#多模态
做自动驾驶或机器人数据的团队可以看看，Voxel51 3.0 把找数据、标注、评估全打通了，还带 45+ 个 MCP 工具，有免费层。
魅族 22 用户可以直接升级了，超级 Aicy 能帮你代接电话、订高铁票、说句话就建定时任务，还带视频生成，功能挺实在。
DeepSeek 给 V4.1-Flash 做了次小更新，推理、编程、看图都变强，跑任务还更快更省 token，开源党可以关注下。
Meta 给 Facebook 加了个 Your algorithm 功能，直接用大白话告诉算法你想看啥，推荐会跟着改，试试就知道顺不顺手。
Kling 4.0 要上 fal 了，单条视频 30 秒还带原生音频，最多塞 15 张参考图控角色和运镜，做短片的朋友可以蹲一下。
Meta 放了个 816B 的开放权重多模态模型，两台 Mac Studio 就能本地跑，能改代码剪视频，不过年收入超 2000 万美元要另谈授权。
Meta 放出了 Muse Spark Open，816B 总参数里只有 42B 激活，跑 Code Arena 拿了美国开源第一，价格还比 Muse Wonder 便宜近八成。
NVIDIA 盘点了一圈合作方怎么拿 Nemotron 3.5 Super VL 做后训练，想参考别人微调视觉语言模型思路的可以翻翻这个推文串。
NVIDIA 开源了一个 120B 多模态智能体模型，每 token 只激活 12B，跑智能体任务比大 5 倍的 Ultra 还快，ms-swift 里就能微调。
Kaggle 把 Simon Willison 的鹈鹕骑车测试做成了人气投票，各模型画 SVG 让人打分，现在 GPT-6 Astra 排第一，Gemini 4 Argon 咬得很紧，去看看各家画得有多离谱。
Perplexity 的 Decider v1.2 和 Flash v1.2 上 OpenRouter 了，能吃图、返回带概率的结构化答案，Flash 只有 4B 还便宜一半。
Perplexity 把两个开源决策模型挂上了 Hugging Face，flash 版推理快 5 倍还是 4B 档第一名，做智能体路由的可以试试。
Perplexity 把两款决策模型开源了，4B 那个跑一百万 token 才 1 美分，权重直接放 Hugging Face 上，自己搭服务的可以试试。
OpenAI 给 ChatGPT 里的 GPT-6 Pro 升级了，Pro 用户现在能让多个智能体同时分工干活，还能逐个查看进度和结果。
Anthropic 让 Haiku 5.5 先写了 20 首俳句，再用 JavaScript 把每帧画面画出来，成品是个会动的俳句动画，挺有意思。
Stanford 做了个叫 TRACER 的系统，把床边摄像头视频和电子病历拼在一起，帮医生看住院病人行为怎么变化，做医疗 AI 的可以看看。
一家叫 Elorian 的公司出了首个模型 Glimpse，最特别的是边想边回头重看视频细节，自测比 GPT-6 Astra 便宜七倍还更准。
快手 Kling 4.0 要上 fal 了，单次能出 30 秒带声音的视频，还能塞 15 张参考图控角色和镜头，做短视频的可以盯一下。
Gemini 前负责人出来做的 VLM Glimpse，10 块棋盘测试 8 比 5 赢了 Gemini 3.8 Flash，做数据标注的可以试试。
面壁智能的 MiniCPM-V 4.7 1B 能直接在 iPhone 上离线读小票答问题，1B 模型本地跑多模态，这个演示挺直观。
Liquid AI 出了个 d1-ultra 决策模型，输入文本图片一次前向就吐校准概率，AA 指标 65 分，每百万 token 只要 0.042 美元。
新公司 Elorian 出了个视觉推理模型 Glimpse，自称图表理解和视频描述能打赢 GPT-6 Astra，不过数据是自评的，看看就好。
Kling 4.0 要上 Runware 了，一次请求能出 30 秒视频、15 张参考图，还是 4K 带立体声，做视频的可以关注。
快手的 Kling 4.0 对所有用户开放了，视频能带双通道音频和多语言口型，开发者还能用 MCP 和 CLI 调用，4K 版本也快来了。
禾赛出了套叫 Kosmo 的软硬件组合：一个 8K 空间相机加云平台，能把真实场景变成 3D 资产给机器人训练用，做具身智能的可以看看。
一篇论文让 Qwen3-VL-8B 同时看折线图和延迟嵌入，时序推理准确率从 44.5% 拉到 53.2%，做时序分析的可以看看这个双视图思路。