多模态模型
拆解能同时看懂图片、表格、语音和视频的模型如何工作，以及它在截图排错、文档理解和视觉问答里的真实用处。
多模态模型能在同一个推理过程里同时处理文字、图片、音频和视频，而不是先把图或语音硬转成文字再分析。它把不同来源的信息联动起来，所以截图排错、表格识别、合同页面理解和商品图分析这类任务更顺手，VLM 则是其中聚焦“视觉+语言”的分支。能力边界在于复杂图表推理、长视频时序和需要精确数字的场景仍要人工复核。
Nemotron 3.5 Super VL 发布：120B 多模态模型专攻常驻智能体
Nemotron 3.5 Super VL 是英伟达在 2026 年 10 月 15 日发布的开放多模态模型，出自英伟达技术博客当天的发布说明。它采用混合专家架构，总参数 1200 亿、每个词元激活约 120 亿，上下文最长 100 万词元，能在同一条工作流里处理文字、图片、文档和短视频。英伟达给它...
Admin
20 
Muse Spark Open 开放权重：816B 参数，两台桌面机就能本地跑
Muse Spark Open 是 Meta 在 2026 年 10 月 15 日开放全部权重的多模态模型，也是 Muse Spark 的开放版本。它有 8160 亿总参数，每个词元实际激活约 420 亿参数，上下文窗口 100 万词元，能读文字、图片、视频和音频，输出以文字为主。Meta 在官方博...
Admin
18 
Step 5 Preview 权重开放：600B 只激活 27B，成本约为旗舰闭源的八分之一
Step 5 Preview 的完整权重在 2026 年 10 月 15 日由阶跃星辰正式开放下载，提供 BF16 与 FP8 两个版本，已上线 Hugging Face 和 ModelScope，技术博客、配套开发工具和部署指南同步放出。这款模型 9 月 20 日已经亮相，主打长程智能体任务，权重...
Admin
47 
Gradio 值得用吗？几行 Python 搭出模型演示页，省事背后有三处边界
Gradio 是很多模型演示页背后的开源 Python 库。它的用法简单到不像正经开发：你写好一个处理函数——比如输入一张图、输出分类结果——它就自动生成一个能在浏览器里打开的操作页面，别人可以上传文件、输入文字、点按钮看结果，完全不用你写前端代码。对只会 Python 的研究者和工程师来说，它省掉...
Admin
12 
MiniCPM-V 4.7 开源：35B 模型塞进 3GB 内存，手机解码 13 token/s 以上
MiniCPM-V 4.7 于 2026 年 10 月 13 日由面壁智能正式发布并开源，包含 35B-A3B 与 1B 两个版本：前者是这个系列第一个 MoE 模型，总参数 350 亿、每次推理只激活约 30 亿，官方称仅约 3GB 内存即可在端侧无损流畅运行。环球网、每日经济新闻、界面新闻与 I...
Admin
25 
10月13日AI简报：Meta首款前沿模型登场，微软发布Maia 300芯片
10月13日AI简报汇总过去24小时内五条值得关注的动态：Meta推出首款前沿模型Muse Wonder，微软发布第三代自研推理芯片Maia 300，面壁智能开源可在手机上流畅运行的多模态模型，千问三款AI穿戴同日开售，Character.AI则申请破产并启动资产出售。 Meta发布Muse Won...
Admin
9 
模思智能完成超10亿元 Pre-A 融资：资本押注全模态实时交互
模思智能完成超 10 亿元 Pre-A 轮融资的消息在 2026 年 10 月 12 日传出。据澎湃新闻当日报道，这轮融资由华控基金领投，国开科创、上海科创基金、新微资本、徐汇资本、追光硬科技创投、临港策源基金等机构参与，元禾控股、上海国投旗下上海科创集团、星连资本等老股东继续跟投，多维资本担任独家...
Admin
41 
DeepGEM 2.0 发布：看一眼病理切片，1 分钟预筛 12 个肺癌基因靶点
DeepGEM 2.0 于 2026 年 10 月 10 日在广州发布：广州医科大学附属第一医院国家呼吸医学中心联合金域医学推出这款肺癌病理基因多模态大模型，由钟南山院士团队参与开发。它要解决的不是诊断本身，而是一个更靠前的问题——肺癌患者做基因检测太贵、太慢，很多基层医院根本没有条件做。模型的用法...
Admin
64