AGI 不是多模态：为何具身智能才是通往通用智能的路径
The Gradient 刊文指出，多模态大模型将各模态拼接成“拼凑式 AGI”的路线在短期内注定失败，无法实现人类水平的感知运动推理、运动规划与社会协作。文章认为 LLM 更可能学到的是预测 token 的启发式规则集合而非真正的世界模型，主张把具身与环境交互作为智能研究的第一性，模态处理应视为涌现现象。
匹配字段标题、摘要
←搜索结果
搜索“多模态”
Ollama 推出多模态模型新引擎，支持 Llama 4、Gemma 3、Qwen 2.5 VL 等视觉模型
Ollama 发布新的多模态引擎，开始支持 Meta Llama 4、Google Gemma 3、Qwen 2.5 VL、Mistral Small 3.1 等视觉模型，可进行多图理解、文档扫描与字符识别。此前 Ollama 依赖 ggml-org/llama.cpp 提供模型支持，新引擎让每个模型自包含并暴露自己的投影层，同时加入图像缓存、显存估算与 KV cache 优化，例如针对 Gemma 3 的滑动窗口注意力和 Llama 4 Scout 的分块注意力。后续计划支持更长上下文、思考/推理、流式工具调用和 computer use。
匹配字段标题、摘要
Mistral OCR：面向复杂文档理解的多语言多模态 OCR
Mistral AI 的 Mistral OCR 可解析图像和 PDF 中的文本、图片、表格及公式，但该模型现已停止维护，并由更强的新款 OCR 模型取代。其 API 曾以 mistral-ocr-latest 提供，价格为每美元 1000 页，单节点处理速度最高可达每分钟 2000 页，并支持结构化输出及选择性自托管。
匹配字段标题
Noam Shazeer：数学、科学与多模态推理评测表现提升
Noam Shazeer 表示，团队将 AIME、GPQA 和 MMMU 的评测成绩分别提升至 73.3%、74.2% 和 75.4%。团队还启用了 1M 上下文窗口以支持更复杂的研究任务，并允许开发者开启代码执行功能。
匹配字段标题
WorkBuddy 如何帮乙方打工人提前下班
腾讯 WorkBuddy 作为 AI 工作台，帮广告、内容行业的乙方把零散 Brief 拆成传播方案、待办清单和 PPT，并整理嘉宾排期与预算表。它自带 Skillhub，已接入小红书、公众号、抖音和视频号等运营技能，可生成不同平台尺寸、风格和文案；还接入腾讯 Miora，在平面、视频等多模态视觉资产上保持统一风格，并支持多窗口执行任务。
匹配字段摘要、正文
Ceva 2026 边缘技术研讨会将于 11 月 5 日在上海张江举行
Ceva 宣布 2026 年 Ceva 边缘技术研讨会将于 11 月 5 日在上海张江希尔顿酒店举行，面向半导体工程师、SoC 架构师和嵌入式开发人员。活动分 AI 与传感、连接技术两组，议题涵盖 LLM 推理的内存与带宽瓶颈、面向生成式与多模态 AI 的 NPU 架构、低于 1TOPS 的 AI 应用，以及蓝牙 7、Wi-Fi 7/8、UWB 和 5G NTN 定制芯片。
匹配字段摘要、正文
深兰科技发布全球首款大模型AI智能体工作手机Wowoker
深兰科技发布全球首款大模型AI智能体工作手机Wowoker，面向政企、国央企及金融机构等企业用户。该机以华为麒麟芯片和HarmonyOS为基础，融合多模态大模型、Decision Model决策模型与AgentOS智能体编排体系，支持AI外呼、声音克隆通话分身、AI营销内容生成及智能CRM。设备资产归属企业，支持手机号脱敏、沟通数据加密留存云端及远程锁定与数据清除。
匹配字段摘要、正文
Mistral AI 开放 Mistral Large 4 模型权重，1T 参数、490 亿激活参数
Mistral AI 于当地时间 10 月 29 日正式开放 Mistral Large 4（代号 le Chonk）模型权重，这是一款 1 万亿总参数、490 亿激活参数的原生多模态模型，在欧洲自有数据中心用 3,800 块 NVIDIA Grace Blackwell GPU 从零训练。官方称其在 Artificial Analysis Coding Agent Index 得分 48%，与 GLM-5.3 基本持平，但平均每个任务消耗的 Token 减少 47%。模型基于修改版 MIT 许可证发布，个人、学术、微调及常规商业化可免费使用，提供 MaaS 转售的云厂商需单独获取商业授权；在线调用定价为输入每百万 Token 0.70 美元、输出 2.10 美元。
匹配字段摘要、正文
蚂蚁 inclusionAI 开源 ZwZ 模型族与 ZoomBench 细粒度感知基准（ICML 2026）
蚂蚁 inclusionAI 发布 ICML 2026 论文配套的 ZwZ 模型族（4/7/8B），在开源模型中取得多模态感知基准 SOTA，且只需一次前向推理、无需推理时调用工具。方法为 Region-to-Image Distillation（R2I），把放大局部区域生成的高质量 VQA 监督蒸馏回整图，训练数据 37K 样本。同时推出 ZoomBench，含 845 条 VQA、覆盖 6 个细粒度感知维度，Qwen2.5-VL-7B 平均准确率仅 42.5%。
匹配字段摘要、正文
蚂蚁 inclusionAI 开源 2B 视觉取证模型 DefakerOne2
蚂蚁集团 GuangJian 团队在 GitHub 开源 DefakerOne2，一个基于 Qwen3.5-2B 多模态骨干的 2B 参数统一视觉取证模型，覆盖 AI 生成内容、DeepFake 人脸、文档篡改、自然图像篡改、人脸与证件防伪以及 AI 生成视频检测。模型在约 5000 万样本上训练，采用 LoRA 到全参数再到 LoRA 的三阶段 Tide-Style Tuning，并用基于熵的测试时路由在视频与帧两条通路间选择。团队称其在 53 项检测基准中 40 项达到 SOTA、14 项定位基准中 11 项达到 SOTA，权重与 RRVBench 基准已发布于 ModelScope。
匹配字段摘要、正文
Articul8 发布决策模型 Bivia，输入 token 每百万 $0.042
Articul8 推出多模态决策模型 Bivia，可接入 AI 智能体并在置信度低时选择不推进。Bivia 按整个任务目标权衡每一步决策，支持结构化回复，可在智能体执行中途调用，并针对真实生产工作流训练。其输入价格为每百万 token $0.042，无订阅费。
匹配字段摘要、正文
商汤林达华：AI 进步不止靠堆大模型
商汤联合创始人兼首席科学家林达华在中信证券第 33 届投资者论坛上表示，AI 进步的关键不只是扩大模型规模，更在于更聪明的构建方式。他强调数据的“智能密度”决定学习效果，商汤因此开发原生多模态模型，把多模态能力从一开始就融入架构与训练。林达华预计具身智能将在未来一到两年加速发展，商汤也在持续探索世界模型。
匹配字段摘要、正文
Meta 与五所美国大学合作，用其模型加速医学与科学突破
Meta 与加州理工学院、俄亥俄州立大学、路易斯安那州立大学、印第安纳大学和 UTHealth Houston 五所美国高校合作，提供 200 万美元资助和最新模型访问权限，支持用其模型推进医学、物理、化学、生物、计算机科学和数学研究。具体项目包括用开放权重 SAM 模型监测婴儿气管套管移位、用多模态 AI 帮助痴呆症患者沟通，以及用开放权重模型结合腹部 CT、病历和 ECG 数据提前识别 HFpEF 心衰风险。
匹配字段摘要、正文
Mistral Large 4 权重上线 Hugging Face，官方称在 CyberGym-E2E 和…
Mistral AI 在为期三周的预览后，将 Mistral Large 4 的权重发布到 Hugging Face。该多模态模型在 3800 块 Nvidia 加速器上训练，参数量达一万亿，目前仍难以在游戏 PC 或单卡上运行。Mistral 称其在网络安全基准 CyberGym-E2E 上领先 GLM-5.3 和 Kimi K3，在智能体编码基准 Terminal Bench 4.0 上与 GLM-5.3 持平，但尚无独立评测；预览版定价为每百万输入 token 1.4 美元、每百万输出 token 4.2 美元。
匹配字段摘要、正文
扩散智能发布350亿参数扩散语言模型Clover-35B-A3B-Preview
扩散智能发布扩散语言模型Clover-35B-A3B-Preview，采用MoE架构，总参数350亿、每token激活约30亿，支持思考模式。在网页Agent评测WindTunnel的49个任务中，其中位执行时间1.52秒，低于Jev＋Mercury 2.5组合的3.21秒，成功率分别为98.6%和95.9%。代码评测上SWE-bench Verified得73.6、Terminal-Bench 2.1得51.7，团队称后续将推出多模态版本并推进端侧适配。
匹配字段摘要、正文
Mistral 开放 Mistral Large 4（Le Chonk）权重
Mistral 发布 Mistral Large 4（Le Chonk）的开放权重，这是一个 1 万亿参数的原生多模态模型，在预览版基础上继续强化学习，编码与防御性网络安全能力提升。它在 FrontierCode 2.0 上得分 19.7%，在 Artificial Analysis Coding Agent Index 上得 48%，与 GLM-5.3 基本持平，但每任务平均少用 47% token；Terminal-Bench 4.0 提升 13 个百分点至 41%。模型支持三种推理模式，采用修改版 MIT 的 Mistral Ecosystem Open-Weight 许可，API 定价为每百万输入 token $0.70、缓存输入 $0.07、输出 $2.10。
匹配字段摘要、正文
蚂蚁 inclusionAI 开源 ZwZ2-4B/9B/27B：无需缩放工具的细粒度视觉模型
蚂蚁 inclusionAI 开源 Zooming without Zooming v2（ZwZ2），基于 Qwen3.5-4B/9B 与 Qwen3.6-27B 用 GRPO 强化学习训练，训练数据为 20.4K 条经跨模型验证的多区域 VQA 样本。模型训练时使用完整图像，推理阶段无需任何缩放工具，可迁移到感知、空间推理、长上下文理解和多模态智能体任务。代码、数据合成与评测流程均以 Apache 2.0 协议开放。
匹配字段摘要、正文
《AIGC时代互联网广告治理蓝皮书》发布，倡导“以AI治AI
《AIGC时代互联网广告治理蓝皮书》10月24日在第33届中国国际广告节期间发布，将广告风险分为内容违规、技术对抗、交易链路、新场景四类，并从八个方面提出治理建议。蓝皮书倡导“以AI治AI”，用多模态大模型同时看图、读字、听声并联系上下文判定违规。巨量引擎介绍，依托智能审核系统，90%的素材最快10分钟内完成审核，效率提升75%。
匹配字段摘要、正文
百度健康升级文心健康管家，发布好医矩阵与健康相机
百度健康宣布升级文心健康管家，发布好医矩阵和健康相机，其AI服务月活跃用户已达5000万+。好医矩阵包含好医答、好医加号、好医说、好医榜、好医评，好医答入驻15万+全三甲真人医生提供7*24小时在线服务，好医加号已覆盖80%以上公立三甲医院、每天提供超12万个加号源。健康相机支持打字、方言语音、拍照和视频上传边拍边说，基于300万多模态影像素材训练，可识别动态体征与多发症状位置关系。
百度健康宣布升级文心健康管家，发布好医矩阵和健康相机，其AI服务月活跃用户已达5000万+。好医矩阵包含好医答、好医加号、好医说、好医榜、好医评，好医答入驻15万+全三甲真人医生提供7 24小时在线服务，好医加号已覆盖80%以上公立三甲医院、每天提供超12万个加号源。健康相机支持打字、方言语音、拍照和视频上传边拍边说，基于300万多模态影像素材训练，可识别动态体征与多发症状位置关系。
匹配字段摘要、正文
月之暗面发布 Kimi K3.1 Pro：2.8T 总参数、104B 激活参数，权重定于 11 月 4 日开放
月之暗面发布 Kimi K3.1 Pro，这是一款多模态 MoE 模型，总参数 2.8T、激活参数 104B，上下文窗口 100 万 token，标准版与 Highspeed 版已上线 Kimi 网站、App、Kimi Work、Kimi Code 和 API，官方称 Highspeed 输出速度提升 2–3 倍、价格为标准版两倍。Artificial Analysis 将其排在 Intelligence Index 第四位、得分 55，落后 Opus 5.5 的 58；Arena 的 Code Arena WebDev 排名第 8、1692 分，较 K3 上升九位。标准版定价为每百万 token 输入 2 美元、输出 10 美元、缓存输入 0.2 美元，较 K3 下降三分之一；权重尚未发布，官方承诺 11 月 4 日开放。
匹配字段摘要、正文