跳到正文
#多模态
6月3日周三
  1. Rohan Paul81

    OpenAI 为 Codex 带来重大升级，将其从编码助手转变为可构建交互式工作空间的“空间构建器”。核心新功能“Sites”能生成托管的交互式工作区，而不仅是文档或代码文件。同时新增插件以适配不同职业，并推出“标注”功能允许用户对结果的特定部分进行修复。Codex 目前拥有500万周活跃用户，其中20%为非开发者，该群体增长速度是开发者的3倍以上。“Sites”功能正面向 Business 和 Enterprise 计划推出。

    引用OpenAI@OpenAI

    构建应用从未如此简单。 借助 Sites，Codex 可以将你的工作、想法和计划转化为一个交互式网站或应用，你的团队可以探索、使用，并通过 URL 共享。 将向 Business 和 Enterprise 套餐推出，随后将进一步扩大范围。

  3. Black Forest Labs：Blog45

    Martin Scorsese 出任 Black Forest Labs 顾问，用 FLUX 做电影分镜

    Martin Scorsese 成为 Black Forest Labs 顾问，并已用其 FLUX 模型进行电影分镜创作。他表示该工具能更清晰高效地把脑海中的画面传达给美术指导、艺术设计和摄影指导，在一次场景测试中实现了即时可视化与分享，让前期制作更快且不牺牲质量。Black Forest Labs 称 FLUX 面向从叙事到建筑、设计、工程等各类创作者。

  4. Google DeepMind：Blog80

    Google DeepMind 发布 Gemma 4 12B：统一的无编码器多模态模型

    Gemma 4 12B 是 Google DeepMind 最新推出的中等规模多模态模型，采用无编码器统一架构，原生支持音频输入。其基准测试性能接近 26B MoE 模型，但内存占用不到一半，仅需 16GB 显存或统一内存即可在消费级笔记本上本地运行。模型内置多 token 预测（MTP）drafter 以降低延迟，基于 Apache 2.0 开源许可发布，已累计超过 1.5 亿次下载。

    推荐理由：统一无编码器架构让 12B 模型在消费级笔记本上跑出接近 26B 的多模态 Agent 体验，开源 + Apache 2.0，本地部署门槛又压低了。

6月2日周二
  2. IT之家·人工智能58

    2026 世界杯引入多项 AI 技术：足球内置 500Hz 芯片，每秒采集 500 次数据辅助判罚

    2026年美加墨世界杯将部署多项AI技术。阿迪达斯官方用球“Trionda”内置500Hz传感器芯片，每秒采集500次数据，与高速摄像机协同构建三维模型。国际足联将为1248名球员建立AI数字分身，通过3D扫描生成虚拟形象以辅助争议判罚。赛事还将首次推出裁判第一视角直播，并推出Football AI Pro知识助手，可解析逾2000项关键指标。

  3. Rohan Paul65

    美团LongCat发布视频世界模型评测基准WBench。该基准将测试重点从画面美观转向控制、多轮记忆、指令遵循和物理合理性等核心能力。它包含289个案例、1058个交互轮次，评估了20个模型在导航、主体动作、事件编辑等5个维度的表现，共使用22项自动指标。研究发现，没有任何模型能在所有维度上占据主导，这表明现有系统尚未将高质量渲染、可靠控制、长期记忆与物理规则遵循整合为稳定能力。WBench的设计能区分失败是源于渲染、场景设置、控制还是物理问题，并指出导航能力与视觉质量基本无关。

  5. MiniMax (official)72

    MiniMax发布M3模型，宣称是首个将编程与智能体能力、1M上下文长度及原生多模态三大前沿能力结合的开源权重模型。其编程与智能体能力在多个评测中表现突出：SWE-Bench Pro得分59.0%，Terminal Bench 2.1得分66.0%，SWE-fficiency 34.8%，KernelBench Hard 28.8%，MCP Atlas 74.2%。模型通过MiniMax Sparse Attention技术支持1M上下文。官方提供了API接入与新的MiniMax Code服务，模型权重和技术报告预计约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

  6. SenseTime71

    将复杂信息转化为准确的图表和示意图。这就是 𝗦𝗲𝗻𝘀𝗲𝗡𝗼𝘃𝗮‐𝗨𝟭‐𝟴𝗕‐𝗠𝗼𝗧‐𝗜𝗻𝗳𝗼𝗴𝗿𝗮𝗽𝗵𝗶𝗰。了解更多：https://x.com/SenseTime_AI/status/2061465029959209106?s=20

    引用Future Stacked@FutureStacked

    AI-generated infographics with garbled text have been a running joke. SenseNova U1's new infographic-enhanced model finally fixes it, dense small text, correct charts, arXiv-style layouts. About time: http://huggingface.co/sensenova/SenseNova-U1-8B-MoT-Infographic

  7. MiniMax (official)74

    🚀 M3 已在 Vercel 的 AI Gateway 上线！ 我们首个支持 1M token 长上下文和多模态输入的模型。 本周享 50% 折扣 🎉 期待看到大家用 M3 和 @vercel_dev 构建什么 ✨

    引用Vercel Developers@vercel_dev

    MiniMax M3 is available on AI Gateway. MiniMax's first long-context model, with support for multimodal inputs. 50% off for the next week. 𝚖𝚘𝚍𝚎𝚕: '𝚖𝚒𝚗𝚒𝚖𝚊𝚡/𝚖𝚒𝚗𝚒𝚖𝚊𝚡-𝚖𝟹' https://vercel.com/changelog/minimax-m3-on-ai-gateway

  9. Together AI 研究与产品博客61

    Together AI 解析如何高效服务 MiniMax M3：1M token 上下文与多模态推理优化

    Together AI 作为 MiniMax M3 的首选云合作伙伴，介绍了为该模型提供生产级推理服务的工程方案。M3 采用 MiniMax Sparse Attention 块稀疏注意力，使 prefilling 提速超 9x、decoding 提速超 15x，支持 1M token 上下文与原生多模态。

    推荐理由：原文由服务方工程团队拆解 MSA 的内核优化与多模态网关预处理方案，给出可参考的长上下文推理工程路径和实测吞吐提升数字。

  10. MiniMax (official)81

    M3 on Cloudflare AI Gateway, day one ⚡ 前沿编码能力，1M 上下文，原生多模态，现在一次 fetch 即可调用。 是时候构建些东西了。 🦞

    引用Cloudflare Developers@CloudflareDev

    来自 @MiniMax_AI 的 M3 现已在 Cloudflare AI Gateway 上线： - 首个推动 SOTA 编码前沿的开放模型 - 1M 上下文与原生多模态理解 - 首周内，上下文 ≤ 512K 的请求享受 50% 折扣 今天就通过 AI Gateway 试用吧！ https://developers.cloudflare.com/ai/models/minimax/m3/

    推荐理由：MiniMax的M3把开源编码模型拉到新高度，1M上下文加原生多模态是惊喜，上线首周5折，值得跑一下看是不是真能干翻闭源。

  11. IT之家·人工智能71

    阿里发布 Qwen3.7-Plus 模型，升级多模态交互混合 AI 智能体

    阿里通义千问（Qwen）于6月2日发布新模型 Qwen3.7-Plus，定位为多模态交互混合智能体基座。它是 Qwen3.7 的升级版，在保留文本、编码和工具使用能力的基础上，显著强化了视觉理解与视觉推理能力，支持图像、视频、屏幕、网页和文本输入，面向复杂软件与办公流程。该模型在 Vision Arena 评测中帮助阿里进入全球前 5、中国第 1，并在 BabyVision、MathVision 等多模态测试中提升明显。模型已通过阿里云百炼和 Qwen Studio 提供服务。

  12. Google AI Developers54

    在Google I/O大会后，开发者社区与Google DeepMind在旧金山合作，利用最新的Gemini和Gemma能力（特别是Gemini 3.5 Flash）构建实际产品。活动展示了利用Gemini 3.5 Flash开发多模态智能体、语音接口和长期推理系统等应用的可能性。

    引用Cerebral Valley@cerebral_valley

    Google I/O showed where AI is headed. Our community spent the weekend building it. Builders gathered in San Francisco alongside @GoogleDeepMind to turn the newest Gemini + Gemma capabilities into working products. From multimodal agents and voice interfaces to long-horizon reasoning systems, teams showed us what’s possible with Gemini 3.5 Flash. The winners:

  14. MiniMax (official)55

    草图 → 可玩游戏，仅花 $0.028 😳 这正是 M3 的设计初衷 @atomic_chat_hq

    引用atomic.chat@atomic_chat_hq

    MiniMax M3 turned a napkin sketch into a playable game We handed MiniMax M3 a hand-drawn draft of a Doodle Jump style platformer. It read the elements off the draft, wrote the logic, drew the interface and shipped it as one self-contained HTML game Input: 6,920 tokens Output: 9,933 tokens Cost: $0.028 @MiniMax_AI drops M3 on @huggingface next week

  15. MiniMax (official)69

    MiniMax M3现已在Happycapy上线，主要升级在于处理复杂、多模态、大规模任务的能力。该模型支持原生多模态输入，包括PDF、视频、图像、截图及长文档，并在编程和智能体任务（如仓库级调试、问题追踪）上表现较强。此外，M3采用开源权重，价格约为Sonnet的三分之一。

    引用Happycapy@happycapyai

    MiniMax M3 @MiniMax_AI is now live on Happycapy 🎉 A major upgrade for agent workflows, especially when the task is messy, multimodal, and too large for a normal chat. Now you can give the agent more context upfront and let it work across everything in one run: • Native multimodal input: PDFs, videos, images, screenshots, and long docs • Strong coding and agent work: useful for repo level debugging, issue tracing, and Connect My Mac tasks • Open weights and about 3x cheaper than Sonnet. Build more, pay less! We put it to the test below 🧵

  17. 公众号：通义实验室64

    Qwen3.7-Plus 多模态智能体模型发布

    Qwen3.7-Plus 深度融合视觉与语言，实现“看、想、写、做、验”端到端闭环，在 12 项核心基准测试中表现提升。实测中，基于该模型的智能体连续运行超 11 小时，自动完成英语学习 APP 开发，生成代码超 10000 行、触发调用超 1000 次；复刻 macOS Stocks 应用并通过 10 项功能验证。支持图像/视频转 SVG、视觉驱动网页设计及浏览器自动化。已在阿里云百炼上线，提供 OpenAI 兼容 API 与 Anthropic 协议。

    推荐理由：Qwen3.7-Plus 把视觉智能体推到了‘能看、能想、能动手’的端到端闭环，从写代码到操作浏览器一条龙，做自动化 Agent 的团队可以直接拿来用。

  18. Qwen：Blog Retrieval81

    Qwen3.7-Plus：多模态智能体模型发布

    阿里云通义千问推出 Qwen3.7-Plus，基于 Qwen3.7 文本骨干，增强视觉语言能力，保留编码、工具使用和生产工作流的智能体能力。它支持感知现实场景、读取并操作 GUI、从视觉参考编写代码、端到端导航手机应用、基于网络知识回答视觉问题，融合 GUI 与 CLI 交互，跨 Claude Code、OpenClaw、Qwen Code 等框架泛化。在 Terminal Bench 2.0-Terminus 得分 70.3，SWE-Verified 77.7，QwenWorldBench 62.1，GPQA Diamond 90.3，MMLU-Pro 88.5。通过阿里云 Model Studio API 提供。

    推荐理由：Qwen3.7-Plus 把视觉感知、GUI 操作和编码能力整合进同一个 agent 模型，在 ScreenSpot 和浏览器操作上的提升很实在，做自动化的开发者值得上手试试。

  20. MiniMax (official)78

    这就是模型与智能体对齐的样子 🤝 @SimularAI

    引用Simular@SimularAI

    Today @MiniMax_AI ships M3 — the first frontier model purpose-built for computer-use agents. Natively multimodal. One model, almost every real-world task. And today, @sai_borg runs it. Our users are the first to use M3 the way it was designed to be used — on a real desktop, doing real work. This is what model-and-agent alignment looks like. → Try it: http://sai.work

  21. MiniMax (official)76

    MiniMax的M3模型现已在Qubrid AI平台上线。该模型具备100万token上下文、原生多模态、前沿的代码性能，并支持长期智能体工作流，被评为年度技术上最有趣的开放权重模型之一。Qubrid AI作为首发合作伙伴，为早期用户提供50%的折扣。

    引用Qubrid AI@Qubrid_AI

    @MiniMax_AI M3 is now live on Qubrid AI. https://platform.qubrid.com/model/minimax-m3 - 1M-token context. - Native multimodality. - Frontier coding performance. - Long-horizon agentic workflows. One of the most technically interesting open-weight model releases of the year. We're proud to be a Day 0 launch partner and are offering 50% off for early adopters. More on the launch, benchmarks, architecture, API access, pricing, and partnership: https://qubrid.com/blog/minimax-m3-is-now-available-on-qubrid-ai

  22. Artificial Analysis77

    NVIDIA 的 Cosmos 3 全模态世界模型在 Artificial Analysis 排行榜的开放权重类别中，同时夺得文本生成图像和图像生成视频两项第一。该模型基于 Mixture-of-Transformers 架构，结合自回归推理器与扩散生成器，提供 16B 参数的 Nano 和 64B 参数的 Super 等变体。其中，Cosmos3-Super-Text2Image 与 Cosmos3-Super-Image2Video 版本分别超越了 HiDream-O1-Image-Dev-2604、通义千问（Qwen）Image Max 2512、FLUX.2 [dev] 以及 LTX-2、万相（Wan）2.2 A14B 等模型。Cosmos 3 的生成器接受结构化 JSON 提示词，可通过外部工具或模型自身的推理器分支进行提示词上采样。该模型完全开源，采用 OpenMDW 1.1 许可，提供权重、代码、精选数据集和微调方案。

6月1日周一
  2. SiliconFlow79

    MiniMax M3 现已在 SiliconFlow 平台上线，并提供限时7天的50%折扣。定价为：缓存 $0.06、输入 $0.30、输出 $1.20（每百万 token）。M3 是首个同时具备三大前沿能力的开源模型：一是编码与智能体能力，在 SWE-Bench Pro 评测中击败了 GPT-5.5 和 Gemini 3.1 Pro；二是支持 100万 token 上下文窗口（通过 MiniMax Sparse Attention 技术实现）；三是具备原生多模态能力，支持图像、视频与计算机操作。

  3. MiniMax (official)73

    1. 视频控制 + 游戏 + M3 2. 开放权重 + 海量上下文 + 强编码能力 3. 现在就取消我的周末计划 [引用 @MinLiBuilds]：跟祖传的 20K context 说 bye bye 了。 MiniMax M3 发布了，三个亮点： 1M context、原生多模态、Agentic。 我这次做了一次完整评测，使用CC workflow 、 @ZenMuxAI和MiniMax M3： 给一张截图，做一个“凡人修仙剑阵对决手势游戏”。 要求是：支持双人对决 、使用 workflow 拆解任务、加入石头剪刀布机制。 2 小时后，游戏真的跑起来了。 这一代LLM的版本答案我知道了： 1M 上下文 + 多模态+ agent 模式。 1M context 是推理深度的基础，多 agent 负责拆任务和执行。

    引用实践哥MinLi@MinLiBuilds

    跟祖传的 20K context 说 bye bye 了。 MiniMax M3 发布了，三个亮点： 1M context、原生多模态、Agentic。 我这次做了一次完整评测，使用CC workflow 、 @ZenMuxAI和MiniMax M3： 给一张截图，做一个“凡人修仙剑阵对决手势游戏”。 要求是：支持双人对决 、使用 workflow 拆解任务、加入石头剪刀布机制。 2 小时后，游戏真的跑起来了。 这一代LLM的版本答案我知道了： 1M 上下文 + 多模态+ agent 模式。 1M context 是推理深度的基础，多 agent 负责拆任务和执行。

  4. MiniMax (official)47

    用户@stevibe展示了MiniMax M3模型的能力。他仅提供了一张90年代风格旧网页的截图和相关素材文件，没有提供HTML源代码，要求通过OpenCode工具将网站一次性重建为现代Apple风格。模型成功在一次尝试中完成了任务，生成的网页保留了原始页面的标识和核心元素，并以现代化的渐变设计、排版和深色主题重新呈现，效果被评价为“真正令人惊叹”。

    引用stevibe@stevibe

    MiniMax M3 might be the most underrated coding model right now. I gave it nothing but a screenshot of a chaotic 90s GeoCities-style fan page, no HTML source, just the image + the asset files, and told it to rebuild the whole thing as a sleek Apple-style 2026 site. One shot. Through OpenCode. The result is genuinely stunning. It kept the soul (the "stevibe's HyperHome" identity, the visitor counter, the guestbook, the webmaster portrait) and translated every section into clean modern design, gradient hero, proper typography, dark theme, the works.

  5. MiniMax (official)77

    MiniMax M3 模型现已在 Novita AI 平台上线，并提供首周半价优惠。作为首个开源权重模型，它集成了前沿编码与智能体能力，在 SWE-Bench Pro 上得分 59.0%，Terminal Bench 2.1 上得分 66.0%，MCP Atlas 上得分 74.2%。该模型上下文窗口最高可达 1M tokens，由 MiniMax Sparse Attention 技术支持，并从一开始即支持原生多模态，可处理文本与视觉理解任务。Novita AI 作为其 Day-0 API 发布合作伙伴，为开发者提供接入服务。

    引用Novita AI@novita_labs

    🚀 We’re launching MiniMax M3 from @MiniMax_AI on Novita AI as a Day-0 API launch partner. The first open-weights model to combine: • Frontier coding and agent capabilities 59.0% SWE-Bench Pro, 66.0% Terminal Bench 2.1, 74.2% MCP Atlas • Up to 1M tokens of context Enabled by MiniMax Sparse Attention • Native multimodality from day one Built for both text and visual understanding Excited to make MiniMax M3 available to developers on Day 0.

  6. 公众号：腾讯混元46

    腾讯混元为《和平精英》推出AI明星队友「小田」

    腾讯混元多模态数字人团队基于Hy3 preview模型和GameMate1.0框架，为《和平精英》推出代言人田曦薇形象的AI队友「小田」。该角色具备战局感知、独立决策能力，并实现对话情感化回应、动态策略推理与主动协同作战。基于大模型长文记忆，玩家可生成由Image3.0制作的专属图文记忆。该AI队友累计体验用户突破1.1亿，单日活跃峰值1770万，玩家麦克风开启率75%。

  7. IT之家·人工智能80

    让机器人看懂世界：英伟达推出全球首款全开源全模态物理 AI 大模型 Cosmos 3

    英伟达推出全球首款全开源全模态物理AI大模型Cosmos 3。该模型基于混合Transformer架构，可在单一系统中融合文本、图像、视频、音效及动作内容的理解与生成，将物理AI的训练与评估周期从数月缩短至数日。Cosmos 3在Artificial Analysis、Physics-IQ等多个评测基准上排名第一，提供Super和Nano版本用于机器人与自动驾驶的训练与实时推理，Edge版本即将推出。

  8. Hugging Face 社区博客75

    NVIDIA 发布 Cosmos 3：首个面向物理AI推理与动作的开源全能模型

    NVIDIA 发布 Cosmos 3，基于 Mixture-of-Transformers（MoT）架构的开源全能模型，统一世界生成、场景理解、因果推理和策略生成。该模型通过自回归与扩散子序列联合注意力，在单一前向过程中处理文本、图像、视频、音频和动作等多模态。本次发布包含两个版本：Cosmos 3 Nano（16B 参数，8B 推理器 + 8B 生成器，面向工作站级 GPU）和 Cosmos 3 Super（64B 参数，32B + 32B，面向 Hopper 和 Blackwell GPU，用于大规模合成数据生成与研究）。两者均已上架 Hugging Face，并提供 Diffusers 集成、GitHub 后训练脚本和开源合成数据数据集。

  9. IT之家·人工智能66

    英伟达推出 Alpamayo 2 Super 开源推理模型，助力 L4 自动驾驶研发

    英伟达开源了 Alpamayo 2 Super 视觉-语言-动作（VLA）模型，参数规模从 100 亿增至 320 亿。该模型支持 360 度感知与推理式自动标注，专为研发 L4 自动驾驶设计。模型可通过知识蒸馏压缩，部署于 DRIVE AGX Thor 芯片。代码与权重将在夏季于 GitHub 和 Hugging Face 开源。

  11. MiniMax (official)78

    出发吧🔥 M3 + @visionagents_ai 实现实时语音与视频 去构建些令人兴奋的东西吧！ [引用 @visionagents_ai]：祝贺 @MiniMax_AI 团队发布 M3！ 👉 一款前沿级开源权重模型 👉 100万 token 上下文窗口 👉 原生多模态（图像与视频）

    引用Vision Agents@visionagents_ai

    Congrats to the @MiniMax_AI team on the release of M3! 👉 A frontier-class open-weight model 👉 1M context window 👉 Native multimodality (image & video)

  12. MiniMax：Blog83

    MiniMax M3：前沿编码、100万token上下文与原生多模态一体模型

    MiniMax M3 是一个开源前沿模型，具备先进的编码与AI智能体能力。它支持100万token的超长上下文窗口，并采用名为MSA（MiniMax Sparse Attention）的新型稀疏注意力架构。该架构使模型在100万token上下文下的每token计算成本降至前代的1/20，预填充速度提升9倍以上，解码速度提升15倍以上。在SWE-Bench Pro编码基准上，MiniMax M3得分59.0%，超越GPT-5.5和Gemini 3.1 Pro，性能接近Opus 4.7。该模型可通过MiniMax Code、Token Plan和API服务使用。

    推荐理由：MiniMax M3 把开源模型的编码能力推到了 GPT-5.5 和 Opus 4.7 这条线上，还附带 1M 上下文和原生多模态，这是开源社区真正能打的前沿选项，做 Agent 的值得立刻跑一下。