跳到正文
#多模态
7月24日周五
  3. IT之家·人工智能52

    腾讯混元大语言模型与多模态团队合并，成立基础模型部由姚顺雨统一管理

    腾讯宣布混元多模态模型部门与大语言模型部门合并，成立基础模型部，由首席AI科学家姚顺雨统一管理。7月上线的Hy3大语言模型智能水平比肩参数规模2-5倍的旗舰模型，发布一周后总调用量较上一代Hy2增长超68倍。混元3D世界模型2.0（Hy World 2.0）已开源，支持文字、图片、视频输入生成3D世界，社区下载量超300万。

  4. IT之家·人工智能73

    Black Forest Labs 发布 FLUX 3 多模态模型，支持单次生成 20 秒视频与原生音频

    Black Forest Labs 以 Early Access 方式推出 FLUX 3 多模态基础模型，采用统一架构联合学习图像、视频和音频。该模型基于 Self-Flow 学习框架扩展，可在单次生成中输出最长 20 秒视频并附带原生音频，支持文生视频、图生视频、多镜头串联等任务。

    同一件事，精选收录的是《Black Forest Labs 发布 FLUX 3 多模态基础模型，与 mimic 合作推出 FLUX-mimic 机器人模型》

  5. IT之家·人工智能59

    阿里云开源 0.8B 文档解析模型 OvisOCR2，端到端模型首次超越流水线方法登顶 OmniDocBench

    阿里云开源发布文档解析模型 OvisOCR2，以 96.58 的综合得分在 OmniDocBench v1.6 上登顶，成为首个超越流水线方法的端到端模型。该模型基于 Qwen3.5-0.8B 后训练得到，采用端到端技术路线，可直接将文档图像输出为 Markdown 格式。项目以 Apache 2.0 许可证开源，兼容 vLLM 等主流推理框架。

  6. MarkTechPost65

    用百度 Unlimited-OCR 构建端到端高分辨率图像与多页 PDF 解析管线

    本教程构建了一套完整的 OCR 工作流，在 GPU 上加载百度 3B 参数的 Unlimited-OCR 视觉语言模型，支持 bfloat16/float16 自动选择。管线包含两种推理模式：Gundam 模式（分块高细节）和 Base 模式（单视图更快），并通过 PyMuPDF 和 infer_multi() 扩展至多页 PDF 解析，全程保留长上下文生成、重复控制和结构化输出设置。

  7. 公众号：龙猫LongCat68

    MineExplorer：首个《我的世界》分钟级长程任务评测基准发布

    美团 LongCat 团队发布 MineExplorer，这是首个在《我的世界》开放世界中实现分钟级长程任务的评测基准，包含 813 个人工验证实例。评测 18 款顶级多模态大模型发现，最强模型 Claude-Opus-4.6 整体任务成功率仅 41%，从 1 跳任务的 77% 骤降至 4 跳任务的 12%，近 60% 的失败源于导航失败。MineExplorer 已全面开源。

    推荐理由：18 个顶级多模态模型在 Minecraft 里全翻车，每多一层隐藏前置条件成功率就砍半，搞具身智能的该看看感知和行动之间还隔着什么。

  9. Rohan Paul42

    Black Forest Labs 发布 FLUX 3，一个统一处理图像、视频、音频和动作预测的多模态模型。其视频骨干网络通过大规模视频预训练学习物体运动、接触变形和时间因果，使机器人无需从零学习物理规律。基于 Self-Flow 架构，FLUX 3 能让机器人用约一半的微调数据学会任务，此前实验显示可减少高达 10 倍的训练数据。

    引用Black Forest Labs@bfl_ai

    Introducing FLUX 3. One multi-modal model for Image, Video, Audio and Action-Prediction. Creations are truer to life in every kind of style. FLUX 3 Video is now available in early access (link below). Jointly trained in one unified architecture, our model can be extended to predict actions for robotics. See our work with mimic and Audi in the thread.

  10. Tibo48

    OpenAI 将 ChatGPT Voice 功能引入桌面应用，用户可通过语音控制电脑并指挥 ChatGPT Work 或 Codex 中运行的多个 AI 智能体。该功能由 GPT-Live 驱动，支持同时说话、聆听和协调工作。即日起面向 macOS 和 Windows 的 Plus、Pro、Business、Edu 及 Enterprise 用户全球推送。

    引用OpenAI@OpenAI

    ChatGPT Voice is now in the desktop app. Control your computer and direct multiple agents running in ChatGPT Work or Codex, using just your voice. It's powered by GPT-Live, so it can speak, listen, and coordinate work in the app at the same time. Rolling out globally today on macOS and Windows to Plus, Pro, Business, Edu, and Enterprise plans.

  11. Claude：Blog75

    Claude 语音模式现已支持 Opus、Sonnet 及连接工具与多语言

    即日起，Claude 语音模式在 Opus、Sonnet 和 Haiku 上运行，并支持连接 Gmail、Slack 等工具及更多语言。用户可在对话中切换模型，语音模式默认沿用上次文本聊天使用的模型。该功能面向所有用户开放 beta 测试，免费版可使用 Haiku 及一个连接工具，付费版可访问更多模型和全部连接工具。

    推荐理由：Claude 语音模式终于能调用最强模型了，深度思考不再受限于轻量版，加上工具集成和多语言，移动端从随口问答升级为实时脑力伙伴，值得立即上手。

  12. TechCrunch：AI56

    Anthropic 更新 Claude 语音模式，支持更强大模型

    Anthropic 周四更新 Claude 语音模式，用户现可选择 Opus、Sonnet 和 Haiku 模型，系统默认使用用户在文本聊天中最后使用的模型的最快版本。新语音模式支持更长对话，并能调用 Gmail、Google Calendar 等应用执行操作。该功能以 Beta 版面向所有平台用户开放，免费用户仅限使用 Haiku 模型并连接一个应用。

7月23日周四
  1. 公众号：龙猫LongCat62

    MineExplorer：美团 LongCat 评测揭示顶级多模态大模型在动态开放世界中的能力断层

    美团 LongCat 团队构建 MineExplorer，这是首个在开放世界中做到分钟级长程任务的评测基准，含 813 个人工验证实例（1-hop 到 4-hop）及规则化里程碑自动评测框架。

    推荐理由：感知强于推理、导航失败占比近60%，把具身智能的瓶颈清晰地拉回到规划能力，而非感官或资源。

  2. 公众号：卡尔的AI沃茨62

    实测腾讯设计Agent Miora：13个真实场景跑通品牌设计全案

    腾讯上线首个设计Agent“设计妙境 Miora”，覆盖品牌设计、影视创意、电商广告、互动游戏、网页应用等方向。实测以宠物品牌“爪间PAWROOM”为案例，从Logo、品牌手册、产品外观、3D建模（调用Hunyuan3D 3.1）、IP设计、App UI到30秒TVC和真人带货视频全流程跑通，支持记忆偏好、框选编辑和将整套流程存为可复用的Skill。

  4. Google AI：DEV 作者专属73

    Gemini 3.6 Flash 与 3.5 Flash-Lite 正式版发布

    Google 发布 Gemini 3.6 Flash 和 Gemini 3.5 Flash-Lite 正式版。3.6 Flash 在复杂智能体和多模态任务上性能更强，输出 token 价格降至 $7.50/1M，支持 1M token 上下文窗口和 Computer Use 工具。

    推荐理由：Gemini 3.6 Flash 降本增效，3.5 Flash-Lite 主打低成本高速，弃用 temperature 等参数是个硬变更，使用 Gemini 的开发者必须检查迁移。

  5. 公众号：面壁智能56

    面壁智能MiniCPM端侧大模型深度赋能三星Galaxy AI，首次进入国际头部手机厂商全球旗舰产品线

    7月22日，三星在伦敦发布Galaxy Z Fold8、Fold8 Ultra与Z Flip8折叠旗舰，面壁智能MiniCPM系列端侧大模型深度赋能三星Galaxy AI，支持文本理解与多模态感知，全程本地运行。这是国产端侧大模型首次进入国际头部手机厂商的全球旗舰产品线，带来更快响应与更强隐私保护。

  6. 公众号：面壁智能50

    面壁智能端侧大模型首次进入三星全球旗舰折叠屏产品线

    7月22日三星伦敦Galaxy Unpacked发布会上，面壁智能MiniCPM系列端侧大模型深度赋能三星Galaxy AI，支持文本理解与多模态感知，全程本地运行。这是国产端侧大模型首次进入国际头部手机厂商的全球旗舰产品线。搭载该AI的新机包括Galaxy Z Fold8、Galaxy Z Fold8 Ultra与Galaxy Z Flip8。

  7. Elon Musk40

    Elon Musk 宣布推出 Grok Build，用户可通过该工具在终端中调用 Grok 4.5 模型。开发者 Daniel Farinax 利用 Grok Build 安装了 Unity 免费 CLI，成功构建 3D 场景并导出视频，还在同一会话中创建了可玩的 macOS 岛屿探索游戏。Unity CLI 支持 MCP 模式且免费，无并发限制。

    引用tetsuo@tetsuoai

    This is insanely cool. Set this up in Grok Build! Unity shipped a free terminal Unity CLI for coding agents, CI, and custom tooling. MCP stays supported, the CLI includes MCP Mode for existing MCP agents, and Unity says both the CLI and MCP are free with no concurrency limits on the MCP server. Dan got Grok 4.5 via Grok Build to install the CLI, build a 3D scene, and export a video. "Same session shipped a playable macOS Island Explorer with Poly Haven CC0 trees, rocks, and cliffs, Crest FFT ocean with shoreline foam, irregular hills, grounded props, FPS walk, and a half-size performance pass when the scene got heavy." -- Daniel Farinax

  8. The Verge：AI69

    三星智能眼镜真机亮相：9小时续航、Google Gemini与Bixby双AI支持

    三星与Google、Gentle Monster、Warby Parker合作开发的智能眼镜首次公开真机，采用高通Snapdragon AR1 Gen 1芯片，单次充电续航达9小时，充电盒可额外提供7次充电。眼镜支持Google Gemini或三星Bixby，具备消息摘要、实时翻译、导航引导和摄像头画面分析功能。产品定位“高端”，将于今年秋季上市，但具体价格和发售日期尚未公布。

  9. Black Forest Labs：Blog59

    FLUX 3 发布：Black Forest Labs 多模态模型，支持原生音频、图像生成与动作预测

    Black Forest Labs 发布多模态模型 FLUX 3，面向视频领域，原生支持音频、图像生成与动作预测。该模型旨在成为视觉智能的骨干，目前官方已展示其能力与早期结果。

    推荐理由：Black Forest Labs 把图像、视频、音频拉通到一个模型里，这比单纯提升画质更有想象力，但目前只有一句简介，像个预告片，想真评估的还得等技术细节。

7月22日周三
  1. IT之家·人工智能52

    三星首款 AI 眼镜 Galaxy Glasses 亮相：搭载骁龙 AR1 Gen1 芯片，满电续航 9 小时

    三星在 Galaxy Unpacked 2026 夏季发布会上推出首款 AI 眼镜 Galaxy Glasses，搭载骁龙 AR1 Gen1 芯片，支持谷歌 Gemini。该眼镜无显示屏，通过音频和摄像头提供实时翻译、导航、消息摘要等功能，单次充电续航最长 9 小时，充电盒可额外提供最多 7 次满电充电。

  3. 公众号：卡尔的AI沃茨71

    实测Qwen-Image-3.0：19大场景挑战GPT Image2，中文长文本与多图融合表现亮眼

    Qwen-Image-3.0上线，支持最高4.5k token输入、12种语言、20多种字体，以及多图融合、图中图和图片编辑。实测显示，其在中文长文本生成、多语言混合排版、UI设计、多图融合与图片编辑等19个场景中均能稳定输出，文字不崩且信息对应准确，图片质量已能与GPT Image2媲美。该模型在国内可直接使用，速度快且价格不贵。

    推荐理由：Qwen-Image-3.0 的实测效果在中文文字稳定性和多图融合上可以和 GPT Image2 掰手腕，看完这些案例，你会意识到国产图像模型已经能务实替代一部分工作流了。

  4. Qwen73

    通义千问发布第三代图像生成模型Qwen-Image-3.0，核心关键词为“真实”。模型支持最长4.5k token的提示词，可一次性生成复杂布局（如报纸、试卷、3×3信息图），并能渲染10px级文字、完整LaTeX论文页面及逼真皮肤纹理。它还支持12种语言、100多种艺术风格，并具备实时网络检索能力，旨在成为设计、教育等领域的实用生产力工具。

    同一件事，精选收录的是《通义千问发布 Qwen-Image-3.0 图像生成模型，核心关键词为“实”》

  5. 公众号：可灵AI48

    可灵创作者澜安：AI如何演好“隐忍落泪”这类复杂情绪

    创作者@澜安自2025年下半年接触AIGC，因可灵对人物微表情、细腻动作和长镜头稳定性的表现，开始探索AI呈现影视剧般自然复杂情绪的可能。他把情绪拆解为眼神变化、嘴角颤动、呼吸节奏和肢体反应等外在细节，再通过镜头、光影和节奏让表演成立，并分享了从剧本、分镜、提示词到可灵生成的完整创作方法。

  6. 公众号：小红书技术62

    小红书开源 BigMac：多模态大模型训练新范式

    小红书技术团队开源 BigMac，一种针对多模态大模型训练的依赖安全嵌套流水线新范式。它以 LLM 流水线为主干，在不打乱执行顺序的前提下嵌入编码器和生成器计算，相比基线实现 1.08x-1.9x 加速，同时保持激活显存有界。BigMac 已作为 dots 多模态模型训练的核心组件投入生产。

    同一件事，精选收录的是《小红书 dots infra 开源 BigMac：突破多模态大模型训练的帕累托前沿》

  7. 公众号：小红书技术70

    小红书 dots infra 开源 BigMac：突破多模态大模型训练的帕累托前沿

    小红书开源 BigMac，一种面向原生多模态场景的流水并行训练新范式。它通过依赖安全的嵌套流水线，在不增加 LLM 流水线空泡、保持激活显存有界的同时，高效实现多模态流水训练。相比基线，BigMac 训练速度提升 1.08～1.9 倍，并在 global batch size 增大时保持稳定显存占用，目前已应用于 dots 多模态模型生产训练。

    推荐理由：通过在成熟的LLM流水线中嵌入依赖安全的编码器与生成器计算，BigMac让多模态大模型训练不再需要在速度和显存之间做非此即彼的选择，适合正在纠结训练策略的工程团队检查调度逻辑。

  8. 公众号：面壁智能42

    面壁智能携手吉利发布具身智能体框架RoboHarness，从智能座舱走向工厂常态化作业

    2026世界人工智能大会现场，面壁智能与吉利人工智能中心联合发布具身智能体框架RoboHarness，基于该框架的机器人已在吉利生产仓储场景实现常态化作业。该框架基于面壁2026年4月发布的EmbodiedClaw开发，集成VLM多模态大模型与VLA模型，并内置数据闭环设计，支持自主决策与失败重试恢复。双方还依托吉利星睿智算中心（综合算力23.5 EFLOPS）共同训练并推出全新VLA具身模型。

  9. 公众号：生数科技50

    生数科技骆怡航：通用世界模型是连接数字与物理智能的关键基础设施

    生数科技联合创始人骆怡航在WAIC 2026提出，通用世界模型需像大语言模型一样建立统一基座，实现感知、预测与行动的闭环。公司围绕该基座构建“一体两翼”产品体系：Vidu Q系列面向数字内容生成，Vidu S系列推动实时交互，Motubrain面向物理世界机器人控制。世界模型正从学术研究走向产业中心，成为AI理解并行动于真实世界的关键路径。

  10. Rohan Paul53

    Kimi K3 在 3D Design 评测中以 1450 Elo 排名第一，较前代 Kimi K2.6 跃升 6 个名次、108 Elo。Kimi K3 领先第二名 Claude Fable 5 达 82 Elo，领先第三名 GLM 5.2 达 87 Elo。

    引用Design Arena@DesignArena

    BREAKING: Kimi K3 by @Kimi_Moonshot is 1st overall on 3D Design with an Elo of 1450. This is a 6 position and 108 Elo jump from @Kimi_Moonshot's previous model, Kimi K2.6. This performance puts Kimi K2.6 82 Elo ahead of Claude Fable 5 by @AnthropicAI in 2nd and 87 Elo ahead of GLM 5.2 by @Zai_org in 3rd. Congratulations to the @Kimi_Moonshot team on this accomplishment!

  11. SenseTime54

    商汤发布 SenseNova-Vision，一个通过自然语言提示词即可完成检测、分割、深度估计、OCR、3D 重建等多项视觉任务的统一模型，无需串联多个专用工具。该模型在关键基准上超越近期统一视觉方案，并已完全开源（权重、数据、代码、Demo、论文）。

    引用Wesley@Ambani_Wessley

    Holy shit, SenseNova-Vision just dropped and it's wild. One single model that handles detection, segmentation, depth, surface normals, OCR, keypoints, 3D recon—literally everything—through plain English prompts. No more chaining 5 different specialist tools. It beats the recent unified vision attempts on key benchmarks and feels like the GPT moment for vision. Fully open source: weights, data, code, demo, paper. This is vision becoming native to foundation models. Try @SenseTime_AI now 👇🏿 GitHub: https://github.com/OpenSenseNova/ HF: https://huggingface.co/sensenova/Sens Paper: http://arxiv.org/abs/2607.06560

  12. 公众号：数字生命卡兹克77

    腾讯设计Agent平台Miora全面开放

    腾讯设计Agent平台Miora今日全面开放，无需邀请码即可使用。该平台由WorkBuddy团队打造，提供品牌设计、影视创意等五大场景模式，支持自定义多模态模型和Agent推理深度，并内置Skill市场与记忆系统。

    推荐理由：腾讯用WorkBuddy的底子做了设计Agent，记忆系统和Skill市场让设计流程有了Agent的基因，设计师和产品人可以上手试试。

  13. IT之家·人工智能42

    中国银联与15家商业银行合作推出“智能体银行卡”，航旅纵横、滴滴等支持一键智能支付

    中国银联7月20日宣布推出智能体银行卡解决方案，携手15家商业银行将大模型算力、智能体会员、AI办公学习工具等纳入银行卡权益体系。平安银行、浦发银行、交通银行等已率先发卡，其中平安银行联合腾讯云推出“AI智算卡”。银联正推动支付能力延伸至车载、AR、MR眼镜等泛终端，航旅纵横、滴滴等将作为首批试点商户支持一键智能支付。

  14. Rohan Paul60

    Google 发布三款新 Gemini 模型，包括性能更强的 Gemini 3.6 Flash、高性价比的 3.5 Flash-Lite 以及专为网络安全设计的 3.5 Flash Cyber。其中，3.6 Flash 在编码测试 DeepSWE 上得分从 37% 升至 49%，输出 token 减少 17%，定价为 $1.50/1M 输入、$7.50/1M 输出。

    引用Google DeepMind@GoogleDeepMind

    我们正在推出三款新模型，旨在让 AI 智能体在大规模应用中更快、更智能、更经济： 🔵 Gemini 3.6 Flash：它比 Gemini 3.5 Flash 使用更少的模型 token，就能以完全相同的成本提供更高质量的工作成果。 🔵 Gemini 3.5 Flash-Lite：一款快速、经济高效的选择，适用于处理文档和智能体搜索等日常任务。 🔵 Gemini 3.5 Flash Cyber：一款专为网络安全打造的模型，用于发现并修补关键软件漏洞。

  15. TechCrunch：AI56

    AI 驱动下，Netflix、Spotify、YouTube、TikTok 正演变为“万能娱乐应用”

    Netflix、Spotify、YouTube 和 TikTok 等主流娱乐应用正借助 AI 加速功能趋同，从单一格式（音乐、视频、播客）向覆盖观看、收听、游戏、购物的“万能娱乐应用”转型。AI 使跨格式内容推荐和个性化更精准，并加速了新内容领域的构建与上线。这场竞争的核心不再是格式，而是谁能成为用户消磨时间的首选应用。