#多模态
用 Qwen2.5-VL-3B 在 PMC-VQA 上做了严谨对照实验，发现答案准确率涨了，模型可能反而不看图了，做医疗 VLM 微调的都该看看。
一篇推理系统论文，解决多模态模型 Encode 阶段拖垮 GPU 利用率的问题，goodput 比 vLLM 高 1.7 倍、比 NVIDIA Dynamo 高 4.3 倍，做 MLLM 服务的可以看看。
如果你用 GPT-6 Sol 或 Luna 做过视觉任务觉得变差了，现在可以去 API 或 Codex 里重新试试，OpenAI 已把 bug 修好。
微软把 Word、Excel、PowerPoint 直接塞进 Copilot 里，建文件、改文档、分享都能在助手里一站搞定，不用来回切换应用了。
Perceptron 的 Mk1.5 上线 OpenRouter 了，做机器人或物理智能体的可以看看，能直接输出检测框和视频片段，不只是文字回复。
Odyssey 新出的 Agora-2 能让 20 个人和 AI 在同一个实时生成的世界里玩，像 AI 版游戏引擎，多人视角还能互不冲突，做智能体研究的可以看看。
Epoch AI 搞了个新基准，让 AI 看照片对照说明书找宜家家具装错的地方，GPT-6 Astra 拿了 80 分，还顺带测出了各家模型的不同毛病。
OpenAI 的 GPT-6 Astra 看一眼照片就能指出你 IKEA 柜子哪步装错了，准确率 80%，比半年前的 28% 高出不少。
美团放了个 1.6 万亿参数的 MoE 模型，能看图、写代码，还直接兼容 Claude Code，长文档党可以试试。
GPT-6 Astra 打 Minecraft 打到收集烈焰棒和末影珍珠这一步，比之前所有 AI 都远，结果被一只苦力怕清空存档，直播全程挺有意思。
Genspark 把 NVIDIA 的 Nemotron 3 Ultra 和自研 Gen-1 Slides 一起上线了，还宣称价格只有 Opus 5 的 1/17，做幻灯片的可以试试。
Perceptron 新出的 Mk1.5 专门给无人机、机器狗这类设备当大脑，能持续追踪视频里的物体、听懂声音，还会自己派子代理干活，价格也挺便宜。
Google 一口气更新了 3.8 Flash TTS、Live Avatar 和 Notebook 语音聊天，还有个把 TPU 送上太空的卫星计划，一次看全。
美团中秋半夜甩出 LongCat 2.5 预览版，16T 参数只激活 48，还有 1M 上下文和原生多模态，参数配置看着很猛，可以蹲一下实测成绩。
Qwen 团队把智能体能力扩展到音视频了，Qwen3.8-Omni-Flash 能做视频剪辑和长视频翻译，还配了两个开源框架，做多模态应用可以看看。
AWS 出的实操教程，手把手教你在 HyperPod 上用 SkyRL 给 Qwen3-VL-8B 做 GRPO 多模态训练，最后还能部署 LoRA 推理。
机器人公司 Perceptron 出了个 35B 的第一人称视频模型，MMSearch 上开了搜索工具 F1 直接从 18.2 涨到 54.3，做具身智能的可以看看。
有人用手机上的 Claude Code 让 Claude Opus 5.5 独立做了个 5 分钟的 UMAP 算法讲解动画，旁白和视觉全是模型自己想的，效果可以直接看。
Google 刚发了两个 TTS 模型，能用 30 秒音频克隆音色、支持 100 多种语言，做游戏配音或有声书可以试试
让 Opus 5.5 设计了一个真乐高能拼的 Microduck，1113 块零件零碰撞，还自动生成 237 步说明书并备好 BrickLink 订单，挺离谱的。
Odyssey 的 Agora-2 能让最多20个人和 AI 进同一个 AI 实时生成的世界，靠看《暗黑破坏神 II》录像学会规则，思路挺特别。
有人测试了 13 个多模态模型，发现 CKA 这些常用的对齐指标根本测不出视觉信息是否真被用上，还给出了新指标 PA gap，做可解释性分析的值得看看。
谷歌给 Gemini 3.8 Live 加了虚拟人功能，能实时唇形同步、切换 97 种语言，做客服虚拟形象的企业可以直接看 API 文档上手了。
Meta 把游戏开发搬到手机上了：输入提示词就能生成游戏雏形，做完直接在 Instagram 信息流里开玩，连下载都省了。
Liquid AI 出了个 DSpark 加速器，16GB 的 Mac 就能跑 LFM2.5-VL-3B，M5 芯片上解码快最多 3.13 倍，输出还不变。
