标签: 多模态 (9 篇)

Meta 开源 30B 多模态模型 Muse Glimmer，专攻本地隐私 Agent 场景，在多项 Agent 评测中超越 Gemma4、Qwen3.6 等更大模型，预示本地 Agent 智能即将爆发。

NVIDIA 发布 4B 参数边缘端世界模型，在内存受限设备上实现实时视觉推理与机器人动作生成，刷新同类模型基准。

Inkling以万亿参数、原生多模态和1M上下文窗口，成为开源领域首个能同时原生处理图像、音频、文本的大模型，架构创新让高效推理与智能体应用成为现实。

OpenAI 为 ChatGPT 语音模式换上 GPT‑Live，不仅能流利对话，还能后台调取 GPT‑5.5 处理复杂任务，Simon Willison 实测发现它重新成为了有用的思考伙伴。

Simon Willison 的 LLM 库发布重大更新，将输入输出从简单文本提示/响应，重构为支持多轮消息序列和流式混合类型响应的复杂结构，以适应现代大模型的多模态与工具调用能力。

vLLM语义路由器在扩展多模态能力时发现，其视觉编码器输出的信号与参考模型严重不符，导致路由决策“自信地犯错”，揭示了AI系统从处理文本到处理完整请求时，信号正确性成为关键控制平面要求。

NVIDIA 发布全模态理解模型 Nemotron 3 Nano Omni，在文档、音视频理解和智能体操控等任务上刷新多项开源基准，且效率远超同类模型。

LlamaIndex 发布首个面向 AI智能体 的 OCR 基准 ParseBench，并展示了其解析工具在结构化文档理解、多模态推理等方面的突破，标志着文档处理正从文本提取走向深层语义理解。

Meta发布新模型Muse Spark，但真正的看点在于其聊天界面集成了16种工具，包括网页搜索、社交媒体内容搜索、代码解释器等，构建了一个完整的AI智能体工作台。