跳到正文
#多模态
6月13日周六
  1. MiniMax (official)80

    MiniMax 发布全新开源模型 M3，具备前沿编码、智能体能力、原生图像视频输入、Computer Use 及 1M-token 上下文窗口。核心采用 MSA 稀疏注意力架构：每个 query 仅对 128-token 的 KV 块打分，只关注 top 块，使超长上下文实际可部署。M3 在 vLLM 获 Day-0 支持，已在 NVIDIA 和 AMD 硬件验证，包括 MSA 专用 prefill/decode kernel、1M-token 上下文服务（prefix caching + chunked prefill）、BF16/MXFP8 检查点（Hopper 和 Blackwell 的 MoE 后端）、原生多模态输入，以及工具调用、推理解析和思考模式控制等功能。

    引用vLLM@vllm_project

    🎉 恭喜 @MiniMax_AI 发布 MiniMax M3！前沿的编程与智能体能力、原生图像和视频输入、计算机使用，以及 100 万 token 上下文窗口，全部集成在一个开放模型中。 M3 的核心是 MSA，一种全新的稀疏注意力架构：它不再对完整的 KV 缓存进行密集注意力计算，而是让每个查询对 128 token 的 KV 块打分，并仅对得分最高的块运行注意力。这正是让 100 万 token 上下文变得可实际服务的关键。 M3 在 vLLM 中实现首日支持，并已在 NVIDIA 和 AMD 硬件上验证： ✨ 带专用 prefill 和 decode 内核的 MSA 稀疏注意力 ✨ 支持前缀缓存和分块 prefill 的 100 万 token 上下文服务 ✨ BF16 和 MXFP8 检查点，同时为 Hopper 和 Blackwell 提供 MoE 后端 ✨ 原生多模态输入（图像 + 视频） ✨ 面向智能体工作负载的工具调用、推理解析和思考模式控制 这样的首日支持是真正的团队协作成果。感谢 @MiniMax_AI、@NVIDIAAI、@AIatAMD 和 @inferact 的团队，以及 vLLM 社区让这一切成为可能。🙏 深入了解实现细节、内核工作和部署方案： 🔗 https://vllm.ai/blog/2026-06-12-minimax-m3-vllm

  2. IT之家·人工智能56

    苹果高管介绍 iOS 27 版照片 3 大 AI 功能：让 iPhone 17 等用户获得“超能力”

    iOS 27 版照片应用引入三项 AI 功能。空间重构（Spatial Reframing）支持拍摄后调整透视角度改善构图，仅在透视移动区域生成新内容。扩图（Extend）可将画面向外扩展最多 25%，且仅限执行一次。清理（Clean Up）可移除更复杂的干扰物并保持原始场景真实性。苹果高管表示这些功能让普通用户获得专业级修图能力。

  3. MiniMax (official)82

    MiniMax M3 发布，具备前沿编码与智能体能力，原生图像视频输入和计算机使用，1M-token 上下文。核心采用 MSA 稀疏注意力：每个 query 评分 128-token KV 块，仅对 top 块做注意力。vLLM 当日即支持 M3，包括专用 MSA prefill/decode 核、前缀缓存与分块 prefill、BF16 和 MXFP8 检查点、Hopper 与 Blackwell 的 MoE 后端，并在 NVIDIA 与 AMD 硬件上验证。同时支持原生多模态输入、工具调用、推理解析和思考模式控制等智能体工作负载。

    引用vLLM@vllm_project

    🎉 恭喜 @MiniMax_AI 发布 MiniMax M3！前沿的编程与智能体能力、原生图像和视频输入、计算机使用，以及 100 万 token 上下文窗口，全部集成在一个开放模型中。 M3 的核心是 MSA，一种全新的稀疏注意力架构：它不再对完整的 KV 缓存进行密集注意力计算，而是让每个查询对 128 token 的 KV 块打分，并仅对得分最高的块运行注意力。这正是让 100 万 token 上下文变得可实际服务的关键。 M3 在 vLLM 中实现首日支持，并已在 NVIDIA 和 AMD 硬件上验证： ✨ 带专用 prefill 和 decode 内核的 MSA 稀疏注意力 ✨ 支持前缀缓存和分块 prefill 的 100 万 token 上下文服务 ✨ BF16 和 MXFP8 检查点，同时为 Hopper 和 Blackwell 提供 MoE 后端 ✨ 原生多模态输入（图像 + 视频） ✨ 面向智能体工作负载的工具调用、推理解析和思考模式控制 这样的首日支持是真正的团队协作成果。感谢 @MiniMax_AI、@NVIDIAAI、@AIatAMD 和 @inferact 的团队，以及 vLLM 社区让这一切成为可能。🙏 深入了解实现细节、内核工作和部署方案： 🔗 https://vllm.ai/blog/2026-06-12-minimax-m3-vllm

    推荐理由：M3把1M上下文从‘理论上能做’变成了‘今天就能部署’，MSA稀疏注意力是关键，开源社区和推理框架的深度合作值得关注。

  4. MiniMax (official)73

    MiniMax 开源 M3 模型，约 428B 总参数、23B 激活参数，支持前沿编码、长周期智能体任务及原生多模态（文本、图像、视频），上下文窗口达 1M token。开放权重，可在 Baseten 部署。在少于 500B 参数的模型中，能同时兼顾编码、智能体工作负载和 1M 上下文的模型极少，M3 全部实现。

    引用Baseten@baseten

    Congrats to the MiniMax team on the open-source launch of M3! There are very few <500bn parameter models that can tackle coding, agentic workloads, and multimodal all with a 1M-token context window but M3 does it all. Dig in here: https://www.baseten.co/library/minimax-m3/

  6. MiniMax (official)64

    MiniMax M3 已在 Fireworks AI 上线，Day-0 即获最快推理端点。模型为开源权重，在 Artificial Analysis 指数排名第一。支持 512K 上下文窗口、原生图像及视频输入；采用 MSA 稀疏注意力机制，实现 9 倍更快的 prefill 与 15 倍更快的 decode。定价与 M2.7 持平。M3 将长周期智能体、全仓库理解与多模态编程集成于单一模型。

    引用Fireworks AI@FireworksAI_HQ

    MiniMax M3 is live on Fireworks. Day-0, fastest endpoint for the MiniMax series. → Top open-weight model on the Artificial Analysis index → 512K context, native image + video input → MSA sparse attention: 9× faster prefill, 15× faster decode → Priced at parity with M2.7 Long-horizon agents, full-repo understanding, multimodal coding all in one model. Learn more: https://fireworks.ai/blog/minimax-m3-launch

  7. MiniMax (official)70

    MiniMax 发布 M3 模型开源权重，并宣布与 Modular 合作，在 Modular Cloud 上当天上线。M3 支持最高 1M-token 上下文长度，接受文本、图像、视频多模态输入，采用 MSA（Multi-Stream Attention）架构，专为长时间运行的智能体（Agent）与编码（Coding）工作负载优化。

    引用Modular@Modular

    M3 open weights from @MiniMax_AI just dropped, and Modular is a Day Zero launch partner. 1M-token context. Text, image, and video input. Built for long-running agent and coding workloads. Read our full announcement: http://www.modular.com/blog/day-zero-minimax-m3-open-weights-on-modular-cloud?utm_source=x&utm_campaign=minimax

6月12日周五
  2. MiniMax (official)81

    MiniMax 发布开源权重模型 M3，约 428B 总参数、23B 激活参数，已上传 HuggingFace。该模型融合三种前沿能力：编码与智能体方面达 59.0% SWE-Bench Pro、66.0% Terminal Bench 2.1、34.8% SWE-fficiency、28.8% KernelBench Hard、74.2% MCP Atlas；采用 MiniMax 稀疏注意力将上下文窗口扩展至 1M token；原生多模态。同步上线 MiniMax Code 工具及 API 平台。权重与技术报告预计约 10 天后发布。

    引用MiniMax (official)@MiniMax_AI

    推出 MiniMax M3：首个融合三项前沿能力的开放权重模型 - 编程与智能体前沿：59.0% SWE-Bench Pro，66.0% Terminal Bench 2.1，34.8% SWE-fficiency，28.8% KernelBench Hard，74.2% MCP Atlas - MiniMax Sparse Attention 将上下文扩展至 1M - 从第零步起原生多模态 API：http://platform.minimax.io Token 套餐：https://platform.minimax.io/subscribe/token-plan 🚀全新！MiniMax Code：http://code.minimax.io 权重与技术报告约 10 天后发布

    同一件事，精选收录的是《MiniMax M3 获 vLLM 日零支持，1M 上下文窗口与 MSA 稀疏注意力》

  3. IT之家·人工智能69

    商汤开源 SenseNova U1 图文交错生成增强版模型：支持多页连续创作，角色风格不“跑偏”

    商汤科技开源日日新 SenseNova U1 系列新成员 U1-8B-MoT-Interleaved 图文交错增强版模型。该模型面向图文交错创作与生成场景强化，支持绘本、故事书、多页 PPT 等连续内容创作，解决了多轮生成后角色形象飘移、画风断裂、图文脱节等痛点。核心升级包括叙事一致性与角色连贯性提升、图文对应关系增强、视觉质量改善，以及新增多页 PPT 自动生成能力。模型已开源。

  4. IT之家·人工智能55

    华为 AI 眼镜 × 小艺看世界官宣 8 月上线，辅助视障用户探索世界

    在华为开发者大会 HDC 2026 上，华为终端 BG CEO 何刚宣布，华为 AI 眼镜与小艺看世界深度联动，将于 8 月上线，辅助视障用户探索世界。小艺看世界功能此前已支持实时语音与视频对话，可调用天气、日历等系统服务，在穿搭建议、景点介绍等场景实现边看边聊边思考。

  5. MarkTechPost53

    Zyphra 发布 Zamba2-VL：混合 Mamba2–Transformer 视觉语言模型，首 token 延迟降低约一个数量级

    Zyphra 推出 Zamba2-VL 系列开源视觉语言模型，包含 1.2B、2.7B 和 7B 三种参数规模。采用混合 Mamba2 状态空间与 Transformer 骨干架构，基于 Apache 2.0 许可证开源。在保持与同类 Transformer VLM 相当性能的同时，首 token 生成时间（time-to-first-token）缩短约一个数量级。

  6. IT之家·人工智能66

    阿里云创始人王坚：AI 对科研的影响，与对程序员的冲击逻辑一致

    2026 第八届北京智源大会上，之江实验室主任、阿里云创始人王坚指出，人工智能对科学研究的影响已发生质变。核心在于 AI 从只能理解文本发展到能理解多模态数据和代码，具备了区分语言文本与代码文本的能力。他认为，AI 改变程序员工作方式后，所有科学数据都会因 AI 被重新理解，科研人员受到冲击的逻辑与程序员一致。

  7. IT之家·人工智能75

    苹果 iOS 27 健康 App 大改：卡片布局、营养识别、围绝经期追踪

    苹果在 iOS 27 中优化健康 App，将列表改为卡片布局并增加导航栏。新增视觉智能营养识别，用户通过相机 Siri 模式拍摄食物可获取加工程度、蛋白质、含糖量等信息及营养价值评级，不提供精确卡路里，需 iPhone 15 Pro 及以上。经期追踪扩展支持围绝经期，可分析长期周期异常模式并推送提醒与指导。Fitness+ 新增围绝经期和绝经期课程。数据同步速度提升，GymKit 扩展至 iPhone，无需 Apple Watch 即可与健身设备配对同步数据。

    推荐理由：视觉智能营养识别不能给精确卡路里，但那个“深度加工食品”提醒对普通人很实用，健康App这次更新算得上近年最有用了。

  9. vLLM 官方博客70

    vLLM 发布 MiniMax M3 Day-0 支持：1M 上下文多模态推理

    vLLM 宣布对 MiniMax M3 的 day-0 支持，覆盖 BF16 与 MXFP8 检查点，支持 1M-token 上下文、原生图像视频输入、minimax_m3 工具与推理解析器、EAGLE3 推测解码（草稿模型 Inferact/MiniMax-M3-EAGLE3）以及 TP/EP 部署和 Docker 镜像。

    推荐理由：官方团队拆解了 MSA 稀疏注意力、MXFP8 MoE 与 EAGLE3 在推理引擎中的落地细节，部署者可以照此选择 NVIDIA 或 AMD 配置并理解瓶颈所在。

6月11日周四
  3. StepFun52

    阶跃星辰旗下多模态模型 Step 3.7 Flash 现已登陆 AI 平台 ZenMux，提供一个月免费试用。该模型专为快速迭代、编码、文档分析和多语言任务打造，面向开发者开放体验。

    引用ZenMux@ZenMuxAI

    Curious how StepFun 3.7 Flash stacks up against the models in your daily workflow? Now's a good time to find out 👀 We're making it free on ZenMux for 1 month！💰 Perfect for: ⚡ Fast iterations 💻 Coding 📄 Document analysis 🌏 Multilingual tasks Try it yourself → https://zenmux.ai/stepfun/step-3.7-flash-free

  4. 公众号：通义实验室72

    通义实验室详解如何用 Arm SME2 与 MNN 让 Qwen3-VL 在手机端侧提速

    通义实验室利用 Arm SME2 指令集与 MNN 推理引擎，在支持 SME2 的旗舰手机上实现 Qwen3-VL-4B-Instruct 的实时推理。实测开启 SME2 后 Prefill 阶段提速 81%，Decode 阶段提升 13%。MNN 的 SME2 支持采用编译时内建与运行时自动检测设计，开发者无需手动配置。

    推荐理由：将 SME2 加速拆解为从引擎编译到 APP 构建的完整流程，并给出 prefill 阶段 81% 提升的实测参考，为端侧多模态部署提供了可量化的工程路径。

  5. IT之家·人工智能54

    WPS 笔记发布：AI 原生多模态，重新定义个人知识管理

    6月5日，金山办公发布AI原生多模态笔记产品WPS笔记，摒弃传统文件夹，采用多级AI自动标签组织内容。支持语音、图片、文字、网页等录入；语音转写具备AI实时纠正和声纹区分发言人功能，图片可提取公式并支持LaTeX编辑及梯形校正。全域多模态检索可同时搜索文字、图片、音频。内置WPS灵犀助手，能完成整理、摘要、润色、创建任务清单等操作，支持自定义Skill和记忆设置。开放外部MCP接入，允许Cursor、Claude等第三方AI应用直接读取笔记。

  6. IT之家·人工智能41

    初探苹果 iOS 27 版备忘录：新增分割线、集成 Siri AI、升级图乐园等

    苹果 iOS 27 版备忘录新增分割线格式工具，用户可在编辑菜单中插入。深度整合 Siri AI，支持将回答保存为新笔记或添加到已有笔记，并可整理格式混乱的列表。Markdown 粘贴后自动转换为富文本显示，编辑菜单新增“复制为 Markdown”选项。图乐园底层 AI 模型升级，支持照片级真实风格，生成图像自动嵌入 SynthID 水印；Beta 版尚未完全开放新版能力。应用图标采用 Liquid Glass 设计，共享文件夹列表新增蓝色图标标识。

  8. The Decoder：AI News56

    Google 新开源模型 DiffusionGemma：从噪声生成文本，而非逐字逐词

    Google 发布 260 亿参数的 DiffusionGemma 模型，文本生成方式不再逐 token 预测，而是通过扩散过程从噪声直接生成，类似图像 AI 将噪声转化为图片。Nvidia 测试显示，该模型在单块 H100 GPU 上可达约每秒 1,000 tokens，速度约为可比自回归模型的四倍。代价是输出质量较低，因此 Google 目前将其定位为面向开发者的实验性工具。模型已开源。

6月10日周三
  4. IT之家·人工智能50

    初探苹果 iOS 27 相机应用：打磨界面，整合 Siri AI 技能

    iOS 27 相机应用更新幅度不大，主要对 iOS 26 重构后的界面进行补充修饰。核心元素位置不变，当前模式居中，默认突出“照片”，左右提示“视频”和“人像”。设置抽屉移至右下角，面板统一从底部弹出；视频设置从顶部移到底部；照片模式新增景深、格式、水平仪、网格线等入口。真正新功能是相机内整合 Siri Mode，基于 Visual Intelligence，用户拍下目标后直接提问，Siri 按画面内容回答，官方用例包括分摊账单和记录饮食摄入。

  5. IT之家·人工智能42

    苹果升级 iOS 27 版地图：AI 优化飞行俯瞰植被显示效果、引入本地榜单

    iOS 27 版 Apple 地图升级“飞行俯瞰”功能，结合 AI 与航拍图像优化植被 3D 显示效果，树木枝干层次更丰富，目前仅纽约、伦敦等部分城市可用。同时引入“本地榜单”（Local Lists）功能，基于地图交互数据统计区域内最受欢迎餐厅，展示列表、营业时间、价格区间和菜品图片，用户可添加标记，基于隐私数据不关联个人，功能先在美国落地。

  6. IT之家·人工智能72

    Anthropic 发布 Claude Fable 5 与 Mythos 5

    Anthropic 于 6 月 9 日推出 Claude Fable 5 和 Mythos 5。Fable 5 面向普通用户，是目前公开最强的 Claude 模型，在软件工程、知识工作、视觉、科学研究等领域优于 Opus，自主运行时间更长。Mythos 5 通过 Project Glasswing 向网络安全防御方和基础设施提供商开放，具备全球最强网络安全能力，并在药物设计、分子生物学和基因组学中表现突出。两款模型本质相同，仅安全护栏不同。Fable 5 采用新分类器拦截网络安全、生物化学和蒸馏请求，命中后转由 Claude Opus 4.8 响应。定价均为每百万输入 10 美元、每百万输出 50 美元。Fable 5 已全面上线，Mythos 5 暂限 Glasswing 合作伙伴及少量生物研究者。

  12. OpenAI Developers76

    你的应用现在可以搜索网页上的图片。 Responses API 中的网页搜索现在除了文本结果外，还支持图片结果，因此你可以构建能展示商品、地点、视觉参考和来源链接以激发灵感的应用。

    推荐理由：OpenAI 搜索 API 终于支持图像结果了，以前只能返回文字，现在能直接拿商品图、地点图、视觉参考，做电商和旅行应用的开发者可以立刻集成，这个补丁等了太久。

  13. The Verge：AI77

    Anthropic 发布首个 Mythos 系列模型 Claude Fable 5

    Anthropic 发布 Claude Fable 5，称其为迄今广泛可用的最强模型。该模型在软件工程、知识工作与视觉任务中表现突出，且随着任务变长、变复杂，领先优势进一步扩大。Fable 5 是 Anthropic 首次大规模发布的 Mythos 类 AI 模型，此前该公司因该类模型在网络安全任务中能力过强、风险过高而未公开。此次发布得益于新增的安全措施，可在特定高风险领域阻止模型生成响应。