Prime Intellect 宣布收购 Moondream，创始人 Vik Korrapati 和 Jay Allen 加入并负责推理与多模态模型（含视觉与 computer use）。Moondream 曾发布开源视觉语言模型和推理引擎 Photon，其 Moondream 3.1 在物体检测等任务上达到 34 requests per second，约为次优开源模型的 24 倍。Moondream 3.1 现已通过 Prime Inference 提供并由 Photon 驱动，Moondream Cloud 客户将在未来几天获得平台额度。
匹配字段标题
面壁智能发布开源多模态模型系列 MiniCPM-V 4.7，包含 35B-A3B 和 1B 两款模型，面向 iOS 与 Android 设备端侧部署。35B-A3B 引入 LES（Lookahead Expert Scheduling）技术，在 iPad Pro M4（16GB）上实现 5 倍加速、17+ tokens/s，在 iPhone 17 Pro Max 上达 13+ tokens/s，内存占用仅 3GB。该模型在 34 项基准上取得竞争性结果，16 倍视觉 token 压缩下 OCRBench 得分 90.4，领先 Qwen3.6 35B-A3B 5.2 分，并支持 Apple、Intel、AMD、Arm 和 Rockchip 等平台。
匹配字段标题
感谢你的分享 @AdinaYakup ！🙌 很高兴看到社区对推动本地多模态 AI 发展的兴趣，从手机到边缘设备。
匹配字段标题
InternLM 开源 JanusCoder 系列模型，在单一框架内统一处理文本与视觉代码任务，涵盖图表转代码、Web UI 生成/编辑和动态定理可视化，在公开基准上接近甚至超越闭源系统。该工作已被 ICLR 2026 接收，并发布 JanusCode-800K 数据集及 Hugging Face 检查点，采用 Apache 2.0 许可。
匹配字段标题
InternLM 推出 OVO-S-Bench，一个面向多模态 LLM 流式空间智能的全人工标注基准，含 348 个源视频上的 1,680 道题，按瞬时自我中心感知、时空上下文追踪、空间模拟推理、异我中心建图四个层级划分。在 38 个闭源与开源 MLLM 上评测，Gemini-3.1-Pro 以 59.2 分落后人类专家 86.6 分 27 分，异我中心建图是主要瓶颈；流式与空间微调模型反而不及自身基座，无流依据的思维链推理会放大空间错误。
匹配字段标题
InternLM 发布 InternLumina-U2，一个 16B-A1B 的 MoE 统一多模态模型，用同一套骨干和离散 token 接口覆盖文本问答、文生图、图像理解与编辑、视频理解和 3D 理解。该模型基于 LLaDA-2.0 MoE 扩散语言模型，采用 AToken 的 8 码本全离散视觉表示，输入侧拼接各码本嵌入，输出侧以空间并行去噪加码本深度自回归预测。目前仓库只放出推理代码，昇腾训练权重已在 Hugging Face 提供，NVIDIA 权重、训练代码和技术报告将后续发布。
匹配字段标题
InternLM 发布 Intern-S2-397B 及其预览版 Intern-S2-Preview-397B、Intern-S2-Preview-35B 等科学多模态基础模型，覆盖预训练、强化学习任务与长程智能体三个方向。其中 Intern-S2-Preview-35B 基于 Qwen3.5 继续预训练，仅用 35B 参数在多个核心专业科学任务上达到万亿级 Intern-S1-Pro 的相当水平，并采用共享权重 MTP 与 CoT 压缩提升推理效率。系列模型支持 LMDeploy、vLLM、SGLang 部署，以 Apache 2.0 许可发布。
匹配字段标题
InternLM 发布开源多模态决策模型 Intern-Decision，将状态、可选图像和多个带类型的问题转化为带概率的决策，支持 choice、score 和 noul（是/否）三类问题，训练时微调 Qwen3.5 的语言主干并冻结视觉塔和投影器。Intern-Decision-4B 在七套基准上平均准确率 90.02%，RTX 4090 本地平均请求延迟 44.16 ms，在 96 例校准基准上 Brier 为 0.550、ECE 为 0.089。该版本包含训练、两种推理后端、基准评分、温度校准和浏览器 demo，但训练数据、校准与验证记录、图像及模型权重未包含在内。
匹配字段标题
InternLM 开源 RNG-Bench，用 Matching Pairs 和 3D Maze 两款游戏在闭环中评测多模态大模型的“记住再行动”能力。最难的配置每回合可达约 128K tokens 和约 350 张图像输入，最佳 10×10 图像 Matching Pairs 得分仅 64.6%（Seed-2.1-Pro），最佳 13×13 迷宫成功率 50%（Gemini-3.1-Pro）。
匹配字段标题
InternLM 发布 ARM-Thinker，一个以 Qwen2.5-VL-7B 为基座、采用“Think–Act–Verify”智能体循环的多模态奖励模型，可自主调用图像裁剪、多页文档检索等工具为判断提供可验证证据。它通过 SFT 冷启动加两阶段 GRPO 训练，在奖励建模上提升 16.2%、工具使用任务上提升 9.6%，可与 Qwen3-VL-8B、GPT-4o 等更大模型竞争。团队同时推出首个面向多步、证据支撑奖励模型的基准 ARMBench-VL，代码已开源。
匹配字段标题
World Labs 宣布其多模态世界模型 Marble 即日起向所有人开放，此前仅面向少量 beta 用户。Marble 支持从文本、图像、视频或粗略 3D 布局生成 3D 世界，并可交互式编辑、扩展和组合，生成结果可导出为 Gaussian splats、网格或视频。同时推出 Marble Labs 创作社区，提供案例研究、教程和文档。
匹配字段标题
FireRedTeam 发布 ReMatch 官方实现，该方法通过训练时加入聊天式生成匹配目标，让多模态大语言模型同时从原始多模态输入和投影嵌入判断查询-文档相关性，并融合多个可学习表示 token 为单向量嵌入。代码、基于 Qwen2.5-VL-3B 的 ReMatch-3B checkpoint 与评测脚本已放出，论文被 CVPR 2026 接收。
匹配字段标题
面壁智能推出新一代端侧多模态大模型 MiniCPM-V 4.7，提供 35B-A3B 和 1B 两种规格，其中 35B-A3B 是 MiniCPM-V 系列首个 MoE 模型。官方称该版本基于 LES 前瞻专家调度推理加速技术，在 iPhone 17 Pro Max 上以仅 3GB 内存实现 13+ token/s 解码速度，并支持 iOS、安卓和鸿蒙，适配 Intel、AMD、Arm、瑞芯微、后摩等芯片平台。同步开源 Self-Replay Fine-Tuning (SRFT) 微调方案，官方称 35B-A3B 在 Instruct 模式下以更短推理时间取得比 Qwen3.6 35B-A3B 更高的综合得分。
匹配字段标题
蚂蚁 inclusionAI 在 GitHub 开源多模态安全护栏模型家族 SingGuard，覆盖文本、图像、图文、多语言、查询侧与响应侧安全评估，将安全策略作为运行时输入而非固定训练分类，无需重训即可按默认类别或自定义自然语言规则判定内容。模型支持 fast 快速判定与策略推理两种模式，并可通过 vLLM 部署、提供 OpenAI 兼容 API，采用 Apache-2.0 许可；模型权重、技术报告与评测资源将陆续发布。
匹配字段标题
蚂蚁 inclusionAI 在 GitHub 上线 SGLang 仓库，这是一个面向大语言模型和多模态模型的高性能服务框架，支持从单 GPU 到大规模分布式集群的低延迟、高吞吐推理。框架核心特性包括 RadixAttention 前缀缓存、零开销 CPU 调度器、prefill-decode 分离、推测解码、连续批处理、分页注意力及 FP4/FP8/INT4/AWQ/GPTQ 量化，并兼容 Hugging Face 模型与 OpenAI API。SGLang 已在全球超过 40 万块 GPU 上部署，每日生成数万亿 token，由 LMSYS 托管。
匹配字段标题
蚂蚁 inclusionAI 的 AGI Research Center 在 GitHub 开源 LLaDA2.0-Uni，一个基于 dLLM 的 MoE 统一模型，把多模态理解与生成整合进 Mask Token Prediction 范式。模型支持文生图（含 thinking 模式）、图像理解与图像编辑，采用 SigLIP-VQ 离散语义 tokenizer 和扩散解码器，经蒸馏可实现 8 步推理。仓库已放出 HuggingFace 模型权重、FP8 量化版本、ComfyUI 与 Diffusers 支持，以及 SGLang 服务支持，采用 Apache License 2.0。
匹配字段标题
智源 FlagOpen 在 FlagEmbedding 仓库中发布 BGE-VL 多模态嵌入模型，支持文本到图像、图像到文本、图像加提示词到图像等多种视觉检索场景，采用 MIT 许可，学术与商业用途均可免费使用。同时发布用于训练 BGE-VL 的大规模合成数据集 MegaPairs。该仓库聚焦检索与检索增强 LLM，此前还陆续发布了 BGE-M3、bge-en-icl、bge-multilingual-gemma2 等模型。
匹配字段标题
Cloudflare 发布开源权重多模态决策模型 Clef-omni，可在一次调用中对文本、图像、音频和视频打分，基于 Qwen3-Omni-30B-A3B-Instruct 后训练，采用 30B 总参数、3B 激活参数的 MoE 结构，Apache-2.0 许可，定价每百万 token 0.15 美元。它在意图分类任务上领先，CLINC150+OOS 达 97.7 macro-F1，但在推理与工作流评测上落后于 Clef，GPQA Diamond 为 47.4，而 Jev 为 78.3。同批更新将 Clef-flash 价格降至 0.038 美元，并把托管 Clef 迁移到 SGLang，中位延迟从 262 ms 降至 152 ms。
匹配字段标题
何恺明团队提出多模态视觉原生 Harness 框架 VISTA，让现有多模态模型直接观察环境、保存原始画面，并在推理时随时回看、放大和检查细节，无需从头训练。搭配 VISTA，Claude Opus 5.0 完成 ARC-AGI-3 全部 25 个公开游戏，相对人类动作效率得分满分 100，所用动作数比首次游玩的人类基线少 57.4%；GPT-5.6 Sol 同样全部通关，得分 99。使用同一 GPT-5.6 Sol 模型，VISTA 在 GameWorld 的 170 项任务中把成功率从 40.0% 提高到 63.3%，在 AI GameStore 的 10 个游戏中综合得分从 47.3 升至 140.3，在 BabyVision 的 39 道迷宫与连线题上准确率从 41.0% 提高到 63.2%。
匹配字段标题
Kimi 团队发布 WorldVQA 基准，用于衡量多模态大模型对视觉世界知识的事实正确性，数据集包含 3,500 个高质量图文问答对，覆盖 9 个类别并区分常见与长尾知识。结果显示前沿模型在长尾视觉知识上常低于 50% 准确率，且普遍过度自信；Kimi-K2.5 取得最佳校准表现，ECE 为 37.9%、Slope 为 0.550。该数据集与评测脚本已开源。
匹配字段标题