Appearance
Skip to content
🏷️ 多模态
共 20 篇文章
DeepSeek V4开源引爆GitHub：用V4手搓Agent冲上热榜，多模态理解超越GPT-4o
DeepSeek V4开源引发GitHub热潮，开发者手搓AI Agent冲上热榜。V4多模态版本在视觉理解和代码生成方面超越GPT-4o，推理成本大幅降低。
→
英伟达开源全模态模型：300亿参数搞定视频/音频/文本，吞吐量9倍
英伟达2026年4月28日开源全模态推理模型Nemotron 3 Nano Omni，300亿参数单模型通吃视频/音频/图像/文本。吞吐量是同类9倍，目前免费用。
→
生数科技开源MotuBrain：国产统一多模态模型登顶开源榜首
生数科技开源MotuBrain统一多模态模型，在开源榜单登顶，逼近GPT-Image-2和Gemini 2.0 Flash-thinking，国产开源多模态大幅跃升。
→
OPPO小布记忆揭秘：80%的AI处理在手机端完成，合集准确率97%
OPPO在AICon上海分享小布记忆技术实践：端云协同实现80%端侧推理，基于AndesVL多模态模型全模态理解碎片化内容。合集创建准确率从83%提升至97%，通过LLM-as-a-Judge自动评测。端侧推理优化策略涵盖Prompt精简和图片resize。
→
商汤开源统一图像理解与生成模型U1：8B参数撑起GPT-Image-2级能力，还能边想边画
2026年4月30日，商汤开源SenseNova-U1模型。8B参数的NEO-unify架构统一图像理解与生成，无VE/VAE直接像素级交互。支持连续性图文创作、高密度信息图、思维链推理式编辑，8B版端侧可跑。配套Skills工具包已开源。
→
小米MiMo-V2.5-Pro正式开源：4小时无中断模拟macOS，54个应用全开
2026年4月29日，小米正式开源MiMo-V2.5系列模型，涵盖Pro旗舰Agent、全模态基座、TTS、ASR四大模型。Pro版在Coding Agent和SWE-Bench Pro上逼近Claude Opus 4.6和GPT-5.4，能无中断4小时模拟完整macOS桌面系统运行54个应用。
→
DeepSeek「开眼」引爆AI圈：12张刁钻图片试出能力边界
2026年4月30日，DeepSeek"开眼"多模态能力引爆AI圈，用12张刁钻图片试出能力边界，视觉理解能力突破。
→
DeepSeek「开眼」引爆AI圈：多模态能力边界探索
2026年4月30日，DeepSeek「开眼」功能引爆AI圈，多模态能力突破，探索AI视觉能力边界。
→
英伟达全模态大模型：几秒搞定老黄3分钟演讲，吞吐量同类9倍
2026年4月29日，英伟达发布全模态大模型，能在几秒内生成黄仁勋3分钟演讲，吞吐量是同类模型9倍。
→
腾讯开源手机端离线翻译模型：仅0.4G支持33种语言
腾讯开源手机端离线翻译模型，模型大小仅0.4G，支持33种语言。在手机端即可实现多语言翻译，无需联网。
→
小米MiMo-V2.5-Pro开源：全栈模型「孕育」出的macOS
小米开源MiMo-V2.5-Pro，双模型架构实现从代码生成到操作系统模拟的全栈能力。无需中断连续输出54个应用，浏览器真能冲浪。
→
阿里HappyHorse视频模型开启灰测：720P低至0.44元/秒
4月27日，阿里ATH团队打造的HappyHorse 1.0视频生成模型开启灰测。支持文生视频、图生视频、多图参考视频及视频编辑功能，720P视频生成低至0.44元/秒，千问App首发支持15秒多镜头叙事，悟空等平台已首批接入。
→
面壁MiniCPM-o 4.5发布技术报告：12GB显存全双工多模态，端侧AI交互来了
2026年4月28日面壁智能联合清华大学发布MiniCPM-o 4.5技术报告，公开Omni-Flow流式全模态框架。模型约9B参数，支持视频音频文本流输入，仅需12GB显存（RTX 5070）即可运行，HuggingFace下载量突破25万。
→
阿里HappyHorse视频生成模型灰测：多模态竞争升温
2026-04-27消息，阿里视频生成模型HappyHorse 1.0开启灰测，多模态AI竞争升温，格局生变。
→
灵光世界模型手机端上线：实时体验触手可及
2026年4月27日消息，灵光在手机端上线世界模型功能，实时体验触手可及，AI模拟技术进入消费级市场。
→
Hugging Face开源新模型：挑战GPT-4V的多模态之王
2026年4月27日消息，Hugging Face开源新模型挑战GPT-4V的多模态之王地位，开源生态再次向前推进。
→
硬刚GPT-Image-2：国产AI生图天花板又被捅破了
国产AI生图模型硬刚GPT-Image-2，图像生成天花板再次被突破，多模态竞争加剧。
→
何恺明Vision Banana论文：图像生成器就是通才视觉模型，生成即理解
2026年4月Google DeepMind发布Vision Banana，何恺明谢赛宁署名，证明图像生成模型经轻量指令微调可成为通才视觉模型，分割和深度估计任务超越专用模型SAM 3和Depth Anything 3。
→
小米最强模型MiMo-V2.5开启公测：多模态能力再升级
小米发布迄今最强模型MiMo-V2.5系列并开启公测，多模态能力再升级。
→
SenseClaw：商汤科技推出的视觉AI助手，让OpenClaw看懂世界
商汤科技推出SenseClaw视觉AI助手，基于OpenClaw和商汤日日新大模型，专为视觉理解场景设计，支持图像分析、视频理解、文档识别等视觉AI全能力。
→