评估不同规模的选用方案。
Google DeepMind：Blog精选AI 评分8080 Google DeepMind 发布 Nano Banana Pro（Gemini 3 Pro Image）图像生成与编辑模型
Google DeepMind 发布 Nano Banana Pro（Gemini 3 Pro Image），基于 Gemini 3 Pro 的高保真图像生成与编辑模型，已在 Google AI Studio 和 Vertex AI 以付费预览形式推出。
推荐理由：原文给出模型的核心能力细节、可用分辨率与接入方式，开发者可据此判断是否适合替换现有图像生成工作流。