Kimi 发布 PerceptionBench：评估多模态大模型的原子视觉感知能力
Kimi 团队发布 PerceptionBench，从 42 个基准的前沿模型失败中归纳出 10 项原子感知能力，构建 3000 道经校验的题目，每道题仅考察单一感知能力、无需推理或外部知识。在 16 个前沿 MLLM 上，没有模型准确率达到 60%，感知相关幻觉平均表现最弱。团队已开源该数据集与评测代码。
匹配字段标题
←搜索结果
搜索“多模态”
DeepSeek 发布 V4.1-Flash：552B MoE 新架构，原生多模态并下调 API 价格
DeepSeek 发布新架构家族中最小模型 DeepSeek-V4.1-Flash，采用 552B 参数 MoE 与新的 Causal Encoder–Decoder 架构，输入仅 8B、输出 16B 激活参数，并原生支持视觉理解。官方称其 KV cache 相比上一代只需 1/4 的 HBM 和 1/8 的 SSD 存储，基准结果超过包括 DeepSeek-V4-Pro 在内的旗舰模型。该模型已在 DeepSeek API 上线，模型名设为 deepseek-flash，新价格于 2026 年 9 月 10 日 04:00 UTC 生效；V4-Flash 与 V4-Flash-Vision-Exp 退役，9 月 14 日起 deepseek-v4-pro 请求将按 V4.1-Flash 费率路由至该模型，直至 V4.1-Pro 发布。
匹配字段标题
Perplexity 发布 pplx-embed-v2-late 多模态嵌入模型，0.6B 与 9B 两个版本
Perplexity 发布 pplx-embed-v2-late，包含 0.6B 和 9B 两个 ColBERT 风格多模态嵌入模型，均可检索文本、图像和渲染后的 PDF 页面，并共享同一嵌入空间。9B 模型在 MADQA 上取得 92.4%，0.6B 模型面向边缘设备和低延迟查询，用 0.6B 查询 9B 索引在 ViDoRe v3 图像检索上得 63.5%，高于两侧都用 0.6B 的 62.3%。两个模型已在 Hugging Face 以 MIT 许可发布，可自托管商用，Perplexity 托管 API 端点仍在计划中；所有分数均为自报，技术报告尚未发布。
匹配字段标题
Liquid AI 开源 d1-3B 与 d1-omni-600M 多模态决策模型
Liquid AI 发布 Open d1 系列两款开源权重多模态决策模型：d1-3B 读取文本与图像，d1-omni-600M 读取文本加图像或音频，两者都不生成文本，而是在一次前向传播中返回校准后的类型化答案，输出 token 数为 0。d1-3B 有 3.12B 参数，基于 LFM2.5-VL-3B，使用 400M SigLIP2 NaFlex 视觉编码器和 32,768 token 上下文；d1-omni-600M 有 587M 参数，基于 LFM2.5-Encoder-350M，音频编码器为 17 层 FastConformer，上下文 16,384 token，音频片段上限 30 秒。两个检查点已上 Hugging Face，可通过 Transformers 加载并支持 llama.cpp，LFM Open License v1.0 允许年收入低于 1000 万美元的免费商用；d1-3B 在 Decision Index v0.2.1 得 48.57，在 RTX 4090 上单问题延迟 8 ms。
匹配字段标题
Google 发布 EmbeddingGemma 2 开源多模态嵌入模型
Google 发布 EmbeddingGemma 2，这是其首个开源的原生多模态嵌入模型，采用 740M 参数的轻量模块化设计，可处理文本、代码、图像、视频和音频任务。官方称其与 Gemma 4 搭配适合离线、隐私优先的 RAG，性能超过部分参数量两倍以上的专用模型，权重已在 Hugging Face 开放下载。
匹配字段标题
Google 发布 EmbeddingGemma 2 多模态嵌入模型
Google 发布开源多模态嵌入模型 EmbeddingGemma 2，可将文本、图像、视频、音频和代码转为向量，参数量 740M，Google 称其在多模态嵌入基准上超过参数量两倍的竞品。该模型无需 API key 即可本地运行，浏览器中通过 WebGPU 单次查询约 20 至 70 毫秒，仅需约 191MB 内存，本地向量数据库存储最多减少六倍；纯文本任务可用 270M 参数版本。搭配 Gemma 4 等小型开源模型可离线运行 RAG 应用，权重已在 Hugging Face 和 Kaggle 发布，并附开发者指南与文档。
匹配字段标题
Mistral AI 发布 Mistral Large 4（Le Chonk）：1.05T 参数多模态 MoE 模型
Mistral AI 以公开预览形式发布 Mistral Large 4（内部代号 Le Chonk），这是一个 1.05 万亿总参数、每 token 激活 49B 的细粒度 MoE 模型，配备 1.6B 视觉编码器和 100 万 token 上下文窗口，在 Mistral 自有欧洲数据中心用 3800 块 NVIDIA Grace Blackwell GPU 从零训练。API 预览已上线，输入每 100 万 token 收费 1.36 美元、输出 4.18 美元，缓存输入 0.14 美元，但权重要到 10 月底才发布，暂时无法自行部署。Mistral 报告其在网络安全任务上表现突出，Cybench 得分 93%、CyberGym-E2E 得分 82%，并称部分闭源前沿模型因直接拒绝任务而接近零分。
匹配字段标题
Google DeepMind 发布 EmbeddingGemma 2，740M 开源多模态嵌入模型
Google DeepMind 发布 EmbeddingGemma 2，一个基于 Gemma 4 架构的 740M 参数开源多模态嵌入模型，可将文本、代码、图像、视频和音频嵌入同一个 768 维空间，采用 Apache 2.0 许可，权重已上线 Hugging Face 和 Kaggle，并提供 Ollama、llama.cpp GGUF 和 LiteRT 版本。模型采用模块化设计，文本与代码主干 270M、视觉编码器 170M、音频编码器 300M 均可选，上下文窗口 8192 token，是上一版的 4 倍。Google 研究团队称其在 MTEB Code 和 MAEB 的 1B 以下多模态嵌入模型中领先，代码检索从 68.76 提升到 78.68；量化后在 Pixel 11 Pro 上纯文本约占 191MB 内存，全多模态约 567MB。
匹配字段标题
Google 发布 EmbeddingGemma 2 多模态嵌入模型
Google 发布 EmbeddingGemma 2，这是其首个原生多模态嵌入模型，基于 Gemma 4 构建，采用 Apache 2.0 许可。它可将 100 多种语言、代码、图像、音频和视频嵌入同一个向量，支持 8,192 上下文，提供 740M omni、440M text+vision、570M text+audio 和 270M text-only 四种规格，在 MTEB Code 上提升 14%，并支持 768d、512d、256d、128d 的 Matryoshka 维度。模型已在 Sentence Transformers 和 LiteRT-LM 中提供。
匹配字段标题
Google 发布 EmbeddingGemma 2 开源多模态嵌入模型，0.5GB 内存本地运行
Google 发布 EmbeddingGemma 2，这是其首个原生多模态开源端侧嵌入模型，可在 0.5GB 内存下本地运行。该模型为 740M 参数、Apache 2.0 许可，由 270M 文本模型与 170M 视觉、300M 音频模块组合而成，将代码、图像、音频和视频统一到同一嵌入空间。Unsloth 提供了该模型的运行与训练支持，并附有 GGUF 与使用指南链接。
匹配字段标题
Google DeepMind 发布 EmbeddingGemma 2 多模态嵌入模型
Google DeepMind 发布 EmbeddingGemma 2，一个 740M 参数、Apache 2.0 许可的端侧多模态嵌入模型，原生将文本、图像、音频和视频映射到统一嵌入空间。它在 MTEB Code 上从 68.76 提升到 78.68，支持 8K token 上下文窗口，可处理约 5.5 分钟音频、29 张图像或 58 帧视频，并可通过 MRL 将向量从 768 维截断至 128 维。模型权重已在 Hugging Face 和 Kaggle 开放下载，支持 LiteRT、MediaPipe、transformers.js、vLLM、Ollama 等部署方式。
匹配字段标题
Google DeepMind 发布 EmbeddingGemma 2 多模态嵌入模型
Google DeepMind 发布 EmbeddingGemma 2，这是面向端侧的多模态嵌入模型，可将文本、图像、音频和视频映射到统一嵌入空间。模型基于 Gemma 4 架构，采用 Apache 2.0 许可，参数量 7.4 亿，文本任务最低 2.7 亿参数，可选视觉（1.7 亿）和音频（3 亿）编码器。它支持 8K token 上下文窗口，是 EmbeddingGemma 1 的 4 倍，可处理约 5.5 分钟音频、29 张图片或 58 帧视频；借助 MRL 可将输出向量从 768 维截断至 512、256 或 128 维，最多减少 6 倍存储占用。在 MTEB Code 上得分从 68.76 提升至 78.68，模型权重已在 Hugging Face 和 Kaggle 开放下载。
匹配字段标题
Mistral 发布 1T 参数多模态模型 Mistral Large 4，三周后开放权重
法国 AI 实验室 Mistral AI 于周二发布 Mistral Large 4（ML4），这是一个 1 万亿参数的大规模多模态模型，昵称 Le Chonk，目前仅通过公开的 guardrail 端点访问，计划在安全测试完成后于三周内开放权重。Mistral 科学副总裁 Pierre Stock 表示，ML4 完全使用 Mistral 自有算力训练，仅动用 4000 张 Nvidia GPU，比中国竞争对手少两到三倍，也显著少于闭源竞争对手；其优化场景包括网络安全、金融和芯片设计，基准测试结果尚未公布。
匹配字段标题
Mistral 发布 Mistral Large 4 公开预览，1 万亿参数原生多模态
Mistral 发布 Mistral Large 4 公开预览，这是一个 1 万亿参数、490 亿激活参数的原生多模态模型，权重将于本月底开放。模型在 Mistral 欧洲自有数据中心的 3800 块 NVIDIA Grace Blackwell GPU 上从零训练，训练数据覆盖 160 多种语言，官方称其在网络安全、金融、法律等企业负载上达到开源模型领先水平。在 Artificial Analysis Cyber Index 上它进入全球前五，在一项复现并修补真实漏洞的测试中得分 82%，Cybench 解题率 93%。
匹配字段标题
Google 发布 EmbeddingGemma 2 多模态嵌入模型
Google 发布基于 Gemma 4 的 EmbeddingGemma 2，采用 Apache 2.0 许可，可将文本、代码、图像、视频和音频映射到统一的 768 维向量空间。模型支持模块化加载，参数量从纯文本与代码的 270M 到全模态的 740M，并借助 MRL 将维度截断至 128 维，在 bfloat16 精度下百万条 768 维向量约占 1.5 GB，截断到 128 维后仅需 250 MB。在 MTEB (Code) 上得分比 EmbeddingGemma 1 高 14%，同时新增图像、视频和音频检索能力。
匹配字段标题
Google DeepMind 发布 EmbeddingGemma 2 端侧多模态嵌入模型
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
Perplexity 开源七个项目，含多模态决策模型与 Apple 芯片推理引擎
Perplexity 近期开源了七个项目。pplx-decider-v1-27b 是多模态决策模型，在 11 项基准上平均 85.7%，领先 Jev；pplx-embed-v2-context-9b-preview 为上下文嵌入向量模型，在 ConTEB 和 turbopuffer context-bench 上表现最佳。此外还有面向 Apple silicon 的本地推理引擎 Lily，用 Rust 加自定义 metal kernel 实现，在 M5 Max 上 prefill 比 MLX-LM 快 1.23 倍、decode 快 1.35 倍；0.6B 端侧 PII 分类器 PII-Tracer 及配套 PII-TRACE 基准；面向深度研究智能体的 WANDR 基准；笔记本与工作站智能体检测响应工具 Numbat；以及只读供应链扫描器 Bumblebee。
匹配字段标题
Cloudflare 开源多模态决策模型 Clef 与 Clef-flash
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
Perplexity 开源多模态决策模型 pplx-decider-27b 并推出 Decisions API
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
字节 Seed 发布多模态图像创作模型 Seedream 5.0 Pro
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