Grok 4.6 登陸 Vercel AI Gateway
來自 xAI 的 Grok 4.6 現已透過 Vercel AI Gateway 提供，支援 500K token 上下文視窗，以及文字和圖片輸入。開發者可選擇 low、medium、high 或 xhigh 推理等級，預設為 high，也能透過 AI SDK 或 coding agents 使用該模型。
Search
Tag: #multimodal328 results
MiniMax H3 帶來開放權重多模態創作
MiniMax H3 現已開放模型權重，並在單一工作流程中結合文字、圖片、影片與音訊作為上下文。模型可原生輸出最長 15 秒、2K 規格的立體聲音訊，而 768p Base 模型據社群基準測試可在消費級 GPU 上於數分鐘內運行。
Meta 推出開源 Muse Glimmer
Meta 推出 Muse Glimmer，一套設計為可在本機執行的開源 AI 系統。該產品具備代理能力與多模態特性，表示其可跨多種輸入與輸出模態執行自主任務。
ByteDance 發布 SeedRealtime 全雙工模型
ByteDance 發布 SeedRealtime 音視頻全雙工大模型，旨在提供更自然的即時互動體驗。同篇報導亦提到 JD.com 開源 JoyAI-Video-Edit 模型，支援即時互動式影片編輯。
ByteDance 推出 SeedRealtime，實現自然 AI 對話
ByteDance 推出全雙工 AI 模型 SeedRealtime，專為持續性對話而設計。該模型整合音訊、影片與文字，並支援主動回應及更自然的對話節奏。
阿里發布 Qwen-Image-3.0 圖像生成模型
阿里正式推出 Qwen-Image-3.0，這是其圖像生成基礎模型的第三代產品。該模型具備更強的性能，包括支援 4.5k token 輸入、10px 小字精準渲染以及 12 種語言的原生渲染能力。
Thinking Machines Lab 發布開源模型 Inkling
Thinking Machines Lab 推出了 Inkling，這是一個擁有 9750 億參數的開源模型。該模型專門用於處理並理解影片與音訊數據。
阿里發布 Qwen-Audio-3.0-Realtime，帶來四大功能升級
阿里巴巴發布了全新的即時語音大模型 Qwen-Audio-3.0-Realtime。此次更新針對速度與智慧化能力進行了四項關鍵功能升級。
SenseTime 開源 SenseNova-Vision 統一視覺模型
SenseTime 發布了 SenseNova-Vision，這是一個能處理物件偵測、3D 重建等多項視覺任務的統一基礎模型。它將多種功能整合至單一系統，取代了以往需依賴多個專用模型的做法。
MedRealMM：用於醫療諮詢的全新多模態基準測試
MedRealMM 是一個基於真實中文臨床諮詢的大規模多模態基準測試。它評估了大型語言模型處理圖文醫療數據的能力，並突顯了模型在安全性與推理能力上與人類醫師的差距。