多模態 AI最新動態

HiDream 發布 HiDream-O1-Embodied 具身世界模型

HiDream.ai 宣布推出 HiDream-O1-Embodied 具身世界模型。此次發布代表公司正致力於完成原生全模態技術戰略閉環。

量子位 · 12 天前

SetupAI模型

Google 與 Alibaba 推出新 AI 模型

少數派報導了多項 AI 產品更新，包括 Google 發布 Gemini 3.8 Flash、World Labs 發布多模態世界模型 Atlas，以及 Alibaba 推出 Qwen3.8-Max-0902。文章同時提及理想新一代 MEGA 等其他產品動態。

少数派 · 16 天前

Google 推出 Gemini 3.8 Flash，主攻智能體工作流

Google 低調推出 Gemini 3.8 Flash，這款模型基於 Gemini 3.7 Flash 升級，面向軟體工程、智能體任務與複雜知識工作流。它鎖定開發者與企業的大規模生產部署，兼顧品質、成本與延遲。

极客公园 · 16 天前

Google 推出專為代理打造的 Gemini 3.8 Flash

Google 推出 Gemini 3.8 Flash，專注於代理任務、軟體開發與多步驟推理，並同步發布用於漏洞發現與修補的 Flash Cyber。這些模型已透過 Gemini Enterprise 及多項開發者工具提供，輸入價格從每百萬 token 0.75 美元起。

VentureBeat · 16 天前

Atlas 發布多模態世界模型

據報導，李飛飛團隊發布了 Atlas，並將其描述為全球首個多模態世界模型。Atlas 不只理解文字，也旨在透過少量照片理解空間環境，可能取代數百個拍攝機位。

Ifanr (爱范儿) · 17 天前

Gemini 3.8 Flash 登陸 AI Gateway

Vercel 已透過 AI Gateway 提供 Google 的 Gemini 3.8 Flash，支援 100 萬 token 上下文視窗及多模態輸入。該模型在 12 月 31 日前享有五折優惠，並以與前代相同的速度和成本提升軟體工程、代理工作流程及多步驟推理能力。

Vercel News · 17 天前

智譜開源 GLM-5.3-Flash

智譜開源了原生多模態模型 GLM-5.3-Flash，開發者可關注其在文字與視覺任務中的應用潛力。該消息收錄於少數派的科技新聞彙整，文中同時提及 Perplexity Portable Computer 與 BenQ Creative Pro PV50 系列顯示器。

少数派 · 22 天前

WeChat 開源多模態嵌入模型

Tencent 的 WeChat Vision 團隊開源了 WeMM-Embedding，這是一系列可用於匹配文字、圖片、影片及其他內容類型的模型。這些模型已部署於多項 WeChat 服務，開源版本包含 2B、4B 與 9B 等規模。

TechNode · 23 天前

GLM-5.3-Flash 以中國製晶片提供 Opus 級 AI

中國 Z.ai 以 MIT 授權釋出 GLM-5.3-Flash。這款多模態模型先前以「Ox Alpha」匿名接受驗證，宣稱可在中國製 AI 晶片叢集上，以更低成本提供接近 Claude Opus 4.8 的效能。

ITmedia AI+ (日本) · 23 天前

Qwen 以開源 Flash 模型預覽 Qwen4

Alibaba 的 Qwen 團隊計畫於 8 月 26 日開源 Qwen3.8-Flash-Next 及其 FP8 版本。這款多模態混合專家模型採用下一代 Qwen4 架構，讓開發者能在完整 Qwen4 發布前提前了解其能力。

TechNode · 24 天前

GLM 5.3 Flash 登陸 AI Gateway

Vercel 已將 Z.ai 的 GLM 5.3 Flash 加入 AI Gateway，讓開發者可透過統一 API 存取這款多模態模型。該模型支援文字與視覺輸入、函式呼叫、結構化輸出、串流，以及 100 萬 token 的上下文視窗。

Vercel News · 24 天前

圖像

DeepSeek 終於擁有視覺能力，但限制仍在

DeepSeek 透過實驗版 Vision-Exp 為 V4 Flash 加入原生圖片輸入，支援影像理解、視覺 Agent 與依照截圖進行程式開發。測試顯示它在場景描述與基本網頁重建方面表現不錯，但人物辨識不穩定、Token 消耗高，可靠性仍具實驗性。

虎嗅 · 25 天前

HiDream-O1-World 將 AI 帶入互動世界

HiDream.ai 發布基於原生全模態 UiT 架構的互動式世界模型 HiDream-O1-World。模型支援文字、圖像與互動操控輸入，面向具身 AI 仿真、互動娛樂及 3D 場景生成等應用。

雷峰网 · 26 天前

Kimi K3 讓開源模型逼近前沿效能

BOCOM International 的分析認為，Moonshot AI 的 Kimi K3 位於成本與能力的 Pareto 前沿。其超大型上下文視窗與原生多模態設計，據稱能以大幅更低的單任務成本，提供接近頂尖閉源模型的效能。

Pandaily · 26 天前

Ox Alpha：神秘模型公開亮相

Ox Alpha 是一款透過 OpenRouter 與 OpenCode 提供的匿名模型，具備 100 萬 token 上下文、圖片與影片輸入、工具呼叫及免費使用等能力。早期測試顯示其推理與程式設計表現強勁，但開發者、參數量、訓練資料與正式基準排名仍未獲確認。

虎嗅 · 28 天前

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。

cnBeta (Full RSS) · 28 天前

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。

极客公园 · 28 天前

影片

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。

极客公园 · 29 天前

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。

Pandaily · 29 天前

圖像

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。

TechNode · 29 天前

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。

雷峰网 · 33 天前

影片

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。

雷峰网 · 33 天前