多模态模型

Qwen

2026-09-19 14:40:40

Qwen发布多模态模型Qwen3.8-Omni-Flash

Qwen推出首款面向AI智能体设计的多模态模型Qwen3.8-Omni-Flash，可同时处理音频和视频，并能独立调用工具完成视频博客编辑、视频片段翻译和电影内容总结。Techub援引The Decoder称，该模型在音视频基准测试中的表现接近Google Gemini 3.8 Flash，但API调用成本更低。

370

OpenRouter

2026-09-19 03:24:42

OpenRouter 上架 Z.ai 的 GLM 5.3 FlashX，推理速度最高 200 tokens/s

模型聚合平台 OpenRouter 已上线新模型「Z.ai: GLM 5.3 FlashX」。该模型为 Z.ai 旗下 GLM-5.3-Flash 的高速变体，属于原生多模态模型，推理速度最高可达每秒 200 个 token。OpenRouter 还表示，平台上架时间有时早于厂商官方公布，未官宣前会使用「疑似」或「即将」等措辞。

330

蚂蚁百灵

2026-09-09 04:17:23

蚂蚁百灵开源原生多模态模型 Ling-3.0-flash-VL

蚂蚁百灵于 9 月 9 日正式开源首个原生多模态模型 Ling-3.0-flash-VL。该模型此前已上线 API，此次开放 BF16 和 FP8 权重，并采用 MIT 许可，FP4 和 INT4 版本将随后推出。根据披露信息，模型可读取图片、视频、文档和软件界面，并调用工具完成操作，总参数约 1240 亿，单次推理激活约 55 亿，上下文最高可扩展至 100 万 Token。

880

多模态模型

2026-09-08 09:47:09

多模态检索头首次被锁定，大模型如何检索长文档有了新线索

一篇获 EMNLP 2026 接收的论文识别出大模型内部的多模态检索头，并验证其对访问文字、图片和版面证据具有因果作用。研究覆盖 6 个长上下文视觉语言模型，相关信号还被用于多模态文档检索。

1000

DeepSeek

2026-08-31 11:03:53

DeepSeek 开源 V4 系列首个视觉实验模型

DeepSeek 已开源 DeepSeek-V4-Flash-Vision-Exp。该模型是 DeepSeek-V4 系列首个实验性多模态模型，基于 V4-Flash 架构加入视觉模块，并通过继续训练获得图片理解能力。官方信息显示，模型可识别截图、读取图表，并结合工具完成 Agent 任务；在纯文本 Agent 任务上，表现仍与 V4-Flash 相当。该模型参数规模为 305B，采用 MIT 许可证。

840

腾讯

2026-08-30 14:36:36

腾讯研究：非思考模式致多模态AI响应失败率最高增48%

腾讯发布的研究论文显示，多模态AI模型在非思考模式下，响应失败率最高可增加48%。研究建议改进评估指标，应更重视回答的连贯性与质量，而非仅追求正确性，以提升用户体验。

290

谷歌

2026-08-29 14:37:45

谷歌推出 Gemini Omni 1.1 Flash 视频模型，支持 40 秒扩展与 4K 输出

谷歌发布原生多模态视频生成与编辑模型 Gemini Omni 1.1 Flash，支持基于最长 10 秒上下文做场景扩展，总时长可达 40 秒，并可通过固定首尾帧控制摄像机运动。该模型还支持参考视频保持角色一致性，先以 360p 生成草稿再升级到 4K，现已通过 Gemini API 向 Google AI Studio 和 Gemini Enterprise Agent Platform 提供。

420

Z.ai

2026-08-26 21:43:35

Z.ai 推出 GLM-5.3-Flash，支持百万令牌上下文与多模态输入

Z.ai 发布 GLM-5.3-Flash，称其为 GLM-5 系列首个原生多模态模型，也是实验室最具性价比的编程模型。该模型采用混合专家架构，总参数量 3200 亿，每个令牌激活 180 亿参数，支持 1,048,576 个令牌上下文、图像和视频输入，并以 MIT 许可证开源，权重已上传至 Hugging Face。

990