#多模态

SenseTime@SenseTime_AI· 23:06AI 评分5656

商汤 SenseTime 展示 SenseNova U1 的文图交错生成能力，通过定制香水逐步演示，证明模型不仅能识别图像，还能以图像为思考单元输出生动视觉内容。相关示例、Gallery、HuggingFace 模型、GitHub 代码及 Discord 社区链接已同步开放。

OpenBMB@OpenBMB· 22:46精选AI 评分7575

面壁智能 OpenBMB 发布 VoxCPM2 技术报告。该模型为最新语音生成模型，拥有 2B 参数，基于超 200 万小时多语言语音数据训练，支持 30 种语言和 9 种中文方言。具备自然语言语音设计、可控及高保真延续性语音克隆能力。技术报告涵盖架构设计、统一序列公式、AudioVAE 高保真语音重建、大规模训练评估，以及零样本和指令跟随 TTS 基准结果。采用 16kHz 语义编码 + 48kHz 波形重建，在公开 TTS 基准上达到 SOTA 或极具竞争力。模型权重、微调代码和推理工具以 Apache 2.0 开源。

超越人眼的能力：华为乾崑智驾百公里时速隧道避障视频曝光，车辆提前预判秒切车道

近日曝光视频显示，华为乾崑智驾车型在百公里时速进入隧道时，感知系统提前发现桩桶，迅速变道避障。另一视频中，该车高速遇废弃栏杆，从110+公里时速减速至约90+，识别出中间可通行空间。华为终端BG董事长余承东在5月发布会上表示，纯视觉目标是接近人眼，华为多传感器融合路线目标是超越人眼。提醒：辅助驾驶并非自动驾驶，驾驶员为最终责任主体。

OpenBMB@OpenBMB· 21:46AI 评分5454

面壁智能（OpenBMB）与HuggingFace合作举办的Build Small黑客松正式上线，鼓励开发者使用OpenBMB模型构建应用。官方列举四大用例：MiniCPM-V 4.6用于自动化金融文档分析；MiniCPM5-1B轻量端侧模型驱动AI桌面宠物；MiniCPM-o 4.5全模态实时视频分析；VoxCPM2语音克隆。活动设有$10,000 OpenBMB特别奖。

Pakistan Notice Helper：一款面向本地安全问题的轻量 AI 工具

Pakistan Notice Helper 是一款安全工具，帮助巴基斯坦用户在点击链接、拨打电话、分享 OTP 或支付前识别可疑消息。它接受文本或截图输入，返回风险等级、简短解释、可见警示标志和安全下一步建议。工具支持英文和乌尔都语，乌尔都模式采用从右向左布局并全界面翻译。最终部署选用 Qwen3.5 4B Q8 模型（通过 llama.cpp + CUDA），在 10 个测试用例中通过了所有高风险诈骗和截图场景。此前曾测试 Qwen3.6 27B（质量高但成本高）和 MiniCPM-V 4.6 Q8（速度慢且不稳定），最终选择了精度、速度和成本平衡的 4B 模型。项目受限于 hackathon 的 32B 模型上限规则。

Agent 辅助开发，一站式打通 Qwen3-VL Android 端侧推理

通义实验室教程演示了如何用 Agent（Qoder）辅助完成 Qwen3-VL-2B 模型在 Android 端侧的全流程部署。操作包括：检查 JDK 21、NDK 27、CMake 3.18.1 等环境；创建 arm64-v8a 的 Native C++ 工程（minSdk 29、compileSdk 35）；通过 ModelScope CLI 下载约 1.4GB 的 MNN/Qwen3-VL-2B-Instruct-MNN 模型；编译开启 LLM 视觉支持（MNN_BUILD_LLM、LLM_SUPPORT_VISION）的 libMNN.so；构建 APK 并推送模型至手机私有目录。最终 App 提供图文推理页面，输出 MNN 版本（v3.5.0）、ABI 及推理指标。所有繁琐步骤均可由 Agent 自动执行。

Agent辅助开发：通义实验室教程打通Qwen3-VL Android端侧推理

通义实验室第二期教程展示如何利用Agent（如Qoder）自动完成Android端侧AI App开发全流程。Agent依次执行：检查并配置Android环境（JDK 21、NDK 27等）、创建Native C++工程PhotoTaggerMNN、下载约1.4GB的Qwen3-VL-2B-Instruct-MNN模型、编译支持视觉能力的libMNN.so、将MNN接入工程、构建APK、推送模型至手机私有目录，最终确认MNN版本3.5.0及模型文件全部ok。核心思路是开发者定义业务目标，Agent负责环境检查、代码编写、编译构建与排错。

全球首个：高德发布3D原生城市世界模型ABot-Earth0.5

阿里巴巴旗下高德发布全球首个3D原生城市世界模型ABot-Earth0.5，已建成覆盖190多个国家和地区的3D地图。用户输入卫星图或文字描述，10分钟即可在消费级GPU上生成公里级3D城市，输出可编辑3DGS格式，可直接导入Unity等引擎。制图成本为传统百分之一，效率提升约千倍，可为具身智能、低空经济、应急救援等提供支撑。目前已开放内测，可前往abot-earth.amap.com提交申请。

Tencent Hy@TencentHunyuan· 14:14精选AI 评分6969

腾讯混元联合上海交大、南洋理工等机构推出MMAE（Massive Multitask Audio Editing Benchmark），这是首个全面评估AI语音/音频编辑能力的基准。MMAE要求模型理解现有音频并按自然语言指令精确修改，而非简单生成。当前模型在该基准上的精确匹配率（EMR）低于5%，暴露了可靠音频编辑的短板。MMAE包含2000个真实场景高保真样本、17741条细粒度评估项，覆盖声音/音乐/语音及混合共7种模态、6种任务复杂度（基础修改到多跳推理及多轮编辑）、8种操作类型（局部到全局）。论文、代码、数据集和演示已公开。

AI“内容创作者”越来越难被识别

AI虚拟影响者最初较为容易识别——Lil Miquela、Imma、Shudu Gram等早期虚拟形象明显是数字制作。如今，AI生成的内容创作者与真人之间的界限日益模糊，用户越来越难以分辨。

OpenCV 5 发布：升级全新 DNN 引擎、原生支持大模型

OpenCV 5 正式发布，采用基于图的 DNN 引擎，ONNX 算子覆盖率从 4.x 的不到 23% 提升至超 80%，原生支持 Transformer、视觉语言模型（VLM）和大语言模型（LLM）。其他更新包括：更好的 Python 集成与命名参数、更紧凑核心代码、清晰硬件加速层、原生 FP16/BF16、规范化 0D/1D 张量、扩展 3D 视觉及现代化文档。该库 GitHub 拥有超 86,000 stars，每日安装量超一百万次。

海螺AI×上影节活动日历：开放日6.14-6.15

MiniMax旗下海螺AI作为第28届上影节独家AI影像战略合作伙伴，6.14-6.15举办开放日。活动包括：AI片场·海螺专属Booth（展示1+1组合作品及过程）、6.14多模态行业交流会、6.15专题圆桌（超级创作者呈现四种图景、《流浪地球》制片人与青年导演对谈）。具体时间地点详见图片。

Qwen3.7-Plus：阿里巴巴将多模态AI打造成完全自主智能体

阿里巴巴Qwen团队发布Qwen3.7-Plus，一个将视觉感知、GUI操作和编码能力整合到单一智能体循环中的多模态智能体模型。在演示中，基于该模型的智能体自主开发了一款词汇学习应用，生成了超过10,000行代码，共执行了1,000次智能体调用，耗时11小时。该模型在Qwen自主基准测试的屏幕理解任务上领先，但整体性能表现参差不齐。Qwen3.7-Plus为闭源模型，价格远低于西方前沿模型。

苹果 iOS 27 版 Siri 前瞻：AI 感知屏幕、跨 App 操作，新增独立应用

iOS 27 版 Siri 围绕用户画像、屏幕感知和应用整合三大方向升级：可访问邮件、信息等内容，理解当前屏幕并跨应用串联任务。Siri 升级为聊天机器人形态，具备搜索、概括、内容与图像生成能力，支持多轮对话和上下文记忆。苹果为其打造独立应用，驻留灵动岛并采用发光胶囊动画与透明卡片展示。隐私方面推行本地+私有云机制，部分请求转 Google Cloud 调用授权版 Gemini。iOS 27 允许 Siri 接入 ChatGPT、Claude、Gemini 等第三方 AI。新 Siri 预计 2026 年 6 月 8 日在 WWDC 预览。

初探苹果 iOS 27 的 AI 亮点：升级视觉智能体验、扩展修图技能

彭博社马克·古尔曼爆料，iOS 27 中 Apple Intelligence 多项升级。Visual Intelligence 新增读取营养成分标签、提取名片等信息。修图推出 Extend（AI 补全照片边界）、Reframe（调整空间照片角度）和 Enhance（优化画质色彩）。Safari 新增 Organize Tabs，按购物、旅行等主题自动分类标签页。Genmoji 根据用户照片库和常用短语主动生成个性化表情，该能力还将进入壁纸设置。健康项目 Mulberry 含血糖追踪和相机锻炼监测，预计不随 iOS 27 首发。

Rohan Paul@rohanpaul_ai· 07:59AI 评分4848

Anthropic 称其 80% 的新生产代码由 Claude 编写。Google 新论文显示，通用 LLM 通过规划证明与逐步验证，将形式数学求解性能从低于 10% 提升至 70%。Google 开源 Gemma 4 12B，可在消费级 16GB GPU 上本地运行，支持音频和视频分析。通义千问发布 Qwen3.7-Plus，支持文本、视频、图像输入，价格 $0.4/$1.6 每百万 token，闭源。Anthropic 新化学报告有惊人结果。

Anthropic：让Claude成为化学家

Anthropic与顶尖化学家合作，提升Claude在化学领域的实用性。首个白皮书测试Claude在NMR谱图分析上的表现：在20个化合物上，对比Claude Opus 4.7、Opus 4.6、Sonnet 4.6与ChemDraw、MestReNova的正向预测（从结构预测谱图）和反向结构解析（从实验谱图推断结构）能力。所有化合物选自模型训练截止日期后发布的ChemRxiv预印本，以避免选择偏差。

Google DeepMind 发布 Gemma 4 QAT 检查点：Q4_0 和新的移动格式降低设备端内存

Google DeepMind 推出 Gemma 4 量化感知训练（QAT）检查点，包含 Q4_0 格式和一种新的移动端格式，旨在降低设备端内存占用。对比 BF16、Q4_0 QAT 和移动版 QAT 三种边缘端格式，官方公布了各格式的内存数据与设计权衡。

Michael Truell@mntruell· 01:50精选AI 评分8080

与 AI 智能体协作应感觉像与同事协作一样。你应能“与它们交谈”——不仅通过文本聊天，还能一起对着屏幕做手势、实时对话等。

Google AI@GoogleAI· 01:20精选AI 评分7878

Google AI 本周发布多项更新：Nano Banana 2 及 Pro 正式 GA，可通过 Gemini Enterprise Agent Platform、Gemini API 和 Google AI Studio 获取；Co-Scientist 多智能体系统面向科研自动生成优化新假设；Google Labs 推出 dreambeans，根据用户 Google 应用数据每日生成个性化话题集；Gemma 4 12B 统一无编码器多模态模型可完全离线运行于笔记本；Gemma 4 系列及草稿模型引入 QAT 降低内存需求；Google Magenta RealTime 2 开源实时音乐模型，支持 MIDI 键盘、文本提示和手势演奏。

在 Design Mode 中通过视觉提示直接指挥智能体

Cursor 更新 Design Mode，支持点击元素、在页面上绘制区域或语音描述来向 AI 智能体传达修改意图。智能体将元素身份（xpath、组件、属性、计算样式等）与页面截图一并纳入上下文，快速定位源代码并高效编辑。借助 Composer 2.5 模型的快速执行能力，可连续下达多个编辑指令，智能体完成后应用热更新即时显示效果。这一更新将视觉交互融入正常编辑循环，使 UI 迭代更直观高效。

Google Gemini@GeminiApp· 00:41精选AI 评分8181

你现可直接在 Gemini Live 中创建和编辑图像。 无论是测试房间装饰、解决数学问题，还是制作可分享的梗图，所有操作都实时完成。 只需打开 Gemini 应用，点击 Live 按钮，共享摄像头，告诉 Gemini 你想看到的。

AI at Meta@AIatMeta· 23:33AI 评分6464

热烈祝贺我们的 SAM 3D 团队在 #CVPR26 获得最佳论文荣誉提名！这项殊荣凸显了他们在推动计算机视觉边界方面的杰出工作。 论文链接：https://arxiv.org/abs/2511.16624

加南 Kannan K2 智能眼镜发布：25.8g 重、32MP 摄像头，2350 元

加南科技今日发布 Kannan K2 智能眼镜，售价 2350 元。眼镜重 25.8 克，采用超轻尼龙材料，耳挂最薄 5.5 毫米。搭载 32MP 摄像头，支持 4K 30FPS 视频录制，具备 EIS+AI 双重防抖和 Live Photo。运行 Kiro OS，支持 0.3s 唤醒、0.8s 指令执行、0.3s 抓拍。续航：录像 60 分钟，待机 7 天，典型日用 1.5 天。

Meta 智能眼镜 App 暗藏人脸识别代码，NameTag 功能已推送至超 5000 万设备

据《连线》今日报道，Meta 通过多次应用更新将人脸识别代码推送到智能眼镜配套 App 中，代号“NameTag”。该功能利用已部署的三个 AI 模型将人脸转换为“人脸特征模板”，与手机本地数据库匹配，识别成功后向佩戴者发送通知。App 下载量超 5000 万次。Meta 回应称代码仅为探索，尚未决定推出，且不会建立中央人脸数据库。此前 Meta 曾因人脸识别问题在伊利诺伊州和得克萨斯州分别达成 6.5 亿美元和 14 亿美元和解。

OpenBMB@OpenBMB· 21:36精选AI 评分6666

社区开发者使用面壁智能MiniCPM-V 4.6构建了AccountingLLM（quaesto.com），用于自动化财务文档分析。该工具可上传IPO招股书、年报或审计文件，自动从复杂PDF中提取财务表格、重建跨页表格、对照会计等式检查关键数据，并标记可疑条目供人工审核。开发者已将其商业化，成为实际可用的产品。

发布两年：快手可灵 AI 全球用户突破 1 亿，企业客户近 5 万

6月5日，快手旗下可灵AI宣布全球用户突破1亿，企业客户近5万。过去一年，可灵完成26次迭代，深入影视、广告、音乐MV、游戏、电商、智能硬件等场景，并发布由可灵AI全片生成的两周年短片。据IT之家此前报道，快手正评估拟议重组可灵AI相关资产及业务，或引入外部融资；目前可灵AI正在进行Pre-IPO轮融资，投前估值180亿美元，内部按2027年初递交港股上市申报材料推进。

高通宣布车端人工智能 Claw 生态计划，将智能体 AI 引入智能座舱

在2026高通汽车技术与合作峰会上，高通联合诚迈科技等生态企业发布车端人工智能Claw生态计划。该计划结合骁龙数字底盘与高通智能体AI运行环境，将AI智能体和多模态大模型直接部署到车端，旨在消除下一代汽车智能开发碎片化。核心能力涵盖：全天候多模态感知（融合车内外摄像头、音频等）、百亿参数混合专家模型（MoE）在终端侧实时运行、六层车规级安全架构（覆盖车辆控制分级、用户授权、隐私保护等），以及持续演进的AI生态系统。推动汽车从移动工具进化为智能伙伴。

MiniMax (official)@MiniMax_AI· 16:36AI 评分6767

MiniMax M3现已在去中心化AI网关DGrid上线，提供1M token上下文窗口、原生多模态能力和前沿编码性能，面向下一代AI应用与自主智能体。开发者可通过dgrid.ai使用，并在6月7日前享50%折扣。DGrid表示将借助其基础设施让M3更易被开发者和智能体调用，推动MiniMax模型在生态中的广泛采用。

MiniMax 就 M3 切换 Token 计费致歉，公布订阅权益保护与档位迁移方案

MiniMax 就 M3 模型上线后切换 Token Plan 计费未提前充分沟通致歉。M3 为更大尺寸、多模态、1M 上下文模型，改用行业统一的 Token-Based 计量。老用户权益：3.22 前购买的无周限额用户 M2.7 和 M3 仍保持无周限额；3.22 至本周五前购买的用户 M3 周限额永久加赠 50%；M3 上线前 7 天内所有订阅用户 5 小时/周额度翻倍。档位迁移：Plus/Max 价格不变，M2.7 次数增加 10%，新增 M3 与多模态权益；Starter 29 元与 Plus-极速 98 元仅对老用户保留；停售的 Max-极速 199 元与 Ultra-极速 899 元可迁至更低月费新档，每月补发差价积分；新增 Ultra 469 元档。补偿积分有效期从一个月改为一年。

抖音副总裁李亮回应“豆包误判蘑菇导致用户中毒”：AI 的回答仅供参考

抖音集团副总裁李亮就“豆包误判蘑菇导致用户中毒”一事回应称，豆包联系上当事用户。该用户用豆包拍照识别小区采摘的蘑菇，豆包识别为“鸡腿菇”，同时明确提示其“极容易和剧毒的大青褶伞混淆”，并“强烈建议不要食用”。李亮表示，AI还在发展阶段，豆包在提升识别准确性，但涉及人身安全的问题，AI回答仅供参考，用户务必多方咨询求证。

谷歌推出 Magenta RealTime 2 本地实时音乐 AI 模型：延迟降低至 1/15

谷歌 Magenta 团队昨日发布 Magenta RealTime 2（MRT2）模型，免费放出乐器应用 Jam 及 DAW 插件 MRT2。MRT2 提供两种规模：高质量模型 mrt2_base（24 亿参数）和高速模型 mrt2_small（2.3 亿参数），均针对苹果 Apple Silicon 优化，mrt2_small 可在 M1 及以上芯片 Mac 实时运行。相较前代延迟约 3 秒，MRT2 改为逐帧生成（每帧 40 毫秒），控制延迟约 200 毫秒，降低至 15 分之一。支持文本和音频风格提示、MIDI 音符与鼓开关控制及 Auto-Strum 模式。技术基于 Codec Language Model，采用 SpectroStream 编解码器处理 48kHz 立体声音频。

京东开源JoyAI-Echo长音视频生成框架

6月3日，京东开源JoyAI-Echo框架，解决长视频生成中角色身份崩坏、音色突变和生成缓慢三大难题。该框架通过跨模态音视频记忆库保持5分钟内角色外观与音色一致，记忆驱动后训练结合DMD技术带来约7.5倍推理加速。新增Director Agent支持自然语言对话式局部修订，无需重跑整条视频。配套轻量化实时超分模块，支持736×1280→1152×1920及1472×2560两档分辨率。评测集显示，语音内容准确率0.8646，用户偏好多项领先。代码与权重已开源至GitHub。

Mira Murati 谨慎重返聚光灯下

Mira Murati 再次公开露面，她表示在当前环境下，保持低调的回报正在递减，必须适时制造声量以提醒市场自己的存在。

Josh Woodward@joshwoodward· 07:08AI 评分7272

Josh Woodward 喜欢 macOS 版 Gemini 应用的这个功能。 同时按下两个 Command ⌘ 键，即可将当前活动窗口无缝附加到聊天中，无需手动截图或切换标签页。

Rohan Paul@rohanpaul_ai· 06:54AI 评分5555

OverchatAI发布多模型AI应用，将聊天、图像、视频生成整合在单一界面。实测让GPT-5.5和Gemini 3.1 Pro进行10局UNO对战，Gemini每张牌消耗6倍推理token（133.5K vs 22.5K），最终以8-2获胜，且模型间会在出牌间隙互相调侃。

Rohan Paul@rohanpaul_ai· 03:54AI 评分5757

Rohan Paul 实测新推出的图像转 3D 模型 Rodin Gen-2.5，最大改进是控制力。提供五种生成模式，最快 4 秒生成百万多边形模型，支持最高 1000 万多边形输出。原生 3D PBR 材质，模型开箱即用。Hyper 3D 还支持并行批量生成、Break to Parts 部件分离和局部编辑，无需重新生成整个模型，覆盖 3D 创作全流程。

Nemotron 3.5 Content Safety：面向全球企业AI的可定制多模态安全

Nemotron 3.5 Content Safety基于Gemma 3 4B IT，提供128K上下文窗口，支持用户提示、可选图像与助手响应的统一多模态安全评估。新增自定义策略执行，允许企业用自然语言定义专属安全规则；THINK模式可输出可审计的逐步推理痕迹。显式训练覆盖12种语言，并借助基座模型零样本泛化至约140种语言。输出提供低延迟二分类、带分类标签、THINK推理痕迹三种模式。安全分类遵循Aegis 2.0框架（13核心类别+10细分类别）。同步发布多模态、多语言安全数据集，可在8GB+ VRAM GPU上实时部署。

Google AI Developers@googleaidevs· 02:54精选AI 评分7070

Google AI for Developers 宣布推出开放权重的实时音乐模型 Magenta RealTime 2 (MRT2)。该模型可通过 MIDI 键盘、实时文本提示甚至手势进行演奏。MRT2 在 MacBook 上原生运行，延迟低于 200ms，提供开放权重、开源推理引擎以及配套应用和插件套件。

Google Gemini@GeminiApp· 01:05AI 评分6060

看看用 Gemini Omni 将最疯狂的创想变为现实有多简单。 只需在 Gemini 中选择“Create videos”，添加文字、视频或多达五张图片，然后尽情释放你的想象力。