产品22:04
Runway 发布 Scene Fixer，用视觉 AI 精准修复 AI 片段不一致Runway 出了个 Scene Fixer，能把不搭的 AI 片段统一起来，只修有问题的部分，其他帧和音频都不动。
#多模态
849 条 · 查看话题观测
8月13日
8月12日
8月11日
Qwen-MM-Plugins：开源多模态插件集，MCP 注入让 Agent 原生读图看视频
千问开源的多模态插件集，用 MCP 把读图、看视频、3D 建模塞进任意 Agent，纯文本 Agent 直接升级，想给 Agent 加眼睛的可以试试。
论文11:36
MedPixel：统一像素-语言模型，实现医学推理与分割医学图像分割和语言模型终于打通了，MedPixel一个模型搞定定位加问答，还自带44万样本的数据集，搞医学AI的值得看看。
8月10日
LMM模态转移：实现自主GIS智能体的关键前提
官方一手arXiv: OpenAI@Ivan Majic, Zexian Huang, Franziska Hübl, Krzysztof Janowicz, Meilin Shi, Mina Karimi, Zilong Liu, Alexandra Fortacz-Lazan11 个信源在谈原文
这篇论文拿彩色方块网格考OpenAI的多模态模型，让它们看图写话再画图，结果画不对，做自动GIS得先解决这问题。
论文11:05
ISYV：身份条件查询任务助力人物中心视频推理这篇论文搞了个新任务ICQ，让AI对着人像照片在视频里找人、看行为，还放出1377个视频测试集和75K训练集，开源模型里ISYV-Model效果最好。
论文10:45
全模态分解自编码器学习可穿戴解纠缠表示这篇论文发了个叫 OmniDecVAEs 的框架，能把几十个传感器数据揉在一起，分类和生成都行，参数才 4.1M，比 Transformer 还准。
8月9日
OpenRouter上线ByteDance Seed模型：单请求支持30图10视频10音频
字节的Seed模型在OpenRouter上线了，一次能喂30张图加10段视频和10段音频，改视频里的东西很方便。
Dreamina Seedance 2.5 上线 OpenRouter，支持 30 秒音视频生成
字节 Seedance 2.5 上线 OpenRouter，一次生成 30 秒带声音视频，支持 50 条参考做长叙事。
8月8日
8月7日
Qwen3.8-Max看图识云，被赞与Claude Opus 5等持平
有人拿云朵照片同时问 Qwen3.8-Max、Claude Opus 5、Kimi K3、GPT 5.6 Sol，画动物轮廓它没输。
模型18:10
阿里 Qwen3.8-Max 较 Gemini 3.5 Flash 领先 8.5 个百分点Qwen3.8-Max 刚出，有人测了比 Gemini 3.5 Flash 高 8.5 个点，看细节更清楚。
OpenAI 披露 ChatGPT 全球 10 亿用户画像：35 岁及以上用户用量上升
OpenAI 发布了用户报告，说 ChatGPT 有 10 亿人在用，现在大家更多拿它干活，35 岁以上用户涨得最快，图像功能也带动了多媒体使用。
字节 Seedance 2.5 视频模型 API 上线，原生支持 30 秒视频直出
Seedance 2.5 API 来了：30 秒视频直出、50 个素材参考，价格和限时折扣都公布了，做视频生成的可以看。
模型00:11
ElevenLabs 发布 Dubbing v2 配音模型，API 供开发者嵌入ElevenLabs 出了新的配音模型 Dubbing v2，能把原声的情感带到别的语言里，做视频本地化的话可以试着用 API 接进自己的流程。
8月6日
模型23:18
MiniMax H3 Omni Reference演示：角色音频环境全程一致MiniMax官方发了段H3的演示片，角色长相、声音、场景从头到尾都没跑偏，想看多模态一致性效果的可以点开看看。
产品17:12
豆包视频通话功能升级，基于 SeedRealtime 原生音视频全双工大模型豆包 App 上线了视频通话，能边看视频边提问，认人、读图表都行，延迟低，比 GPT Live 更自然，不用内测直接玩。
论文10:11
多模态预训练物理学：知识流、模态协同、早期统一与配方这篇论文把多模态预训练的内部机制拆开了，告诉你模态之间怎么互相影响、什么时候协同、什么时候拖后腿，还有省算力的训练配方，值得看看。