Zyphra 發佈 Zamba2-VL 視覺語言模型系列，提供 1.2B、2.7B 和 7B 參數規模
Zyphra 發佈 Zamba2-VL 視覺語言模型系列，提供 1.2B、2.7B 和 7B 參數版本，採用 Zamba2 混合 SSM–Transformer 骨幹。
#多模態
#多模態
今日 22 條Zyphra ResearchAI 評分5959 Liquid AI 模型與工程博客AI 評分4545 LFM2-VL：高效視覺語言模型
LFM2-VL 推出 LFM2-VL-450M 和 LFM2-VL-1.6B 兩款開放權重視覺語言模型，支援文字及可變解像度圖像輸入。在 GPU 上的推理速度最高達現有 VLM 的 2 倍，並原生處理最高 512×512 解像度的圖像；更大的圖像會切分為 512×512 區塊。兩款模型現已於 Hugging Face 提供，採用基於 Apache 2.0 的開放授權。
Liquid AI 模型與工程博客AI 評分6363 Liquid AI 發佈 LFM2-Audio-1.5B 端到端音訊基礎模型
Liquid AI 發佈 LFM2-Audio-1.5B，這款 1.5B 參數模型支援音訊與文字輸入及生成。模型在 VoiceBench 九項音訊互動基準的總分為 56.78，ASR 基準平均詞錯誤率為 7.24。以 4 秒輸入波形測試，平均端到端延遲低於 100 ms；Liquid AI 亦提供 Python 套件及語音對話應用參考實作。
Liquid AI 模型與工程博客AI 評分5555 Liquid AI 發佈面向邊緣應用的 LFM2-VL-3B 視覺語言模型
Liquid AI 發佈 3B 參數的視覺語言模型 LFM2-VL-3B，面向需要更高準確度並保留 LFM2 架構速度優勢的應用。模型以 LFM2-2.6B 為骨幹，整合 SigLIP2 400M NaFlex 編碼器，並可調整每張圖片的視覺 token 數量，以平衡效能與速度；現已可透過 LEAP 及 Hugging Face 取得。
Liquid AI 模型與工程博客AI 評分6161 Liquid AI 發佈面向端側部署的 LFM2.5 模型系列
Liquid AI 發佈面向端側部署的 LFM2.5 模型系列，涵蓋 Base、Instruct、日文、視覺語言及音訊語言型號。LFM2.5-1.2B 的預訓練規模由 10T 增至 28T tokens；LFM2.5-Audio-1.5B 的音訊 detokenizer 在 mobile CPU 上以同等精度較 LFM2 的 Mimi detokenizer 快 8x。
Liquid AI 模型與工程博客AI 評分5858 Liquid AI 發佈 LFM2.5-VL-450M，提升視覺定位並新增函數調用支援
Liquid AI 發佈 LFM2.5-VL-450M，作為 LFM2-VL-450M 的改進版本，提升視覺定位與指令遵循能力，並新增函數調用支援。預訓練規模由 10T 增至 28T tokens；RefCOCO-M 邊界框預測分數由 0 升至 81.28，MMMB 多語言分數由 54.29 提升至 68.09。
Cohere 產品與研究博客AI 評分6060 Cohere 發佈 Embed 5 嵌入模型系列，涵蓋 Pro 與 Fast
Cohere 發佈 Embed 5 嵌入模型系列，分為面向最高檢索品質的 Pro 和麪向低延遲、高流量工作的 Fast，兩款均支援多模態輸入、100+ 種語言及 128K-token 上下文窗口。
Cohere 產品與研究博客AI 評分7070 Cohere 開源發佈 Command A+，向所有人提供主權 AI 智能體能力
Cohere 開源發佈 Command A+，這款採用 MoE 架構的 LLM 以 Apache 2.0 授權，面向高效能智能體任務。模型有 218B 總參數和 25B 活躍參數，支援 48 種語言，並提供 BF16、FP8 和 W4A4 量化版本。
Liquid AI 模型與工程博客AI 評分6363 Liquid AI 發佈 LFM2.5-VL-3B 端側視覺語言模型
Liquid AI 發佈視覺語言模型 LFM2.5-VL-3B，稱其視覺表現可媲美參數量兩倍的模型，並在多種 CPU、GPU 部署中運行更快。相較前代，屏幕理解、工具調用、定位及多圖輸入均有提升，ScreenSpot-v2 平均得分為 80.7，ToolSandbox 由 26.4 升至 59.5，RefCOCO precision@1 由 57.1 升至 87.9。
Liquid AI 模型與工程博客AI 評分5757 Liquid AI 發佈 LFM2.5-VL-DSpark 草稿模型，加速視覺語言模型解碼
Liquid AI 發佈 LFM2.5-VL-3B 的實驗性視覺 DSpark 草稿模型，GPU 解碼吞吐量最高提升 2.66×，端側最高提升 3.13×。端到端吞吐量在 GPU 和端側分別最高提升 2.27× 和 2.62×；草稿模型約有 280M 參數，令部署模型參數量增加 8.9%，並支援 llama.cpp、SGLang 及 MLX-VLM。
Liquid AI 模型與工程博客AI 評分6969 Liquid AI 發佈首個支援文字與圖像的決策模型 d1
Liquid AI 發佈首個決策模型 d1，現支援文字和圖像輸入，並透過一次前向運算直接輸出各答案的機率，不生成 token。在六項實際應用中，d1 有四項表現匹敵或超越 GPT-6.1 Sol；相較 GPT-6.1 Sol 和 Claude Opus 5.5，成本低 19x 至 200x，且每項任務回應更快。
Suno：BlogAI 評分7474 Suno 推出新一代音樂模型 v6，提供三款模型並擴展創作功能
Suno 推出新一代音樂模型 v6，分為 v6、v6-wild 和 v6-mini 三款，分別支援不同創作需求。v6 和 v6-wild 提供予 Pro、Premier 訂閲用戶，v6-mini 則開放所有用戶使用；三者均能理解人聲、樂器、歌曲結構、情緒和參考風格等描述。新功能包括以文字指令編輯歌曲局部、混搭多個來源、取樣並分離音訊，以及從文字、音訊、圖像或影片創作音樂。
Black Forest Labs：BlogAI 評分6969 FLUX 3 與 mimic 合作打造新一代影片動作模型 FLUX-mimic
Black Forest Labs 與 mimic 以 FLUX 3 為骨幹開發 FLUX-mimic，這款影片動作模型從 FLUX 的世界表徵解碼機械人動作。
Black Forest Labs：BlogAI 評分7070 FLUX 3 多模態基礎模型開放 Early Access
Black Forest Labs 的 FLUX 3 多模態基礎模型現已開放 Early Access，採用統一架構共同學習圖像、影片和音訊。它可按文字或圖像、影片參考生成內容，並生成最長 20 秒、帶音訊的影片；模型亦涵蓋動作預測。
Black Forest Labs：BlogAI 評分6969 FLUX 3 Video 第一部分：影片生成初始版本開放使用
Black Forest Labs 已透過 BFL API 及指定合作夥伴開放 FLUX 3 Video 初始版本，支援文字及圖像生成影片。片段最長 20 秒，可輸出 HD（720p）及經升頻處理的 Full HD（1080p），並同步生成原生音訊，另支援影片延續、多鏡頭生成及多語言對白與唇形同步。內部評測稱其文字生成影片表現優於現有 SOTA，圖像生成影片則與 Seedance 2.0 持平。
小米 MiMo：官網發佈與博客AI 評分3030 MiMo-V2.6 系列亮相
MiMo 推出 MiMo-V2.6 系列，主打前沿智能、涵蓋所有模態，並以公開方式構建。
字節 Seed：Research FeedAI 評分6666 Seedream 5.0 Pro 發佈，支援資訊圖生成與交互式精準編輯
Seedream 5.0 Pro 正式發布，作為多模態圖像創作模型，提升圖文匹配、結構合理性、文字渲染及畫面美感。其四項核心能力包括高密度資訊圖生成、交互式精準編輯、影像與人像質感提升，以及十餘種常用語言的原生輸入與生成。目前模型已在火山方舟體驗中心上線，並將陸續在豆包、即夢上線；項目主頁：https://seed.bytedance.com/seedream5_0_pro
字節 Seed：Research Feed精選AI 評分7878 Seedance 2.5 正式發布，單次最長可生成 30 秒影片並支援多模態參考
字節 Seed 正式發布新一代影片創作模型 Seedance 2.5，單次最長可生成 30 秒影片，並支援多輪延長、多模態參考及時間戳精準編輯。用戶單次最多可輸入 30 張圖片、10 段影片和 10 段音訊作參考，模型亦提升長影片連貫性及綠幕、視角和運鏡編輯能力。Seedance 2.5 正陸續於即夢 AI、豆包專業版上線，API 服務近期亦將上線火山方舟。
推薦理由：Seedance 2.5 將單次影片生成時長提升至 30 秒，並支援多輪延長、多模態參考及時間戳編輯，呈現影片創作由片段輸出走向完整流程的能力變化。
字節 Seed：Research FeedAI 評分7575 字節 Seed 發佈 SeedRealtime 原生音訊及影片全雙工大模型，邁向全模態自然互動
字節 Seed 正式推出原生音訊及影片全雙工大模型 SeedRealtime，透過統一架構在連續多模態資訊流中即時互動。SeedRealtime 已在豆包 App 全量上線；端到端人工評測顯示，與級聯模型相比，其音訊及影片對話節奏問題減少一半，單次對話順暢、完整交流的機率亦有明顯提升。項目主頁：https://seed.bytedance.com/seedrealtime
Thinking Machines Lab：NewsAI 評分7373 Thinking Machines Lab 發佈開放權重模型 Inkling
Thinking Machines Lab 發佈從零訓練、提供完整權重的多模態模型 Inkling，採用 Mixture-of-Experts Transformer，總參數量為 975B、啟用參數量為 41B。
Thinking Machines Lab：NewsAI 評分7373 Thinking Machines Lab 發佈開放權重模型 Inkling-Small
Thinking Machines Lab 發佈開放權重模型 Inkling-Small，以 276B 總參數、12B 啟用參數達到與 Inkling 相若的表現，參數規模約為其四分之一。
The DecoderAI 評分6464 Reka AI 發佈 Rho-1 研究預覽，單一模型處理文字、圖像、影片及機械人控制
Reka AI 發佈 Rho-1 研究預覽，這個 19-billion-parameter 全模態模型在單一神經網絡中處理及生成文字、圖像、影片和機械人控制動作。
OpenMOSS / 復旦NLP / 上海創智 / MOSIAI 評分5555 OpenMOSS 發佈開源影片與同步音訊生成模型 MOVA
OpenMOSS 發佈開源影片與同步音訊生成模型 MOVA，模型可在單次推理中生成影片及同步音訊。程式庫提供模型權重、推理、訓練、LoRA 微調及評測流程，並列出不同推理及訓練設定的硬件資源與耗時數據。
The DecoderAI 評分5959 NASA 與 IBM Research 發佈開源 NASA-IBM Lunar Foundation Model，整合 17 年月球軌道觀測資料
NASA 與 IBM Research 發佈開源 NASA-IBM Lunar Foundation Model，使用 17 年月球軌道觀測資料支援月球科學的機器學習任務。
Microsoft AI：官方博客精選AI 評分7777 Microsoft Build 2026 MAI 主題演講實錄：宣佈七款新模型及與 Mayo Clinic 合作開發醫療模型
Microsoft 在 Build 2026 的 MAI 主題演講中宣佈推出七款涵蓋圖像、語音、轉錄、推理及編碼的新模型。
推薦理由：演講將模型基準、產品整合和權重調校渠道並列，呈現 Microsoft 從模型發布延伸至企業定製的產品路徑。
Meta AI：Research Blog精選AI 評分7676 Meta 發佈 Muse Spark 1.1，並開放 Meta Model API 公開預覽
Meta 發佈多模態推理模型 Muse Spark 1.1，稱其較 Muse Spark 在工具與電腦操作、編碼及多模態理解方面均有重大提升。模型可協調多個子智能體並管理 1 million tokens 的上下文窗口；開發者現可透過公開預覽中的 Meta Model API 使用，Meta AI app 和 meta.ai 亦提供 Thinking 模式。
推薦理由：Muse Spark 1.1 聚焦智能體工作流，涵蓋多智能體協作、電腦操作與 1 million tokens 上下文，並透過 Meta Model API 開放公開預覽。
MiniMax：BlogAI 評分7474 MiniMax 發佈 M3，整合前沿編碼、1M 上下文與原生多模態
MiniMax 正式發佈 M3，這款開放權重模型整合編碼與智能體能力、最高 1M tokens 上下文，以及原生圖像和影片輸入與桌面操作能力。M3 採用 MiniMax Sparse Attention（MSA），在上下文長度達 1M tokens 時，每 token 計算量為上一代的 1/20，prefilling 提速逾 9×、decoding 提速逾 15×。
MiniMax：BlogAI 評分6868 MiniMax 發佈 H3 多模態生成模型，支援原生立體聲 2K 影片生成
MiniMax 發佈 H3 通用多模態生成模型，可理解文字、圖像、影片與音訊的統一上下文，並生成最長 15 秒、2K 解析度的原生立體聲影片。H3 預設提供 2K 輸出，官方表示其 2K 每秒價格低於主流模型的三分之一，並計劃在未來幾天內於適用法律法規範圍內開放模型權重。模型面向廣告、品牌、電商等創作場景，MiniMax 表示完整技術報告將於稍後分享。
MiniMax：BlogAI 評分5454 MiniMax 發佈 Music 3.0 開放權重音樂生成模型
MiniMax 發佈 Music 3.0 音樂生成模型，可依據創意概念及可選歌詞，在一次生成中完成最長 5 分鐘的歌曲。模型採用 8 層 RVQ、由 Qwen3.5-8B 初始化的 8B Global LLM、0.6B Local LLM，並透過 2.4B flow-matching 模組及 123M Flow-VAE 重建音訊。
TechCrunch · AIAI 評分6767 Google 發佈 Gemini 4 Argon，稱其為迄今最強模型
Google 發佈 Gemini 4 Argon，稱其為迄今最強模型，並表示它適用於編碼、研究、寫作等工作，尤其面向防禦性網絡安全。該模型專為防禦性網絡安全工作訓練，Google 稱它可自主發現、驗證並修補關鍵軟件漏洞；目前僅透過 Fairwind Program 向部分網絡安全合作夥伴推出。
The DecoderAI 評分5959 Tavus 的 Griffin 在一分鐘視像通話中被近半受試者誤認為真人
Tavus 發佈 Griffin，稱其為首個「Human Interaction Model」（HIM）；其研究中，48% 參與者在一分鐘視像通話後認為 Griffin 是真人。
OpenMOSS / 復旦NLP / 上海創智 / MOSIAI 評分6767 OpenMOSS 發佈 MOSS-VL 開放權重影片理解模型系列
OpenMOSS 發佈 MOSS-VL 開放權重影片理解模型系列，涵蓋連續影片即時互動、離線理解及後續訓練三類用途。系列包括 MOSS-VL-Realtime、MOSS-VL-Instruct-0708 和 MOSS-VL-Base-0708，分別面向即時互動、離線任務，以及持續預訓練和微調。三款模型均為 11B 參數，支援 256K 上下文窗口；倉庫亦提供即時與離線推理、部署和微調資源。
Sarvam AIAI 評分5656 Sarvam Vision 2.1 強化文件智能，提升表格解析與 Indic 手寫識別
Sarvam AI 發佈 Sarvam Vision 2.1，強化表格解析、表單鍵值擷取及 Indic 手寫識別。在 olmOCR-Bench 官方集合中，模型得 87.3 分，為表列最高；在 OmniDocBench v1.6 得 94.97 分，低於 PaddleOCR-VL 1.6 的 96.01 分。
Latent Space精選AI 評分8484 小米 MiMo-V2.6-Pro（1T-A42B）登上開放權重模型榜首，訓練成本 $3M
小米推出 MiMo-V2.6-Pro，該模型在 Artificial Analysis Intelligence Index 得 46 分，排名開放權重模型首位。
推薦理由：文中並列模型榜單、RL 訓練成本與將開源的環境配方，呈現這次發佈由模型權重延伸至後訓練流程的技術脈絡。
螞蟻 inclusionAI：HuggingFace 新模型AI 評分5353 inclusionAI 發佈 Ming-Image-0.1-Design-Layer 設計圖層拆解模型
inclusionAI 發佈 Ming-Image-0.1-Design-Layer，可按輸入圖像及圖層規劃，將扁平設計圖像拆分為指定數量的 RGBA 圖層。模型提供六層卡片製作示例，建議工作分辨率為 1024，亦可使用 512 加快分層；採樣步數為 12，驗證配置為一張 CUDA GPU、80 GiB VRAM。
螞蟻 inclusionAI：HuggingFace 新模型AI 評分6363 inclusionAI 發佈 Realtime-Venus 全雙工互動系統
inclusionAI 發佈 Realtime-Venus 全雙工互動系統，提供視聽版 Realtime-Venus-Omni 與音訊版 Realtime-Venus-Audio，兩者均為 9B。
IBM Research：AIAI 評分5959 IBM 與 NASA 開源月球基礎模型 NASA-IBM Lunar Foundation Model
IBM 與 NASA 開源 NASA-IBM Lunar Foundation Model，整合數十年美國及日本月球任務的多模態觀測資料。在冰區識別中，模型的錯誤率比用於冰區探測的 SwinV2 降低 22%；在 100 米／像素撞擊坑檢測中，較以撞擊坑檢測訓練的 Swin 模型高近 19%，並使用一半訓練資料。
DeepSeek：API 更新日誌AI 評分7070 DeepSeek-V4.1-Flash 正式發佈，支援原生多模態視覺理解
DeepSeek-V4.1-Flash 正式發佈，是 DeepSeek 新架構系列中最小的模型，並支援原生多模態視覺理解。
FireRedTeam：原創語音與多模態項目AI 評分6565 FireRedTeam 發佈 FireRedAudio 通用音訊語言模型及 PyTorch 程式碼
FireRedTeam 發佈 FireRedAudio，一款以共用 9B 參數 LLM 為基礎、涵蓋音訊理解與語音生成的音訊語言模型。Audio Encoder 負責理解、RedAE pathway 負責生成；模型支援 ASR、音訊理解、零樣本及指令式 TTS、語音編輯，並可處理最長一小時的錄音。除 ASR 外，其他功能只支援中文和英文。
Hugging Face BlogAI 評分5757 NeoMME 發佈 260M、800M 多語言多模態編碼器
NeoMME 推出 260M 和 800M 兩種規模的多語言多模態編碼器，並提供用於視覺文件檢索的 NeoMME-Retriever。模型從零開始以單一雙向 Transformer 處理文字 token 和原始圖像 patch；NeoMME-Retriever 單次前向傳播可輸出密集與 late-interaction 嵌入向量。