Google DeepMind 发布开放权重多模态嵌入模型 EmbeddingGemma 2，可将文本、图像、视频帧和音频映射到统一的向量空间，参数量 740M，文本权重在 Google Pixel 11 Pro 上仅需约 191MB 活跃内存，完整多模态模型约 567MB。该模型无需训练数据或微调即可作为端侧决策引擎，将用户输入直接与分类标签和描述匹配，实现毫秒级零样本意图路由。Google AI Edge Gallery 新增 Instant Media Search 和 Video Moments Finder 两个演示，Google AI Edge Foresight for Mac 也由 EmbeddingGemma 2 与 Gemma 4 驱动；未来数周内该模型将通过 ML Kit 以服务形式登陆 Android，并支持 NPU 加速。
匹配字段标题、摘要
Cloudflare 于 2026 年 10 月 1 日以 Apache 2.0 许可证在 Hugging Face 上开源两款决策模型 Clef 与 Clef-flash，均托管在 Workers AI 上。Clef 基于 Qwen3.8-27B、为 27B 参数多模态模型，Clef-flash 基于 Qwen3.5-9B 训练，二者读取文本、JSON、图像和视频，一次前向传播即返回所有选项的概率，不生成自由文本。Cloudflare 称其威胁情报团队用 Clef 做网站域名分类，取得、渲染和分类耗时约为通用 LLM gpt-oss-120b 的一半，分类结果更细。
匹配字段标题、摘要
Perplexity 开源多模态决策模型 pplx-decider-27b，并推出 Decisions API，定价为每百万输入 token 4 美分、输出 token 免费。该模型由 pplx-decider-v1-27b 驱动，训练目标是输出固定答案集合上的概率分布而非文本，跨基准得分为 85.71%。官方表示未来几天会进一步降价。
匹配字段标题、摘要
字节 Seed 正式发布多模态图像创作模型 Seedream 5.0 Pro，在图文对齐、结构一致性、文字渲染和视觉美感等基础能力上全面提升。该模型带来四项核心突破：复杂信息可视化、交互式精准编辑、写实影像与人物质感，以及原生多语言输入与生成，支持法语、德语、俄语、日语、韩语、西班牙语、阿拉伯语等十余种语言。官方称其在复杂信息图生成和交互式精准编辑上取得突破，但更细粒度的文字渲染与像素级编辑一致性仍有提升空间。
匹配字段标题、摘要
小米于9月21日发布 MiMo-V2.6 系列的 Pro 和 Flash 并公开模型权重，两者均为可处理文本、图像、视频和音频的多模态模型，通过扩大强化学习规模提升编码、PC 操作、3D 空间推理和内容制作等智能体能力。小米称 Pro 在多数智能体基准上达到 Claude Opus 5 和 GPT-5.6 Sol 的水平，在 Artificial Analysis Intelligence Index 上得分 46，为发布时开源模型最高，但与 Claude Fable 5.1、GPT-6 Astra 等顶级闭源模型仍有差距。权重和技术报告已在 Hugging Face 的 MiMo-V2.6 集合发布，同时公开 7000 多个强化学习任务环境、训练框架、轻量智能体运行基座 mini-harnesses，以及基于 Qwen3.5-9B 蒸馏的 MiMo-V2.6-Distill-Qwen-9B。
匹配字段标题、摘要
智谱在 8 月 26 日晚公布匿名模型 Ox Alpha 就是旗下 GLM-5.3 Flash，已正式上线并开源，总参数 3200 亿，是 GLM-5 系列首个原生多模态模型，编程表现与 Claude Opus 4.8 持平，定价为 GLM-5.2 的十分之一。作者用四轮任务实测，3D 打印机、复刻 macOS 桌面加射击游戏、自由网站设计均完成，3D 街机赛车耗时 3 小时 46 分钟且方向键反向、撞护栏后无法移动。智谱同时发布 GLM-5.3-FlashX，推理速度最高 200 tokens/s，比 Flash 快 5 倍；官方称 Flash 推理服务全部由国产 AI 芯片集群承载。
匹配字段标题、摘要、正文
DeepSeek API 已上线原生多模态模型 V4.1-Flash，调用时需将模型设为 deepseek-flash。V4-Flash 与 V4-Flash-Vision-Exp 已退役，其旧模型名暂时路由至新模型；自 2026 年 9 月 14 日 04:00 UTC 起，deepseek-v4-pro 请求也将按 V4.1-Flash 费率转发至该模型，直至 V4.1-Pro 上线。
匹配字段标题、摘要
蚂蚁百灵发布并开源百灵系列首个原生多模态大模型 Ling-3.0-flash-VL，基于 Ling-3.0-flash 的 MoE 架构拓展，总参数 124B、单次推理激活 5.5B，原生支持图像、文本与视频输入，上下文窗口 256K Token。官方称原生多模态联合训练使模型在 Artificial Analysis Intelligence Index v4.1.1 上较纯文本版本提升 4 分，并引入观察、行动、验证、修正的视觉反馈闭环用于前端复刻、GUI Agent 和医疗报告解读。模型已在 Ling Studio 上线免费体验，BF16 和 FP8 版本已在 Hugging Face 与 ModelScope 开源。
匹配字段标题、摘要、正文
V4-Flash-Vision-Exp 可在多种智能体框架中顺畅运行，将视觉理解与广泛的工具结合，以支持更多实用工作流。
匹配字段标题
Meta 推出可本地运行的开源多模态模型 Muse Glimmer，由 2B 视觉编码器和 28B 文本解码器组成，总参数量为 30B。它支持图像、无音频视频、多模态工具调用和目标检测，并获得 Transformers、llama.cpp 及基于 Transformers 后端的 vLLM 支持。可选的 DFlash 推测解码器能以增加内存占用为代价加快生成。
匹配字段标题、摘要
Mistral 发布 Shieldstral，一个 3B 开源权重多模态安全分类器，以 Apache 2.0 许可开放下载，可在单张 16GB NVIDIA GPU 上运行。它把内容审核建模为二分类问答任务，推理时接受自然语言策略并输出校准后的安全分数，无需重新训练即可适配新策略，统一处理文本、图像及文本加图像内容。官方称其在文本安全、拒答检测、策略适应性和多模态基准上匹配或超过最多 7 倍参数量的开源 guard 模型。
匹配字段标题、摘要
MiniMax 发布通用多模态生成模型 H3，可理解文本、图像、视频和音频组成的统一上下文，生成带原生立体声的视频，最长 15 秒、2K 分辨率。官方称 2K 下每秒价格不到主流模型的三分之一，768p 价格不到主流模型 720p 的一半，并计划在近日开放模型权重。H3 采用 Contextual Omni Representation、H3-VAE、H3-Omni Transformer 和 In-Context Regeneration 等技术，官方表示完整技术报告即将发布。
匹配字段标题、摘要
Black Forest Labs 发布多模态基础模型 FLUX 3 并开启 Early Access，该模型基于 Self-Flow 在统一架构中同时学习图像、视频和音频，可单次生成最长 20 秒带原生音频的视频，并支持文生视频、图生视频、视频生视频、关键帧过渡和多语言对话等能力。早期评测中 FLUX 3 在最高 69% 的对比中优于 Grok Imagine Video，对 Runway Gen-4.5 和 Luma Ray 3.2 的偏好比例分别为 77% 和 93%，官方称结果仍属初步。后续将陆续开放 FLUX 3 Video、FLUX 3 Image 的 API 与私有权重，以及 FLUX 3 Dev 的开源权重，FLUX 3 Image 的早期访问将在接下来几周开放。
匹配字段标题、摘要
Thinking Machines 推出 Inkling，一款原生接收文本、图像和音频的开放权重 MoE 模型，拥有 975B 总参数、41B 激活参数和 1M 上下文窗口。其 bf16 与 NVFP4 检查点分别需要 2 TB 和 600 GB VRAM，并已获 Transformers、SGLang、vLLM 和 llama.cpp 支持。
匹配字段标题
阿里千问发布 Qwen3.7-Plus，一款把视觉与语言统一到单一智能体底座的多模态模型，已在阿里云百炼上线。它可在同一智能体循环中混合执行 GUI 与 CLI 操作，支持屏幕读取、视觉参考写代码、移动应用端到端操作，并适配 Claude Code、OpenClaw、Qwen Code 等框架。官方基准显示其在 Terminal Bench 2.0-Terminus 得 70.3、ScreenSpot Pro 得 79.0、AndroidWorld 得 81.0，同时支持 preserve_thinking 保留历史思考内容。
匹配字段标题、摘要
MiniMax 正式发布 M3，采用自研 MSA 稀疏注意力架构，支持最高 1M token 上下文，并原生支持图像与视频输入、可操作桌面电脑。官方称 M3 是目前首个同时具备这三项能力的开源权重模型，在 SWE-Bench Pro 得分 59.0%、Terminal-Bench 2.1 得分 66.0%、MCP Atlas 得分 74.2%。M3 已通过 MiniMax Code、Token Plan 和 API 开放使用，官方表示将在未来 10 天内发布技术报告并开源模型权重。
匹配字段标题
阿里千问开源 Qwen3.6-27B，这是一个 27B 参数的稠密多模态模型，支持思考与非思考两种模式，权重已在 Hugging Face 和 ModelScope 发布，并上线 Qwen Studio 与 API。官方称其在全部主要编码基准上超过上一代开源旗舰 Qwen3.5-397B-A17B，包括 SWE-bench Verified 77.2 对 76.2、Terminal-Bench 2.0 59.3 对 52.5、SkillsBench 48.2 对 30.0，GPQA Diamond 为 87.8。该模型可接入 OpenClaw、Claude Code 和 Qwen Code 等第三方编码助手，API 支持 preserve_thinking 以保留多轮思考内容。
匹配字段标题、摘要
Mistral AI 发布 Mistral Small 4，这是 Mistral Small 系列的下一个主要版本，也是 Mistral 首个把 Magistral 的推理、Pixtral 的多模态和 Devstral 的智能体编码能力统一到单一模型中的版本，采用 Apache 2.0 许可。模型为 MoE 架构，128 个专家、每 token 激活 4 个，总参数 119B、每 token 激活 6B（含嵌入和输出层为 8B），上下文窗口 256k，支持文本与图像输入，并可通过 reasoning_effort 参数在快速响应与深度推理之间切换。官方称相比 Mistral Small 3，端到端完成时间减少 40%，每秒请求数提升 3 倍；推理模式下在三项基准上匹配或超过 GPT-OSS 120B，且输出更短。
匹配字段标题、摘要
Qwen 团队正式发布 Qwen3.5 系列首个开源权重模型 Qwen3.5-397B-A17B，这是一个原生视觉语言模型，在推理、编码、智能体和多模态理解等基准上给出完整评测结果。模型采用线性注意力（Gated Delta Networks）与稀疏 MoE 混合架构，总参数 397B、每次前向仅激活 17B，语言与方言支持从 119 种扩展到 201 种。托管版本 Qwen3.5-Plus 通过阿里云百炼提供，默认 1M 上下文窗口，并内置官方工具与自适应工具调用。
匹配字段标题、摘要
千问发布 Qwen3-VL-Embedding 与 Qwen3-VL-Reranker 系列模型，基于 Qwen3-VL 底座，面向多模态信息检索与跨模态理解，支持文本、图像、截图和视频输入，覆盖 30 多种语言。Embedding 采用双塔架构做高效初筛，Reranker 采用单塔 Cross-Attention 对（Query, Document）对联合编码输出相关性分数，两者串联构成两阶段检索流程。官方称 Qwen3-VL-Embedding-8B 在 MMEB-v2 上取得 SOTA，Reranker-8B 在多数任务上表现最佳，模型提供 2B 与 8B 两种规格、32K 序列长度并支持量化与自定义向量维度。
匹配字段标题、摘要