DeepSeek 終於推出 Vision 模型
DeepSeek 發布了最新模型 DeepSeek-V4-Flash-Vision-Exp，核心聚焦於視覺能力。這項發布代表該公司在長時間醞釀後，終於推出多模態模型更新。
Search
Tag: #multimodal328 results
DeepSeek 推出多模態視覺 API
DeepSeek 已在 API 平台推出 V4-Flash-Vision-Exp 模型，支援在文字之外輸入圖片，執行視覺分析等任務。該公司表示，其多模態 Agent 能力大幅提升，在視覺 Agent 基準測試中的表現已接近 Opus-4.8。
MiniMax 打造影片領域的 Claude Code
MiniMax H3 提供高品質的影片生成與編輯能力，支援最高 2K 輸出，價格約為每秒人民幣 0.8 元。H3 發布後不久，MiniMax 推出 MiniMax Design 內測，這是一個以 Agent 為核心的工作空間，可拆解創意任務並協調多個 AI Agent 完成端到端影片製作。
Xiaohongshu 開源 280B 多模態模型
Xiaohongshu 發布 dots3-note preview，這是一個總參數 280B、啟用參數 16B 的開放權重 MoE 模型。該模型支援 512K 上下文，以及文字、視覺與語音理解，並以 Apache 2.0 授權釋出。
SenseTime 開源具原生 4K 輸出的 8B 模型
SenseTime 已開源 SenseNova U1.5 Lite，這是一款結合視覺理解、影像生成與編輯功能的 80 億參數多模態模型。模型支援原生 4K 影像輸出，並針對主體、數量、空間關係、文字、版面與視覺風格等要求進行設計。
Tencent 灰度測試旗艦模型 Hunyuan Hy4
據報 Tencent 的 Hunyuan Hy4 已出現在 Yuanbao App 的模型選擇清單中，被標示為專家級模型，並具備工具使用能力。它的定位高於 Hy3，並與 DeepSeek 並列；此前 Tencent 曾表示，更大參數規模的 Hy4 將很快推出，並提升效能與多模態能力。
Mistral 3B 模型重塑 AI 安全審核
Mistral AI 發布 Shieldstral，這是一款 30 億參數、可適應規則的多模態安全分類器，支援文字、圖片與圖文混合輸入。它將審核轉化為自然語言規則匹配，據報在多項安全基準上接近甚至超越更大型模型。
HiDream-O1-World 打造持久互動世界
智象未來推出 HiDream-O1-World，這是一款支援文字、圖像與互動輸入，可用於生成、漫遊與編輯世界的原生全模態互動世界模型。該模型搭載升級版 UiT 架構，在 WBench 的 Navi 榜單以 80.9 平均分排名第一。
世界模型進入有聲時代
據報導，一款新的世界模型可即時生成 24FPS 畫面與 48kHz 立體聲音訊。該專案預計即將完全開源。
Google 發佈 Gemini 3.5 Flash 與 AI 智能體生態
Google 在 I/O 2026 大會上發佈了 Gemini 3.5 Flash、原生多模態模型 Omni 以及 AI 助手 Spark。Google 正積極將這些工具整合至全線產品，旨在主導 AI 智能體市場。