Cerebras 開放預覽 Gemma 4 31B，多模態推理速度達每秒 1,851 個 token
Cerebras 已在 Cerebras Inference Cloud 限時公開預覽 Gemma 4 31B，支援以圖片輸入進行多模態推理。Artificial Analysis 測得其輸出速度為每秒 1,851 個 token，是典型 GPU 端點的 35 倍；首次回應 token（包括推理）在 1.5 秒內返回。
#多模態
#多模態
今日 34 條Cerebras：BlogAI 評分5757 Cohere 產品與研究博客AI 評分6767 Cohere 推出 Parse，提供大規模企業文件智能處理
Cohere 推出 Parse，這款文件解析視覺語言模型現已透過 Cohere API、Model Vault、Microsoft Foundry 和 AWS SageMaker 提供。
ElevenLabs：BlogAI 評分6060 ElevenLabs 推出 Image & Video (Beta)，整合圖像與影片創作流程
ElevenLabs 推出 Image & Video (Beta)，在同一平台整合圖像、影片生成及音訊後製流程。用戶可透過 Nanobanana、Flux Kontext、GPT Image 和 Seedream 生成圖像，並以 Veo、Sora、Kling、Wan 和 Seedance 生成影片，再匯出至 Studio 加入語音、背景音樂及音效。
ElevenLabs：BlogAI 評分6565 ElevenLabs 在 ElevenCreative 推出 Flows Agent
ElevenLabs 在 ElevenCreative 推出 Flows Agent，讓用戶以對話描述創作需求，由智能體建立、連接並執行工作流程。它會選擇合適模型、建立及連接節點，並在生成前確認影片長度、語氣和結構；啟用 Assist mode 後，高成本生成須經用戶確認。
Zyphra ResearchAI 評分5959 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。
Prime IntellectAI 評分6565 Prime Intellect 與 Browserbase 合作，透過 BrowserEnv 訓練瀏覽器與電腦操作智能體
Prime Intellect 與 Browserbase 合作提供 BrowserEnv，讓用戶可在真實網站互動環境中訓練瀏覽器及電腦操作智能體。團隊以 WebVoyager 基準的 600 項真實網頁任務微調 Qwen3-VL-8B-Instruct，訓練流程和環境均已放在 Hub，並可完整重現。
Suno：BlogAI 評分4646 Suno Audio Input：用任何聲音創作歌曲
Suno 推出 Audio Input，讓 Pro 和 Premier 用戶上載或錄製音訊，並將其延伸創作成歌曲。音訊或影片片段須為 6 至 60 秒，用戶可設定延伸時間點、曲風及是否加入歌詞。有版權的作品會被禁止上載；含人聲的輸入會保持私密，且不可搜尋。
Suno：BlogAI 評分5353 Suno 推出 Suno Scenes，讓用戶從照片和影片創作歌曲
Suno 推出 Suno Scenes，讓用戶以照片或影片作為素材創作歌曲。功能先向 iOS 用戶開放，可在歌曲創作體驗的 Camera 模式中使用。
Suno：BlogAI 評分5656 Suno 推出新音樂編輯功能，Song Editor 支援逐段重編與 12 條分軌匯出
Suno 推出一批音樂創作功能，更新 Song Editor，並支援上載最長 8 分鐘的音訊及匯出 12 條分軌。用戶可在波形上逐段重排、改寫和重製歌曲，分軌亦可預覽及下載。三個新控制項可調整生成結果的怪異程度、結構性及參考導向程度。
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5454 MiMo-V2.5 系列全流程推理優化實踐
小米 MiMo 團隊介紹 MiMo-V2.5 系列的全流程推理工程優化，涵蓋 KVCache 管理、排程、Prefill/Decode 執行流程及多模態推理。多模態 Encoder 的 QPS 由 15 增至 30，平均延遲由 78.39 ms 變為 80.28 ms；1 小時影片的 Encoder 端到端延遲由 156 s 降至 23 s。
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。
NAVER / CLOVA 研究AI 評分3535 聖地亞哥 NeurIPS 2025：NAVER 的 AI 現況與未來
NAVER 在聖地亞哥舉行的 NeurIPS 2025 展示 9 篇研究論文及最新技術示範，研究聚焦效率、可控性與真實世界 AI。其中，KVzip 的記憶體節省幅度最高達 4 倍、速度提升接近 2 倍；CodeGEMM 令 70B 模型運行速度最高提升 8.93 倍。NAVER 亦提出 C-SEO Bench，並以開源方式發布數據集、程式碼及基準。
NAVER / CLOVA 研究AI 評分4646 Autiverse：以 AI 引導的漫畫日誌將自閉症青少年的日常經歷轉化為故事
NAVER Cloud 的研究提出 Autiverse，一款以 AI 引導自閉症青少年透過漫畫日誌整理日常經歷的平板應用程式。它以 ABC 模型加入情緒元素，形成 A-B-C-E 四格結構，並透過逐步提問、核對和補充細節，協助孩子組織敍事。相關論文將於 ACM CHI 2026 發表。
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4444 Thinking Machines Lab 宣佈提供互動性研究資助
Thinking Machines Lab 宣佈提供多項互動性研究資助，每項金額為 $100,000，另附 $25,000 Tinker credits。研究方向包括即時多模態互動評測與安全、以生成式 UI 解釋複雜資訊，以及在長期任務中即時瞭解智能體的執行情況並加以引導；亦歡迎其他相關提案。申請截止日期為 June 19, 2026。
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。
HuggingFace Daily Papers（社區熱門論文）AI 評分3737 Prism：用於原生 2K 聯合影片音訊生成模型訓練的動態稀疏注意力
Prism 提出動態稀疏注意力框架，用於原生以 2K 訓練聯合影片音訊生成模型。框架按時空區域的視覺變化及音訊對影片的影響，動態調整區塊形狀和每個查詢的稀疏度。實驗顯示，相比全注意力，Prism 的訓練速度提升 2.5 倍，生成質素亦更高。
LlamaIndex：產品、工程與評測精選AI 評分7979 LlamaIndex 在 OpenAI Developer Day 當日加入新模型與功能支援
LlamaIndex 在 OpenAI Developer Day 當日為其程式庫加入對兩款新模型及多項 OpenAI 功能的支援。
推薦理由：文章列出 LlamaIndex 對新模型、Azure endpoints、嵌入向量抽象層及函數調用的支援，並附模型調用程式例子，呈現這次更新涵蓋的整合範圍。
LlamaIndex：產品、工程與評測AI 評分3535 用 PaLM、KOSMOS-2 與 LlamaIndex 打造自己的 ChatGPT 視覺原型
作者以 KOSMOS-2、Google PaLM API 和 LlamaIndex 建構 Streamlit 多模態原型，讓使用者上載圖片並就圖像內容對話。KOSMOS-2 生成圖片描述，PaLM 負責對話，LlamaIndex 串接流程；示範版每個工作階段最多可傳送 20 則訊息。
LlamaIndex：產品、工程與評測AI 評分6868 LlamaIndex 介紹多模態 RAG 的文字與圖片索引、檢索能力
LlamaIndex 介紹多模態 RAG 新抽象，讓文字與圖片可納入索引、檢索及回答流程。新能力包括 OpenAIMultiModal 支援 GPT-4V、ReplicateMultiModal 支援開源多模態模型（目前處於 beta），以及透過 CLIP 建立圖片嵌入。