LMSYS 宣布与 Meta Superintelligence Labs 合作，为 30B 参数多模态模型 Muse Glimmer 在 SGLang 上提供 Day-0 支持，并针对本地智能体工作流推理做了专门优化。在 NVIDIA GeForce RTX 5090 上，SGLang 以 NVFP4 加 DFlash 实现最高 1,452 tok/s 总输出吞吐和 236 tok/s 单用户解码速度，DFlash 将 batch-1 交互性提升 1.9 至 4.3 倍。模型可在 RTX 5090、RTX PRO 6000、DGX Spark 的 SM120 后端以及 Apple Silicon 的 MLX 后端部署，提供 BF16、NVFP4+MXFP8、NVFP4 及 GGUF 等多种 checkpoint 格式。
匹配字段标题
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
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
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
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
LMSYS 与 Thinking Machines 团队合作，为 975B 参数多模态模型 Inkling 在 SGLang 和 Miles 上提供 Day-0 支持。SGLang 针对其短卷积、相对位置注意力和共享专家 sink 的 MoE 架构做了专门优化，在 Nvidia Blackwell GPU 上实现最高 71.7k tok/s 输入吞吐和 171.0 tok/s 单用户解码速度，并支持投机解码、PD 分离、多 LoRA 服务与 HiCache。Miles 通过定制 Megatron 后端支持全参数与 LoRA 强化学习，覆盖文本和视觉语言任务。
匹配字段标题
Thinking Machines 发布通用多模态模型 Inkling，可接受文本、图像和音频输入并生成文本输出，Modal 以 Day 0 合作将其作为按 token 计费的托管端点上线。Inkling 是 MoE Transformer，总参数 975B、激活 41B，上下文窗口 1M token，原生支持音频与视觉。Modal 为其定制了 DFlash 推测解码器，在 8x B200 的智能体负载上实现每用户 250 tokens/s、每 GPU 2.5M TPM，交互性比模型内置推测路径快 67%。
匹配字段标题
LG AI Research 在 CVPR 2026 发表 VinQA，提出面向真实文档的多模态问答数据集与评测框架，让长文本回答在对应句子前直接放置图表、表格等视觉引用，而非仅在文末附图。数据集训练集约 13 万页、42,700 条 QA，测试集 9,373 页、1,605 条 QA，覆盖七个领域。配套评测器 M-GroSE 在 GPT-4.1、Claude 3.5 Sonnet 等前沿模型上得分最高，Qwen2.5-VL-7B 经 VinQA 微调后 M-GroSE 从约 2 提升至约 3.3，接近约 3.5-3.6 的峰值。
匹配字段标题
Together AI 优化了 MiniMax M3 的生产级推理服务，使其支持 1M-Token 上下文、原生多模态与智能体工作流。MiniMax Sparse Attention 让预填充和解码分别提速超过 9 倍和 15 倍，其他优化使常见智能体流量下的性能提升 81%–125%。M3 开放权重发布后，Together AI 将提供开发者端点。
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
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
Google 在 I/O 开发者大会上宣布重新设计沿用 25 年的搜索框，将其从关键词输入框改为可接受文本、图片、PDF、视频和 Chrome 标签页的多模态对话入口，并立即在支持 AI Mode 的所有国家和地区上线。Google 同时把 AI Overviews 与 AI Mode 合并为一条连续搜索流程，用户可在传统结果页直接追问，无需切换界面。新体验由 Gemini 3.5 Flash 驱动，Google 称 AI Mode 上线一年月活已超 10 亿，AI Overviews 月活超 25 亿。
匹配字段标题
Modal 在 H100 上对 Qwen2.5-VL-3B-Instruct 做多模态推理基准测试时，发现 SGLang 调度器在 hash_feature 中反复调用 torch.UntypedStorage._new_shared_cuda，造成主机端开销。他们用简单的 Python 字典实现 CUDA IPC Pool Handle Cache，避免重复打开共享内存句柄，使吞吐量提升 16%、延迟降低 10%。该改进已合并进 SGLang v0.5.10。
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
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
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
自动驾驶将比其他任何事物更快实现现实世界影响。真正酷的部分是，世界模型不只是关于视频；它是关于对各类连续、高维、含噪信号的建模。这才是"多模态"的真正含义。祝贺 @maxjiang93、xander、bo 以及整个 Waymo 团队 👏
匹配字段标题
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
LG AI Research 在 CTAD 2025 上介绍了 MOIRA（Multi-Omics Integration with Robustness to Absent modalities），一个在模态缺失情况下仍能可靠预测阿尔茨海默病的多模态整合框架。MOIRA 由各模态专用编码器、自适应融合模块和预测模块组成，融合时对缺失模态置零并仅在可用模态间用 softmax 重分配权重，训练结合预测损失、各模态辅助损失和 CLIP 式对比损失。该框架可兼容任意编码器与预测模块，实验显示用 3D CNN 编码器处理原始 MRI 数据优于使用 FreeSurfer 预处理特征。
匹配字段标题
vLLM 新增 IO Processor 插件框架，使非文本模型能在同一服务实例内完成输入预处理和输出后处理，并接入 TerraTorch 地理空间模型。插件目前用于 pooling 模型，每个 vLLM 实例可加载一个插件；Prithvi 示例可接收卫星图像 URL，并返回 base64 编码的 GeoTIFF 洪水区域预测图。相关改动尚未进入当时最新的 v0.10.1.1，复现实例需安装最新代码。
匹配字段标题