跳到正文
#多模态
8月26日周三
  2. 智谱开放平台：模型与产品发布记录54

    智谱 GLM-5.3-Flash 原生多模态模型上线，总参 320B 激活 18B

    智谱开放平台公告 GLM-5.3-Flash 原生多模态模型上线，原生融入视觉能力，可主动观察界面、渲染与交互反馈并持续迭代，实现代码、浏览器与图形界面协同闭环。模型采用线性注意力与稀疏注意力混合架构，总参 320B、激活 18B，计算量与 KV 缓存较 GLM-5.3 大幅降低，并拓展至 Office 文档与金融研究工作流。

  5. Google Blog：AI45

    Google Search 升级家居装饰的 5 种方法

    Google Search 推出五种家居装饰实用功能：AI Mode 可上传房间照片并生成家具摆放效果图，Lens 支持识别复古单品并查找相似商品，Circle to Search 无需切换应用即可圈选心仪装饰，Search Live 提供 DIY 安装的逐步指导，产品列表可对比价格并追踪降价提醒。近月“home decor inspo”搜索量上涨 300%。

8月25日周二
  1. Ars Technica：AI49

    AI 不会取代放射科医生，但将彻底改变他们的工作

    2016 年 Geoffrey Hinton 曾预测放射科医生五年内将被计算机取代，但该领域从业人数预计未来三十年仍将增长 26% 以上。截至 2026 年初，FDA 批准的 1400 款 AI 医疗设备中约四分之三用于放射科，部分工具能识别人眼不可见的异常或达到甚至超越训练有素放射科医生的水平。一项涵盖 43 项临床试验的分析显示，AI 辅助结肠镜检查比传统方式发现更多息肉。

  2. TechCrunch：AI50

    Gamma 收购 Accel 投资的 AI 设计初创公司 Lica

    演示文稿初创公司 Gamma 收购了 Accel 支持的设计初创公司 Lica，以建立自己的设计研究实验室，Lica 联合创始人将负责领导该部门。Lica 成立于 2023 年，曾获 Accel、South Park Commons 等投资的 400 万美元，专注于为电商网站制作符合品牌准则的营销视频。Gamma 表示希望借助新部门探索多模态演示文稿等不同沟通形式，但未透露具体产品计划。

  5. IT之家·人工智能49

    代码显示谷歌正在为 Google Play 商店应用开发 AI 图片搜索功能

    外媒 Android Authority 在挖掘 Google Play 商店应用 v52.8.55-34 版本时发现，谷歌正在为内置 AI 搜索功能 Ask Play 开发图片搜索功能。该功能已部分启用，用户可上传图片或用相机拍摄照片搜索应用，例如通过截图识别小组件或寻找界面相似的替代应用。此外，谷歌还有望在新版应用详情页中嵌入 Ask Play 界面，展示 AI 生成的用户感兴趣的问题。

  7. GitHub Blog49

    你的alt文本能通过自动化检查，不代表它真的合格

    WebAIM Million报告显示，主流网页中16.2%的图片缺少alt文本，另有10.8%的alt文本模糊或重复。GitHub为Accessibility Scanner构建了alt文本插件，采用五条确定性规则检测缺失、文件名、占位符、泛化词及相邻重复，并引入基于布局的重复检测和可选视觉模型审查，以平衡误报率与实用性。

8月24日周一
  2. Apple Machine Learning Research50

    Beyond Visual CoT：Internalized Visual Thinking 实现主动视频推理

    多模态大语言模型常用视觉思维链（Visual CoT）进行空间、时间与具身环境推理，但生成中间推理图像带来大量推理开销。新提出的后训练框架 Internalized Visual Thinking（IVT）在训练阶段内化视觉思考，推理时直接进行文本预测与优化，从而在不增加推理成本的前提下实现主动视频推理。

  3. IT之家·人工智能50

    Dr. Dre 公开支持 AI 音乐，将其类比鼓机、合成器

    美国音乐人 Dr. Dre 近日承认在音乐创作中使用 AI，称其为“全新的创意工具”，并类比鼓机、合成器等最初遭抵制、如今已普及的工具。他未透露具体使用方式。Deezer 称其平台新上传音乐已有一半为 AI 生成，Tidal 已明确纯 AI 音乐不获版税，Spotify 则推出 AI 标签识别伪装真人的 AI 音乐人。

  4. MarkTechPost60

    Generalist AI 发布 GEN-1.5：一个从 3–12 秒演示中学会新任务的机器人基础模型

    Generalist AI 发布机器人基础模型 GEN-1.5，将 3–12 秒的传感器运动数据放入 30 秒上下文窗口即可执行任务，无需梯度更新或微调。在 10 项操作任务中，单次上下文提示平均成功率达 59%（±10%），每任务用 5 分钟数据做 10 步梯度更新后提升至 83%（±9%）。该能力并非显式训练，而是从超八个月预训练中涌现；目前无公开权重、API 或定价，属研究发布。

  5. Rohan Paul52

    当一项任务持续数小时甚至数周，且外部世界不断变化时，AI 需要具备什么才能保持有用？ 目标会演变。新的约束会出现。计划会失败。 认识一下 dots3-note 预览版，这是由 rednote 的 dots 工作室 @dotsstudioai 开发的开放权重多模态模型，面向现实生活中的长期任务自主性。 - 总计 280B / 激活 16B 参数 - 512K 上下文窗口 - 文本、视觉和语音理解 以下介绍它如何学习、自我评估并随时间适应。🧵

  7. IT之家·人工智能52

    AI 大模型周榜：智谱 glm-5.3-max 首秀闯入综合榜前 15，月之暗面 kimi-k3-max 冲进前十

    Arena 平台发布第 34 周 AI 大模型盲测排名，智谱新发布的 glm-5.3-max 首次入榜即位列综合榜第 13 名（ELO 1487 分），月之暗面 kimi-k3-max 升至第 10 名，首次进入前十。代码榜中 glm-5.3-max 同样首秀即杀入前十（第 10 名，ELO 1531 分）。综合榜头部由 claude-fable-5 以 1508 分蝉联第一。

  8. IT之家·人工智能41

    月之暗面第一代万亿参数多模态模型 Kimi K2.5 官宣月底结束服役

    月之暗面官方微博宣布，第一代万亿参数多模态模型 Kimi K2.5 本月底结束服役。该模型于今年 1 月推出并开源，曾是其最智能、最全能的模型，采用原生多模态架构，支持视觉与文本输入、思考与非思考模式及 Agent 任务。其继任者 Kimi K3 已于今年 7 月开源，为 2.8 万亿参数模型，拥有 100 万 token 上下文窗口。

  9. IT之家·人工智能68

    阿里巴巴达摩院推出肝癌 AI 模型 DAMO LiON，可精准识别 1 厘米微小肿瘤

    阿里巴巴达摩院联合中国医科大学附属盛京医院等机构研发出肝癌诊断 AI 模型 DAMO LiON，可通过 CT 影像识别微小肝脏癌变病灶。两个月真实世界前瞻临床试验中，该模型发现 15 例原本被遗漏的恶性肿瘤，绝大部分为 1 厘米左右病灶；AI 协助阅片用时减少 27%，对恶性肿瘤敏感性提高 11.5%，相关论文登上《自然·医学》。

8月23日周日
  1. OpenRouter：Announcements55

    OpenRouter 推出图像基准测试，覆盖全部 39 款图像模型

    OpenRouter 发布 Visual Image Benchmarks，帮助用户快速评估其提供的全部 39 款图像模型（截至 2026 年 8 月）的实际能力。基准测试用七类挑战性提示词区分模型差异，包括不可能场景、计数、文本、空间关系、否定指令、编辑和一致性，并以网格形式展示结果，支持按价格和生成时间排序。OpenRouter 计划未来将该工具扩展至视频和音频模态。

8月22日周六
  1. The Decoder：AI News51

    新研究：忽略人类信念的世界模型会预测错误行为

    一项新研究指出，Sora、Genie 3 等现有世界模型仅建模物理层，忽略人类信念、意图等心理状态，导致预测错误。研究者提出“Mental World Modeling”（MWM）框架及免训练实现 MENTIS，并构建含 448 个场景的 Menti-Bench 评测集。在八款模型测试中，完整 MWM 流程将 F1 分数从直接回答的 63.3 提升至 87.9，人类基准为 98.5。

  3. The Decoder：AI News61

    DeepSeek 发布实验性视觉模型 V4-Flash-Vision-Exp，智能体基准测试对标 Opus 4.8

    DeepSeek 发布实验性多模态模型 V4-Flash-Vision-Exp，在图像理解基础上保持文本推理能力，其内部智能体基准测试成绩接近 Opus 4.8。该模型兼容 OpenAI 与 Anthropic API，支持 Base64、URL（32 MiB）及免费 Files API（64 MiB）三种传图方式，单图成本最高 384 tokens，单次请求最多 600 张图片。

8月21日周五
  5. Tianyi Cui49

    DeepSeek-V4-Flash-Vision-Exp 已上线 DeepSeek API 平台，文本能力与 V4-Flash 持平，多模态智能体性能大幅跃升，接近 Opus-4.8。DeepSeek Harness 0.1.1 同步发布，开箱即支持新模型，可用 model='deepseek-v4-flash-vision-exp' 调用。

    引用DeepSeek@deepseek_ai

    DeepSeek-V4-Flash-Vision-Exp is now live on the DeepSeek API Platform! 🚀 🔹 This experimental multimodal model matches DeepSeek-V4-Flash on text capabilities—including agents, reasoning, and world knowledge. 🔹 On multimodal agent benchmarks, V4-Flash-Vision-Exp makes a major leap over V4-Flash, bringing multimodal agent performance close to Opus-4.8. Try it with model='deepseek-v4-flash-vision-exp'. DeepSeek Harness 0.1.1 was released today with out-of-the-box support for the new model. 1/n

  6. DeepSeek：API 更新日志67

    DeepSeek-V4-Flash-Vision-Exp 发布

    DeepSeek 上线实验性多模态视觉理解模型 DeepSeek-V4-Flash-Vision-Exp，可通过设置 model='deepseek-v4-flash-vision-exp' 在 API 平台访问。

    推荐理由：实验版在纯文本能力与正式版持平的基础上补齐视觉，多模态 Agent 基准接近 Opus-4.8，让依赖视觉的 DeepSeek 工作流无需切换后端即可评估更强感知能力。

  7. IT之家·人工智能63

    DeepSeek V4-Flash-Vision-Exp 上线，开启多模态 API 服务

    深度求索发布多模态视觉理解模型 DeepSeek-V4-Flash-Vision-Exp，已上线 API 平台。该模型纯文本能力与 V4-Flash 正式版持平，视觉理解 Agent Benchmark 表现大幅跃升，接近 Opus-4.8。API 按 token 计费，单张图片最多占 384 tokens，价格与 V4-Flash 一致，支持三种调用格式及三种图片传入方式。

  8. 公众号：DeepSeek73

    DeepSeek 上线多模态视觉理解模型 V4-Flash-Vision-Exp

    DeepSeek 上线多模态视觉理解模型 V4-Flash-Vision-Exp，纯文本能力与 V4-Flash 正式版持平，多模态 Agent 能力接近 Opus-4.8。该模型通过 API 提供，图片按 token 计费，一张最多占 384 tokens，价格与 V4-Flash 一致。同期上线的 Files API 免费，支持图片上传后通过 file_id 复用。

    推荐理由：比文本能力持平更实际的是多模态 Agent 能力接近 Opus-4.8，同时图片按 token 计费与 V4-Flash 一致，原先依赖外部视觉模型的 Agent 流程可能改用单一 API 且成本更低。

  9. IT之家·人工智能46

    雷鸟 iO AI 眼镜图赏：好看，也好戴

    雷鸟创新发布首款“人类增强 AI 眼镜”雷鸟 iO，IT之家带来开箱图赏。该眼镜采用 0.085 立方厘米萤火光引擎 Nano 与厚度不足 0.6 mm 蓝湖光波导，非显示区透过率超 98%，官标重量仅 34 克。设计上采用皇冠框型与前后平衡配重，支持 Smart Crown 旋钮及头势交互，并配备 2000 mAh 充电盒。

  10. IT之家·人工智能48

    商汤开源 8B 参数多模态大模型 SenseNova U1.5 Lite，原生支持 4K 图像输出

    商汤科技今日宣布开源轻量级原生统一多模态大模型 SenseNova U1.5 Lite，该模型拥有 8B 参数，原生支持 3-4k 上下文长度和 4K 高分辨率图像输出。模型支持 Bounding Box、Visual Marker 及多图参考等精细视觉控制，在指令遵循与图像编辑保持度上超越同量级模型，文字渲染与复杂布局能力媲美超大规模商业模型。

  12. IT之家·人工智能51

    苹果收紧 Apple Music 服务，AI 生成音乐年底将强制标注

    苹果计划在 2026 年年底调整 Apple Music 规则，强制要求内容供应商和唱片公司为“大部分”由 AI 创作生成的音乐添加 AI Transparency Tags（AI 透明度标签）。该标签于 2026 年 3 月推出时属自愿机制，新要求生效后标注将不再有选择权，但苹果尚未披露具体执行方式和违规处理措施。