阿里千問開源 Qwen3.5 小尺寸模型
阿里千問開源四款 Qwen3.5 小尺寸模型：0.8B、2B、4B、9B。繼承強大多模態能力，適用邊端設備至緊湊伺服器。目前 Qwen3.5 家族全系列已在魔搭社區與 Hugging Face 開源。
Search
Tag: #multimodal329 results
SleepLM：睡眠語言模型
SleepLM 推出基礎模型，將多模態多導睡眠圖與自然語言對齊，用於睡眠分析。它策劃首個大規模睡眠-文字資料集，來自超過 10 萬小時、涵蓋 10,000 多人的資料。此模型在零/少樣本任務、檢索、標題生成中超越 SOTA，並具備語言引導事件定位等新能力。
🤖
在 opencode 中啟用 Qwen 3.5 圖像理解
Reddit 貼文詳細說明如何在 opencode 中使用 llama.cpp 啟用 Qwen 3.5 的多模態圖像理解。使用者需在 opencode.json 檔案中新增「modalities」設定，指定文字與圖像輸入。這可讓 35B 模型在本地運行視覺功能。
Gemini 3 Flash 的「Agentic Vision」提升影像理解精度 10%
Google 為 Gemini 3 Flash 推出新功能「Agentic Vision」，結合視覺推論與程式碼執行。它會自動產生 Python 程式碼調查影像，將影像理解精度提升 10%。
Nano Banana 2 在 AI Gateway 上線
Gemini 3.1 Flash Image Preview（Nano Banana 2）現已在 AI Gateway 上線，提升視覺品質同時維持 flash 階層的速度與成本。它使用 Google Image Search 以真實世界資料 grounding 影像，並引入可配置思考等級（Minimal/High）來處理複雜提示。新解析度如 512p 及長寬比（1:4、1:8）支援更多創意資產。
💼
清華數學系大神跳槽OpenAI！曾主導SAM與Llama開發
清華大學數學系頂尖人才跳槽加入OpenAI。他先前主導Meta的SAM影像分割模型與Llama大型語言模型開發。OpenAI的Sora專案負責人公開歡迎他加入。
Pika 推出 AI Selves，讓你親手「養大」數字分身
Pika 以 AI 影片聞名，推出 AI Selves，讓使用者創造並養育個性化 AI 分身，可自訂人格、記憶，甚至如花生過敏等細節。這些數字分身能處理群聊、製作遊戲、打電話，並在 X、Discord 等平台上與使用者共同進化。它從文字代理轉向影片訓練的多模態具身。
LFM2.5-VL-3B 為邊緣裝置帶來更快速的視覺能力
Hugging Face 推出 LFM2.5-VL-3B，這是一款旨在為邊緣裝置提供更佳、更快速視覺能力的視覺語言模型。此次更新強調適合需要本地端或低延遲多模態推理的應用情境。
少80% Token，仍保真多模態 AI
紫东太初推出適用於多模態模型的 GMC 核心集剪枝方法。這項免訓練、開箱即用的技術據稱可減少 80% Token 使用量，同時保留多模態能力。
Ming-Flash-Omni：統一全模態 AI
Ming-Flash-Omni 被介紹為全模態統一基礎模型。文章聚焦於建構可端到端處理多種模態模型的關鍵技術與實務經驗。