模型09:32
葡萄牙发布首个欧洲葡语开源大语言模型 AMALIA葡萄牙政府新搞了个葡语开源大模型AMALIA，9B参数就能理解文本、图像和声音，年底还要出22B带智能体，搞葡语相关任务可以试试。
IT之家原文
#多模态
849 条 · 查看话题观测
7月2日
7月1日
行业21:48
Codex与Claude Code对比：用户多但内部场景Claude Code占比更大这位博主分享了Codex和Claude Code在实际使用中的差异，点出Codex用户多但内部编码Claude Code更受欢迎，还聊了多模态模型的潜力，挺接地气的。
Google AI Studio 发布 Gemini Omni Flash 视频生成模型
Google 出了个便宜好用的视频生成模型 Gemini Omni Flash，直接用自然语言改视频，快去 AI Studio 试试。
论文09:52
基于模态驱动搜索与整体轨迹判断的ARC-AGI-2求解器这篇论文的方法很实在，用多模态搜索加整体判断，在ARC-AGI-2上做到了72.9%，比GPT-5.2 Pro高了将近19个点，代码还开源了。
模型09:21
Gemini Omni Flash 上线：会话视频编辑与多模态引用Google DeepMind 的新模型 Gemini Omni Flash 能边聊天边剪视频，还能把文字和图片直接变成视频操作，很实用。现在在 Google AI Studio 就能试。
Google更新：Nano Banana 2 Lite与Gemini Omni Flash串联图像视频生成
Google把Nano Banana 2 Lite和Omni Flash串起来，先4秒出图再直出动画，比主流模型快且便宜。创意迭代更爽。
Google发布Nano Banana 2 Lite图像模型和Gemini Omni Flash视频模型
Google发了两个新模型：Nano Banana 2 Lite图像模型更快更省钱，还有Gemini Omni Flash能做视频生成和编辑，今天就能在API上用了。
产品04:51
MiniMax 在上海国际电影节推出 MiniMax Hub，举办 AI Backlot 活动MiniMax 在上海电影节上正式发布了 Hub 平台，还展示了用 AI 一个月拍出电影的成果，想看 AI 视频工具怎么落地影视创作可以了解下。
Google DeepMind推出Interactions API，串联Nano Banana 2 Lite与Gemini Omni Flash
DeepMind 让 Nano Banana 和 Gemini Omni 能配合干活了，先画图后动画，还能连续改三次，挺实用。
Claude Sonnet 5 进入 Agent Arena 评测
Anthropic 发布了更智能的 Sonnet 5，能在 Agent Arena 里自主用浏览器和终端干活，比几个月前的大模型还强。
Nano Banana 2 Lite 正式发布，Gemini Omni Flash API 预览上线
Google今天发了两个新API：一个4秒生图才3分4，另一个能边聊边改视频，价格和Veo 3.1一样。
6月30日
基于 Qwen3.5-9B 微调的 Qwythos 9B 推理模型，支持1M上下文与多模态
Empero AI 开源的 Qwythos 9B 把 Qwen3.5 和 Claude 思维链结合，1M 上下文加 Function Calling，量化后 5.2GB 的推理模型，低配机器也能跑。
论文11:22
BrainJanus：脑、视觉与语言统一模型用于理解与生成这篇论文提出了BrainJanus，一个能双向翻译脑信号与图像、文本的统一模型，在零样本和生物可解释性上突破传统方法。
论文10:21
稀疏跨模态融合实现高效RGB-T目标检测这篇论文找到了一种聪明的方法：先快速扫一遍图像找出可能的目标区域，再只对这几个区域做多模态融合，省了很多计算。适合想做轻量级多模态目标检测的人读。
配对 Amazon Nova 2 Lite 与 Claude Sonnet 4.6 优化文档处理成本
用 Nova 2 Lite 做粗提取，Claude Sonnet 4.6 做精准匹配，文档数字化省心又省钱。
6月29日
Step 3.7 Flash 上线 DeepInfra，开源多模态推理模型
Step 3.7 Flash 开源多模态推理模型刚上线 DeepInfra，支持私有部署，适合智能体编程和视觉任务，开发者可以试试。
模型13:49
MAI-Image-2.5 在文本到图像和图像编辑基准中分列第2和第3微软 MAI-Image-2.5 图像生成排第2、编辑排第3，还能把雨窗变清晰，想用去 Foundry API 或 OpenRouter 试试。
模型13:49
Step 3.7 Flash 登陆 ZenMuxAI，免费试用1个月StepFun 的新模型 Step 3.7 Flash 上线 ZenMux，多模态且快，还能免费用一个月，想试试的别错过。
Jasper Research 发布 MONET，世界最大开放文图数据集
Jasper Research 放出了 MONET 数据集，有 1 亿多张图，免费商用，还能用 nano-t2i 在单卡上训练模型，做文生图的值得试试。
6月27日
6月26日
模型10:52
OmniAct：整合规划、记忆与验证的泛模态具身智能体框架他们搞了个新架构，让机器人能自己协调API、物联网和物理动作，干活出错还能自己恢复，20个任务里成功率都比之前高，而且省钱省token。
模型09:39
团队提出Physical AGI的3+1必要条件，端侧运行统一多模态大脑看看这个团队对Physical AGI的看法，他们提出了3+1个必要条件，还做了颠球计数的演示，强调端侧运行和统一多模态大脑。
6月25日
论文11:01
TriViewBench：多视图结构推理的受控复杂度基准这篇论文用TriViewBench测了18个多模态模型，发现它们都在多视图推理上崩得厉害，CoT也救不了。想了解当前MLLM的结构推理极限，可以看看。
相同证据不同答案：多模态大模型中排序敏感性的审计
这篇论文用Facet-Probe测试了18个主流多模态大模型，发现它们对输入顺序都很敏感，最好的模型也错13.4%，提醒我们模型可靠性还不是想象中那么好。
6月24日
Cola上线Seed 2.1 Pro原生多模态模型，增强Coding与Agent能力
Cola刚发了Seed 2.1 Pro，说是多模态最强，coding和agent比2.0强不少，想试试去colaos.ai就行。
