#多模态
Thinking Machines出了个真开源的多模态模型Inkling，41B参数能和GPT-5.6 Sol掰手腕，还准备出12B小版，赶紧试试。
Thinking Machines开源了975B参数的MoE模型Inkling，支持多模态和64K/256K长上下文，还能在Tinker上微调，值得试试。
Thinking Machines 刚发了 Inkling，一个开源的多模态推理模型，能处理文本、图像、音频，还给了完整权重可以微调，NVFP4 检查点直接下。
小米的 MiMo 模型正式备案了，端侧大模型覆盖语言、多模态、语音多种能力，还计划砸 600 亿搞 AI，快来看看他们的布局。
阿里新模型Qwen-Audio-3.0-Realtime能实时语音对话、调用工具、感知情绪，语音指令和综合排名都超过了GPT-Realtime-2。
想要自动生成带精确几何图形的数学题？FormalAnalyticGeo 用 CDL 形式语言和 SDF 渲染，造出了 7000+ 带标注的解析几何题目，误差不到 1%。
他们挑战了多模态情感模型必须大的假设，用知识蒸馏搞出<1B的Light-MER，9个基准超了大模型还更快，做部署的可以看看。
PrismML搞了个Bonsai 27B，在手机上就能跑27B多模态模型，压缩到3.9GB性能还能保留90%，挺牛的，还开源了，可以试试。
手机能跑 27B 模型了？PrismML 的 Bonsai 27B 实际做到了——体积最小 3.9GB，速度还不慢，开源免费。想本地用大模型又嫌大的可以看。
Salesforce AI Research 发布了 E-VQA 任务和 ST-Evidence 基准，解决了视频问答无法验证视觉证据的问题。如果你想理解视频模型真正“看到”了什么，这篇论文值得一读。
想提升音频模型对语气、情感等非语义信息的识别？试试IAAN，在不重训模型的情况下，通过对编码器内部特定神经元做微调就能显著提分，多模型实测有效。
Google 的新模型 Gemini 3.5 本周就要来了，内部测试居然超过了 GPT-5.6 和 Fable 5，比前代 Pro 版强不少。
这篇论文发现VLM其实知道个数但说不准，用内部探测+自纠正就能白嫖15%精度提升，不调参数，挺实用。
这篇论文发现，把文档当图片直接预训练，比先转成纯文本再训练效果更好，感兴趣的可以看看实验细节。
这篇论文用新数据集CSB系统地测了十年间视觉语言模型的进化，发现最新模型在复杂社交场景上已经跟人类顶级描述差不多准了，只有空间依赖错误还没完全解决。
ALICE用聚合蒸馏把8个专家模型塞进一个骨干，在96个病理任务上拿了最佳平均分，还开源了代码。
这篇论文提出了SAGEAgent，它能像医生一样判断该给病人做哪些检查，在几乎不掉准确率的前提下把检查负担砍掉一半多，挺实用的。
这篇论文发了TSAI-MetaFraud数据集，把行为、交易和图数据合在一起，专门做元界欺诈检测，搞多模态研究的可以看看。
这篇论文用最优传输做分布对齐来对抗扰动，不用改模型结构，挺实用的思路。
这两天AI圈太热闹了，OpenAI、SpaceXAI、Meta一口气发了6个新模型，包括GPT-5.6和Grok 4.5，值得一看。
Dify 刚上了 GPT-5.6，还把插件换成 Responses API，跑复杂 Agent 更稳了，赶紧更新用起来。
今天AI圈炸了，一口气四个新模型/产品：GPT-5.6、Grok 4.5、Seedream 5 Pro、GPT-Live语音，每个都有具体数字和对比，值得快速了解。