MiniCPM-V 4.7 发布：多模态模型本地跑，约 3 GB 内存
OpenBMB 的 MiniCPM-V 4.7 手机上就能跑多模态模型，100 tok/s 加 3 GB 内存，llama.cpp 一装就能试。
#多模态
共 1618 条 · 7 天 155 条 · 30 天 618 条 · 话题观测 →
10月20日
产品15:41
Mangoslab Nemonic Dot 盲文打印机获《时代》2026 年最佳发明奖三星出来的 Mangoslab 做了台盲文打印机，AI 把语音文字直接转成盲文标签，支持 100 多种语言，帮视障人士贴标签认东西。
IT之家原文
vLLM v0.32.0 支持 MiniCPM-V 4.7 推理部署
OpenBMB 的 MiniCPM-V 4.7 进了 vLLM v0.32.0，自己搭服务的可以直接用 vLLM 跑它了，吞吐延迟都更好。
产品12:41
倍思海外推出 U2 Pro Outdoor 监控摄像头，聚光灯可追踪移动目标倍思出了个会追着小偷照灯的监控摄像头，269.99 美元，还能区分人、宠物和快递，夜间遛狗也能当手电用。
IT之家原文
RefCraft 基准发布：测试 AI 智能体参照截图开发网页的能力
新基准 RefCraft 拿 300 个真实网页任务考 AI 智能体，要求照截图开发网页，9 个顶级模型最高才拿 52 分，差距很直观。
GoTo 发布 27B 参数开源模型，支持爪哇语等印尼地方语言
印尼 GoTo 开源了个 27B 模型，连爪哇语、巴厘语这种小语种都能处理，搞东南亚 NLP 的可以去 Hugging Face 下载试试。
研究显示小模型的多语言效率常被英文基准掩盖：印度语系分词器覆盖不足
这篇论文用数据戳破一个常见假设：小模型“多语言省内存”的说法对印度语系根本不成立。卡纳达语用户只有英文用户 6% 的上下文，数字很扎心，做本地化的开发者应该看看。
SKY-001 工程世界模型发布：3D CAD 几何 IoU 达 79.7%，耗时 3.9 秒
做机械设计或建筑 BIM 的可以看看这个 SKY-001，直接在几何空间里生成 3D 设计，速度比 GPT-6 Astra 快几十倍，成本还低两个数量级。
Nace AI 发布 Drex Max 多模态决策模型，Decision Index 得分 67.59
Nace AI 新出的 Drex Max 专给计算机操作智能体做决策，能看截图输出校准概率，Decision Index 拿了 67.59 分。
vLLM 生态新增 d3-turbo：智能路由多模态决策模型
vLLM 团队放出了 d3-turbo，做智能路由用的决策模型，比 d3 flash 快 15 倍，还登顶了 Jev Decision Index，做路由的可以看看。
GE HealthCare 推出 LOGIQ Focus 超声系统，融合 cSound 架构与 AI 工作流
GE HealthCare 出了台新超声 LOGIQ Focus，把自家的 cSound 架构下放到通用影像设备，还带 AI 自动化工作流，做超声的同行可以看看参数。
DeepSeek V4.1 Flash 1017 上架 Databricks，推理与编程能力提升
DeepSeek 推了 V4.1 Flash 1017 新权重，Databricks 上能直接调了，写代码、跑智能体和看图任务都比之前强，用 Databricks 的可以试试。
Wabi 2.0 上线：多人共享的个人 Agent 搭配 Notion 使用
Wabi 2.0 改成多人共享 Agent 了，伴侣、家人都能进同一个对话线程，让它订票、排行程、更新日历，和 Notion 搭着用
Pika 与 OpenAI 合作推出 ChatGPT 插件，创作工具可内置对话面板调用
Pika 和 OpenAI 联手做了个 ChatGPT 插件，直接在聊天里生成和改视频，Swap Anything 换场景还能保留动作，玩视频生成的可以试试。
Kling AI 发布 4.0：30 秒视频、立体声音频与多语言口型同步
快手家的 Kling 4.0 来了，能生成 30 秒带立体声的视频，口型同步还支持多语言，不过和 Wan、Seedance 打了个平手。
Nemotron 3.5 VL Super 经皮肤科诊断后训练，与 Nolla 合作落地医疗
NVIDIA 的 Nemotron 3.5 VL Super 被专门在皮肤科诊断上做了后训练，还接进了 Nolla 的医疗服务，做医疗 AI 的可以看看。
TwelveLabs Pegasus 1.5 上架 Amazon Bedrock，支持 2 小时视频结构化处理
TwelveLabs 的 Pegasus 1.5 进了 Amazon Bedrock，能直接把 2 小时长视频切成带时间戳的 JSON 片段，做视频搜索和剪辑的朋友可以试试。
MAI-Transcribe-2 语音转写准确率登顶 David AI 基准
微软的 MAI-Transcribe-2 在 David AI 转写基准拿了第一，21 种语言里 18 种错误率最低，做多语言语音转写的可以关注。
10月19日
OpenBMB 发现多模态检索"Chaos in the Text"问题，推出 Trident 检索器
OpenBMB 找到了图文混合检索掉分的原因：文本天然比图像得分高。他们的 Trident 模型把 NDCG 从 40 拉到 74，做 RAG 的可以看看。
MiniMax 发布 M3.1 Flash：价格为 M3 的三分之一，速度提升 3 倍
MiniMax 把 M3.1 Flash 做到 M3 三分之一价格、三倍速度，编程和视觉推理基准都好看，权重 10 月 23 日就开源，可以关注下性价比。
MiniMax M3.1 Flash 发布，vLLM 提供 Day-0 支持
MiniMax 出了个新模型 M3.1 Flash，专攻代码库工程和视觉推理，vLLM 发布当天就能跑，还带 NVFP4 量化和推测解码，部署党可以看看。
ACE Robotics 发布 9B 具身模型 ACE-Brain-0.6，主打空间视觉定位
ACE Robotics 拿 100 万条空间数据微调了个 9B 模型，自称八项测试里六项赢 GPT-6 Astra，不过权重还没开源。
用 MiniCPM-V 4.7 搭建视频自动解说工具 Clip Narrator
DataChaz 用 MiniCPM-V 4.7 做了个 Clip Narrator，视频丢进去自动出带时间戳的解说稿，配音字幕全同步，做二创视频的可以试试。
不同城市 Agent 使用数据对比：重庆夜间调用占 19.1%
字节发布的 Agent 使用报告，重庆人凌晨还在跑任务占 19.1%，单次任务从 6.3 万涨到 20.2 万 Token，Seed 模型占了图像视频生成一半以上。
网友用 Claude 创作整首歌《Don't Let Me Scroll》，仅保留人工写的歌词
有人只写了歌词，剩下的曲子和演唱全丢给 Claude 完成，成片就贴在推文里，点开就能听，挺有意思的实验。
MiniCPM-V 4.7 登上 Hugging Face 热榜第二
OpenBMB 的 MiniCPM-V 4.7 冲上 Hugging Face 热榜第二，35B-A3B MoE 手机端 3GB 内存就能跑，想玩端侧多模态的可以试试。
OpenBMB 转发用户实测：MiniCPM-V 4.7 1B 在手机端运行
OpenBMB 官方转发的端侧实测，1B 参数的 MiniCPM-V 4.7 直接跑在手机上，想玩本地部署的可以看看这个演示。
MobileInject：首个针对移动智能体的多模态注入攻击安全基准
手机上的 AI 智能体会被藏在其他 App 里的恶意内容带偏，这篇论文用 108 个实例测了一圈，还给了诊断框架，做移动智能体的可以看看怎么防。
Pika 与 OpenAI 合作，在 ChatGPT 内直接生成角色设定表
Pika 把自家工具塞进了 ChatGPT，在聊天框里要个吉祥物，Character Studio 直接给你出角色设定表还存进素材库，做视频的可以试试。
10月18日
