搜索“多模态”

难度长程任务 Carbon 旨在应对更困难、更长程的工程问题，专为持续的智能体工作流而打造。在内部，我们的团队已看到 Carbon 连续运行数天，在走入死胡同后仍能坚持推进，完成复杂多步骤工程任务，例如在大型代码库和底层系统中定位并修复隐蔽缺陷的根本原因。 基于用户反馈，我们重点提升了模型在多个领域的表现，包括编程、智能体和科学任务，以及全栈 Web 开发和多模态理解。随着 Web 开发中输出质量和产物的提升，Carbon 跃升 +89 elo 分，以第 4 名（1768 分）登上 WebDev Arena. 最先进的网络安全性能，助力构建安全系统 Gemini 4 Carbon 在网络安全能力上实现了重大飞跃。它在网络安全防御全生命周期——漏洞检测、验证和修复——均达到最先进水平。 我们的团队已在网络防御中看到显著提升。在内部基准测试中，Carbon 在生成安全代码方面的成功率相比 Argon 提升超过 2 倍。另一个例子是，Chrome 团队报告称，在生成高质量补丁时，Carbon 的表现比另一家实验室的大型前沿模型好 10 倍以上。我们领先的云安全平台 Wiz 也观察到，Carb

匹配字段正文

能力 Carbon 专为应对难度更高、周期更长的工程问题而设计，旨在支撑持续性的智能体工作流。在我们的内部团队中，Carbon 曾连续运行数天，在屡屡碰壁后仍坚持推进，以完成复杂的多步骤工程任务，例如在大型代码库和底层系统中对隐蔽缺陷进行根因定位与修补。 基于用户反馈，我们重点提升了模型在多个领域中的表现，包括编程、智能体与科学任务，以及全栈 Web 开发和多模态理解。随着 Web 开发中输出与产物的质量提升，Carbon 跃升 +89 Elo 分，以 1768 分位列 WebDev Arena. 最先进的网络安全性能，助力构建安全系统 Gemini 4 Carbon 在网络安全能力上实现了重大飞跃。它在网络安全防御全生命周期——漏洞检测、验证与修复——中均达到最先进的性能。 我们的团队已经在网络防御方面看到了显著收益。在内部基准测试中，Carbon 在生成安全代码方面的成功率相比 Argon 提升超过 2 倍。再举一个例子，Chrome 团队报告称，在生成高质量补丁方面，Carbon 的表现比另一家实验室的大型前沿模型好 10 倍以上。我们领先的云安全平台 Wiz 也观察到，Carb

匹配字段正文

已为 Astra 实施了迄今为止最严格的防护措施，并调整了内部安全与安保态势，以 应对恶意使用以及未经授权、与目标不一致的模型活动。我们 也将这些防护措施应用于 GPT-6.1 Terra，这与我们 对两个模型采用相同 Preparedness 判定的决定一致。 能力评估 我们将 GPT-6.1 Terra 在生物和化学领域视为 High 能力。这一点体现在多模态故障排查病毒学（Multimodal Troubleshooting Virology）越过了其指示性阈值。四项可获得的 Critical 能力结果均未越过其列出的阈值。 关于这些评估的完整说明，请参阅 GPT-6 Astra 系统卡中的生物与化学能力部分。 生物与化学能力 GPT-6 Astra 系统卡中的章节。 正如以往系统卡中所指出的，我们认为其他若干 Bio High 评估也正趋于饱和，尽管这并不改变将模型归类为 Bio-High 的判定。 表 10 表 10 评估指标指示性阈值gpt-6-lunagpt-6-solgpt-6 Astragpt-6.1-solgpt-6.1-terra 多模态故障排查病毒学 pass@

匹配字段正文

这价格是真便宜！！ 输入每百万Token 1元，输出4元，缓存读取只要0.1元。 太仁义了嗷，我宣布，以后闲时梁文谷，忙时闫俊峰！（bushi） △ 图源：@大厂显微镜 不过，硅谷闭源阵营恐怕又得遭殃了。 继DeepSeek之后，硅谷一众大参数旗舰，又被国产Flash架上了一条全新的性价比斩杀线o(╥﹏╥)o。 说实话，之前我对MiniMax有过不少嘀咕。 多模态和视频生成确实很顶，但纯文本大模型这边吧，不知道从什么时候开始就没动静了。。。 这次M3.1 Flash亮相，也算是打了场翻身仗吧。 咱们挨个看下战绩： 代码工程与真实修Bug 在DeepSWE v1.1评测里，M3.1 Flash拿下了73.7%。 也是倒反天罡了。 GPT-6.1 Sol、Claude Opus 5、Claude Fable 5……居然被一款Flash跑分反超。 排在它前头的，只剩下DeepSeek V4.1 Flash 1017的77分。 这也印证了玉兔匿名测试期间社区的反馈：在处理Three.js这类3D渲染和复杂前端任务时，它对细节的把控极其变态。 网络安全实战 在加州大学伯克利分校主导的CyberG

匹配字段正文

啊，这价格是真便宜！！ 输入每百万Token 1元，输出4元，缓存读取只要0.1元。 太仁义了嗷，我宣布，以后闲时梁文谷，忙时闫俊峰！（bushi） △ 不过，硅谷闭源阵营恐怕又得遭殃了。 继DeepSeek之后，硅谷一众大参数旗舰，又被国产Flash架上了一条全新的性价比斩杀线o(╥﹏╥)o。 文本模型翻身仗 说实话，之前我对MiniMax有过不少嘀咕。 多模态和视频生成确实很顶，但纯文本大模型这边吧，不知道从什么时候开始就没动静了。。。 这次M3.1 Flash亮相，也算是打了场翻身仗吧。 咱们挨个看下战绩： 代码工程与真实修Bug 在DeepSWE v1.1评测里，M3.1 Flash拿下了73.7%。 也是倒反天罡了。 GPT-6.1 Sol、Claude Opus 5、Claude Fable 5……居然被一款Flash跑分反超。 排在它前头的，只剩下DeepSeek V4.1 Flash 1017的77分。 这也印证了玉兔匿名测试期间社区的反馈：在处理Three.js这类3D渲染和复杂前端任务时，它对细节的把控极其变态。 网络安全实战 在加州大学伯克利分校主导的CyberG

匹配字段正文

新京报贝壳财经讯（记者罗亦丹）记者10月19日获悉，大晓机器人正式发布全新视觉空间锚定增强型具身基模型ACE-Brain-0.6。值得注意的是，近期以GPT-6 Astra为代表的通用多模态模型展现出了强大的具身场景能力，撼动了具身智能与传统大模型之间的边界。对此，大晓机器人方面对贝壳财经记者表示，ACE-Brain-0.6的开发启示正来自于Astra。 具体来看，大晓机器人通过深入分析发现，相比GPT-5.5，GPT-6 Astra的视觉空间锚定准确率显著提升，其强大的具身泛化能力不仅依赖高级推理，更得益于空间感知与空间推理能力的跃升。 在实际操作中，Astra通过Grounding精准识别目标物体、交互区域及空间参照，结合几何计算确定位置、位移与运动参数，将抽象任务意图转化为具体物理动作。这一发现为具身智能行业提供了重要技术启示：以视觉空间锚定能力为关键突破口，加速推动具身智能从高级认知迈向精准感知与可靠执行。 例如，大晓机器人团队分析了GPT-6 Astra执行机器人任务的过程。在放置水果篮的案例中，模型需识别篮筐边缘与目标承载面，通过空间计算确定移动方向；在折叠T恤的案例中，则

匹配字段正文

a W0 5B；另一款是采用MoE架构、激活参数量为140亿的Ropedia W0 A14B。 其中，Ropedia W0 A14B用于进行跨本体预测评测，Ropedia W0 5B则被进一步用于实时交互和机器人动作学习等实验。 二、构建1.3万小时数据集，整合人类与机器人经验 大规模训练数据也是Ropedia W0实现跨本体预测的重要基础。该团队构建了一套多模态数据处理流水线，将不同来源的数据整理成统一格式，构建约1.3万小时的Xp-Data训练数据集。 其中，人类第一视角数据约1万小时，真实机器人数据约3000小时。不过，人类、机械臂和人形机器人的运动方式、动作结构存在差异，不同来源的数据也难以直接用于统一训练。 为此，研究团队提出一套跨本体统一运动学表示方法，将不同本体的运动和操作转换成两类通用信息。 第一类是相机运动，用于描述人类或机器人在空间中的移动及视角变化。 例如，当机器人向前走或转身时，摄像头的位置和朝向也会跟着变化。Ropedia W0通过相机位姿及Plücker射线表示这些运动信息，让模型能够根据给定的运动轨迹预测未来第一视角画面。 第二类是投影骨架，主要用于描述人

匹配字段正文

格的一半，与空闲时期价格持平。 ▲M3.1 Flash与DeepSeek V4.1 Flash-1017价格对比（智东西制表） 可以说，这两个模型就像开发者工具箱里两套各有侧重的工具，开发者能根据任务需求灵活调度。 例如，需要代码生成效率和缓存成本控制时，开发者们可以选择DeepSeek V4.1 Flash-1017；面对长程Agent任务、跨应用自动化或多模态驱动的开发流程时，M3.1 Flash则可以作为第一选项。 此前外界对MiniMax的印象，或许多集中在多模态领域。但无论是Space Bunny匿名期间的调用量霸榜，还是M3.1 Flash正式发布的基准测试成绩单，都证明了MiniMax在Agent与自动化方向的竞争力，也让用户对其后续Pro模型的发布充满期待。 结语：Flash模型上桌，不再是“平替” DeepSeek和MiniMax的两款Flash模型接替上场，让业内看到了Flash模型的实力。 Flash模型正在撕掉 “预算不足才退而求其次” 的旧标签。从基准测试结果来看，它已能在部分核心指标上，跻身旗舰模型的同台对比序列，同时保留自身在推理速度与成本上的固有优势。

匹配字段正文

要我说，谷歌就是季节性气候模型公司，天气凉了，旗舰也就熟了。 按照谷歌的定位，这一代主要加强了编程、专业知识工作和复杂任务的持续执行能力，同时也把此前比较擅长的视觉理解、空间推理和工具调用能力进一步推向前沿。 在官方展示的demo中，看得出这次Gemini 4 Argon最自信的还是多模态方面。 输入一段模拟风筝的文字提示，生成的效果直接起飞。 而在大家更关心的 能不能重回御三家、给用户多一个模型选择 这件事上，Gemini4 Argon这次在评测中也表现得相当争气。 在谷歌自家评测中，Gemini4 Argon覆盖了办公、智能体编程、机器学习以及科学推理等多个方向，整体表现已经达到GPT-6 Astra、Opus5.5的水平，其中不少项目甚至实现领先。 第三方Artificial Analysis智能指数中，Argon High也与GPT-6 Astra Max、Claude Fable5.1 Max并列53分。 更关键的是，在达到同等水平的情况下，Argon High的平均每任务成本仅为1.99美元，比Astra低约39%。 这一成本优势体现到首发价格上，就是API每百万输入tok

匹配字段正文

们来深入了解它的能力以及实现高效推理的方式。 Beam 是一个自回归 Transformer 模型，接受文本输入并生成文本输出（主要为英文）。它采用混合专家（MoE）架构，总参数为 501B，每 token 激活参数为 23B，上下文窗口最高可达 100 万 token。 Beam 是 Reflection 全新模型系列中的首个模型，未来版本计划加入多语言和多模态能力。Beam 专为构建编码与智能体系统的开发者和研究人员，以及希望定制并运行自有模型的企业而设计。它可与开发者已在使用的运行时、框架、编码工具链和工具开箱即用。 面向编码与智能体工作负载的高效推理 Reflection 的评估显示，Beam 在编码、智能体、推理和 STEM 基准测试中表现强劲：✕智能体编码性能✕推理性能 来源： https://reflection.ai/blog/introducing-beam Reflection 训练 Beam 解决编码与智能体任务，并用更少的 token 达成成功结果。目标是降低这些工作负载的成本。强化学习（RL）是 Beam 训练的重要组成部分。 Reflection 采用了更长

匹配字段正文

Meta公布的六项对比测试中排名第一，但中国开源模型在软件工程等部分任务上仍占优势。 财联社10月16日（编辑 史正丞）当地时间周四，近来在AI领域势头正盛的Meta发布开放权重大模型Muse Spark Open，并与苹果合作，推动这款模型在Mac电脑上本地运行。 （来源：公司官网） 具体来说，Muse Spark Open是一款采用“混合专家架构”的原生多模态模型，总参数量为8160亿（其中420亿为活跃参数），上下文窗口大小可达100万词元。Meta表示，该模型专为编码与智能代理任务设计，在处理长周期任务、复杂软件工程问题以及多步骤推理方面表现极为出色。 当然，Meta将其称为“迄今能力最强的美国开放权重模型”，也是有原因的。 根据Meta自己公布的测试结果，与市场上前沿开源模型进行比较，Muse Spark Open在工作流程、工具调用、知识推理、知识可靠性，以及复杂视觉推理和图像事实问答这6项测试中排名第一。 但数据也显示，在软件开发及其他某些任务方面，Kimi、千问、智谱等中国开源模型依然更胜一筹。 更引发市场关注的是，此次发布还有意外进展——苹果和Meta竟然携手共事。在

匹配字段正文

获悉，Elorian于周五发布了其首个模型。这家帕洛阿尔托的AI初创公司在尚未推出产品之前，就以3亿美元估值完成了5500万美元的种子轮融资。 该模型名为Glimpse，以研究预览形式发布，提供API访问，聊天界面仅限候补名单，因此目前它只是一张结果表格和一份论点。这份论点是什么？当今的AI模型，尽管在语言和代码方面技艺高超，却仍然无法真正“看见”。 大多数多模态模型只查看一次图像，将其转换为token，然后用文本进行推理——就像凭记忆描述一张照片。Glimpse则会不断回到源头。在推理过程中，它可以裁剪到某个区域、从视频中提取特定帧，或运行代码来测量或比较它所看到的内容，Elorian将这一机制称为“视觉草稿空间”。可以想象成有人在手机上捏合放大照片，以复核自己以为看到的东西。 对于前Google DeepMind研究员、Elorian CEO Andrew Dai来说，AI仍然无法真正“看见”的最明显迹象之一出现在游戏之夜。 去年，他拍下自己和朋友们刚玩完的一款桌游，并询问一个前沿模型谁在获胜。它答不上来。桌游“每一种都有自己的视觉语言，都有自己的图像符号和象征，”他告诉TechC

匹配字段正文

来评估长期记忆、任务专注度与持续执行能力，专业任务评测还覆盖法律、金融和健康等领域。 官方演示中，Muse Wonder能够直接操作浏览器、跨应用获取信息，并根据用户的个人偏好制定周六跑步计划。这类演示呈现的，正是Meta希望强化的能力，也即让模型结合个人背景持续推进任务。 在基础规格上，两款模型的上下文窗口均为100万token，支持文本、图像、视频和音频多模态输入。 安全方面，Meta称Muse Wonder是其迄今对齐程度最高的模型，并强化了对化学、生物、放射性和核相关风险（CBRN）及网络滥用的防护，以及对抗性指令应对和私人信息处理能力。 三、分手厨房、魔方模型，效果和Opus 5.5对打 模型一经发布，一众网友纷纷上手测试，智东西收集了一些案例，看看Muse Wonder系列模型的能力如何。 有开发者使用Muse Wonder制作了3D可旋转魔方模型，从画面上看，光影效果、清晰度和旋转细节都相当有质感，该开发者称这完全是和Claude Opus 5.5一个级别的。 Meta研究员用Muse Wonder打造了一个Muse版的分手厨房，画面清晰、交互流畅，Alexandr Wa

匹配字段正文

如果环境错误地奖励某些不安全的捷径，模型也可能学会不符合预期的行为。因此，团队需要精心设计训练任务、反馈机制和奖励方向。 官方还设计了FocusBench，专门评估Agent遇到障碍、环境变化和任务中断时的持续执行能力。 这里真正值得关注的技术方向是：Meta不再仅仅为一个通用语言模型外挂Agent工作流，而是从预训练和后训练阶段，就针对长期记忆、持续执行、多模态理解等Agent能力进行优化。 当然，官方尚未公布完整模型架构、参数规模及底层记忆算法，外界仍无法复现这些核心技术。 3D实测暴露短板 技术介绍之外，Meta同步放出了一批实际应用演示。其中最直观的是3D厨房游戏。模型接收用户提供的图像，生成一个可交互、能够游玩的三维厨房场景。 另一段演示展示了健康与生活场景下的Agent任务，以及保险理赔辅助。模型需要理解不同材料、处理信息，并持续推进多步骤工作。 但发布之后，开发者们很快拿出了不那么漂亮的测试结果。X用户Max Blade让Muse Wonder Full和Claude Opus 5.5使用同一提示词，分别生成一款可以驾驶割草机、同时喝啤酒和抽雪茄的AAA级模拟游戏。 对比

匹配字段正文

和文字；但遇到复杂的人手动作、连续操作步骤，或者需要很精细的阴影、反光效果时，效果还不够稳定。 在 Layer 模型中，分层不存在唯一答案。有人只需要背景、主体、文字三层，也有人希望将每段文字和每个图标分别拆开。大量叠加光效、特殊透明材质和复杂遮挡，也可能出现边缘残留或图层缺失。 下一步，我们将继续提升文字与复杂布局稳定性，扩展图层语义和可控分层能力，优化透明效果、遮挡补全和推理效率，并将模型接入更多设计、办公与应用生成场景。 我们关注的不只是模型还能生成什么，而是生成结果能否真正进入下一步：继续改、继续用、继续交付。 04 即刻体验 在线体验 🤗 Hugging Face 如果你正在制作 UI、信息图、海报、演示文稿或设计资产，或者手里已经有一张希望继续修改的设计图，欢迎体验 Ming-Image-0.1-Design 系列。 也欢迎把真实项目里最难生成、最难修改或最难分层的案例留给我们。 让 AI 不只生成一张图，也能理解设计，并把设计继续交付下去。模型发布多模态上一篇Ling-3.1-flash：面向真实世界任务的模型升级下一篇提升大模型智效比，从缩短一次数据验证的等待开始$/$

匹配字段正文

，模型能像私人秘书一样帮你完成这些日常核算工作。 面向真实的办公场景，Ling-3.0-flash 能够基于 Office MCP 接口，由 AI 直接读取并排版 Word 提案（调整格式并生成目录），同时核算 Excel 财务数据（处理 SUMIF 公式与透视表汇总），最终输出规范文档与 PDF 滚动长图。 过程中表现出了 Ling-3.0-flash 对多模态文档解析、Office API 精细控制与自动化长程执行的稳定性。 批量美学网页生成 大模型不仅是代码工具，更是设计大师。即使没有任何图片素材，Ling-3.0-flash 只凭代码，就能批量为你搭建出极具视觉冲击力的前卫艺术网页。 Ling-3.0-flash 批量生成了数个现代设计流派页面（含包豪斯、波西米亚、酸性设计等，包含 Easy 到 Hard 渐进难度），在不依赖外部图片的前提下，纯靠 CSS 渐变、SVG 路径和排版布局还原流派质感。 不同风格的页面生成展现出了 Ling-3.0-flash 对视觉流派设计的理解力、极高质量的前端代码批量生成与无图美学排版能力。 网页版黑白极简电子琴与合成器 如果你需要一个多媒体

匹配字段正文

g-flash-omni-2.0，基于 Ling-2.0（MoE 架构，100B-A6B）架构训练。相比之前发布的 Preview 版本，Ming-flash-omni-2.0 实现了全模态能力的代际跃迁，无论是在复杂的视觉理解、充满情感的语音交互，还是极具创意的图像编辑上，Ming-flash-omni-2.0 的实测表现均已跻身开源领先水准。 长期以来，多模态大模型领域存在一个难题：通用的“全模态大模型”（Omni-MLLMs）往往在特定领域的表现不如“模态专用大模型”（Specialist MLLMs）。Ming-omni 系列的研发初衷，正是为了填补这道鸿沟。从 Lite 版本到 Flash Preview，我们验证了模型规模对性能的提升作用；而从 Preview 到如今的 2.0 版本，我们通过海量数据的精细化打磨，进一步触达了性能的天花板。Ming-flash-omni-2.0 的诞生证明了：一个统一架构的全模态模型，完全可以既是博学的通才，又是特定模态的专家。 2. 特色能力 Ming-flash-omni-2.0 兼具领先的通用泛化性能与深度的领域专长，特别是在视觉百科

匹配字段正文