多模态

Qwen3.8 Flash CIRU Strix Orca v6.0.0 运行时更新

OrcaRouter 将 Qwen3.8 Flash 研究检查点转换为紧凑专家格式，并发布适配 AMD Strix Halo 与 CIRU v5 运行时的 GGUF 版本。v6.0.0 运行时修复了长提示中图像输入失效的问题，多槽位服务速度提升数倍，并支持可选的磁盘提示缓存；模型权重、草稿模型与投影器均未改动。

Google Gen AI JavaScript SDK 发布 v3.1.0

Google 发布 Gen AI JavaScript SDK v3.1.0，新增 gemini-omni-1.2-flash 并将其设为 gemini-api video 的默认模型，同时在 Model 枚举中加入 gemini-4-carbon。该版本还为 Live API 的 ProactivityConfig 增加 proactive video 选

Google Gen AI Python SDK 发布 v3.1.0

Google 发布 Gen AI Python SDK v3.1.0，新增 gemini-omni-1.2-flash 并将其设为 gemini-api video 的默认模型，同时在 Model 枚举中加入 gemini-4-carbon。该版本还为 Live API 的 ProactivityConfig 增加 proactive video，为 Int

英伟达发布 Nemotron-3.5-Super-VL-120B NVFP4 量化模型

NVIDIA 在 Hugging Face 发布 Nemotron-3.5-Super-VL-120B-A12B-NVFP4，这是其视觉语言模型 Nemotron 3.5 Super VL 的 NVFP4 量化版本，通过量化感知蒸馏从 BF16 版本压缩而来，以降低显存需求。模型采用 Mamba-2、MoE 与注意力混合架构，搭配 C-RADIO 视觉编码器

蚂蚁灵波开源触觉预训练模型LingBot-Touch

蚂蚁灵波开源了面向灵巧操作的触觉预训练基础模型LingBot-Touch，可统一处理压阻式、视触觉、磁触觉等不同传感器信号并编码为可复用的触觉Token。该模型用4983小时真实触觉数据自监督预训练，在Sharpa Wave和XHand1两款灵巧手、四种策略模型上完成26项真机任务，平均成功率普遍提升，其中LingBot-VLA在Sharpa Wave上从4

另有 2 家信源报道

社区发布 Molmo2-8B INT8 量化包，作 MiniMax H3 编码器

开发者 Alissonerdx 在 Hugging Face 发布社区量化包，将 allenai 的 Molmo2-8B 量化为 INT8 ConvRot 权重（约 9.29GB），作为实验性的 MiniMax H3 文本/视觉编码器，并提供 MolmoPoint-8B 点跟踪模型用于视频分割。该包非 Ai2 或 MiniMax 官方发布，需使用自带 loa

Anthropic Fable 5.2 真实自由职业任务完成率达 41%

Anthropic 的新模型 Fable 5.2 在 Scale Labs 与 CAIS 的 Remote Labor Index 基准上完成 41.3% 的真实自由职业项目，远超一年前 Manus 的 2.5% 和今年 7 月 Fable 5 的约 16%。该基准包含 240 个来自 Upwork 的真实项目，总价值约 14.4 万美元，由人类专家在专业软

Adobe 为旗下产品加码 AI 并推出 MCP

Adobe 在迈阿密 MAX 大会上宣布为 Photoshop、Premiere、Illustrator、InDesign 等产品增加更多 AI 功能，并扩展 Firefly 的创意 AI 智能体能力。Adobe 还发布本地 MCP，让用户可在 ChatGPT、Claude、Gemini 等聊天机器人中调用 Creative Cloud 功能。Adobe 副

Greko 2.4：基于 Qwen3-VL-2B 的离线手机助手

开发者 George 在 Hugging Face 发布 Greko 2.4，一个基于 Qwen3-VL-2B-Instruct 微调、以 GGUF 格式分发的离线手机 AI 助手，配套 Android 应用 2.25-beta。它支持看图、读文档、生成 Word/Excel 文件，以及通过 Agent 模式设置闹钟、日历、发短信和打电话，全程在设备端运行。

美团 LongCat-2.5 正式开源：1.6 万亿参数原生多模态模型

美团正式开源 LongCat-2.5 原生多模态模型，采用 MIT 协议，支持商用推理部署与二次训练。该模型总参数 1.6 万亿、每 token 激活约 480 亿参数、支持一百万上下文，面向长程智能体任务，在复杂代码库开发、完整项目构建、Visual Coding 与专业办公场景的端到端交付能力明显提升。团队还针对显存与带宽受限的国产算力芯片做了架构、量化

Fable 5.2 首批实测：编程能力超 Opus 5.5，网友玩出游戏视频 3D 建模

Anthropic 发布 Fable 5.2 模型，首批实测显示其在智能体编程、科学研究、计算机操作等基准上全面超越 Opus 5.5，编程测试高出 45.5%，软件工程测试达 69.9%，输出速度最高提升 30%，支持 100 万 Token 上下文，API 价格下降 20%。网友用其生成 3D 游戏、视频、音乐和 3D 建模等作品，但社区也反馈高推理档位

蚂蚁灵波开源触觉基础模型 LingBot-Touch

11月10日，蚂蚁灵波科技开源触觉基础模型 LingBot-Touch，与同日发布的 Claude Fable 5.2 形成对照。该模型基于近5000小时真实触觉数据预训练，覆盖磁触觉、视触觉和压阻式三类传感原理，将不同信号统一为触觉 Token，并已接入 LingBot-VLA。在26项真机测试中，接入后四种动作模型的任务成功率提高约14至26个百分点。C

另有 2 家信源报道

重新思考多模态LLM遗忘的监督目标：更少隐私信息与更小分布偏移

该论文研究多模态大语言模型（MLLM）的隐私信息遗忘问题，指出监督目标中残留隐私信息会导致遗忘不充分，而与原始输出分布偏移过大会损害模型效用。作者提出 FFN-Perturbed Self-Distillation（FPD）方法，从教师模型原始输出分布出发，选择性扰动与隐私信息相关的 FFN 激活，从而构建隐私信息更少、分布偏移更小的监督目标。在 S-MLL

先处理再检索：探究视觉语言模型模态差距的起源

该论文研究视觉语言模型（VLM）中模态差距的成因，发现嵌入层文本token的语义密度远低于视觉token，导致模型早期层优先处理文本表征、将视觉信息整合推迟到中后层。作者通过机制分析，将视觉token位置替换为语义最近的文本token后，早期层对这些位置的注意力增强，表明初始语义密度差异影响跨模态注意力分配。研究为缓解模态差距、改进VLM多模态推理提供了机制

视觉语言模型中的潜意识学习

研究者在视觉语言模型（VLM）中验证了「潜意识学习」现象：先微调一个教师 VLM 使其偏好特定动物或面部属性，再让该教师为与偏好无关的几何图形计数任务生成数字，并用这些数字微调学生 VLM。结果显示，2B 至 7B 参数的 VLM 均能将隐藏偏好通过无关任务传递给学生，动物偏好任务中学生选择目标的比例最多高出约 10 个百分点，且传递效应随训练数据增加而增强

Micius-Flash：面向工程的轻量级智能体模型

研究团队发布 Micius-Flash，一个 270 亿参数、支持原生多模态输入和 256K 上下文窗口的工程领域模型。团队构建知识树驱动的数据飞轮，训练半导体知识、硬件编码、多模态理解及智能体专家模型，再用多教师同策略蒸馏（MOPD）整合为统一模型。在 20 多个数据集上，硬件代码基准平均 64.2%（超同规模基线 15 分），半导体智能体基准 62.4%

Pixie：面向数字营销的上下文感知多智能体多模态LLM架构

Pixis 研究团队提出 Pixie 框架，一种面向数字营销的上下文感知多智能体多模态 LLM 架构，由主编排智能体协调多个任务专用智能体，并结合零样本/少样本提示、营销数据洞察与专有专家策略文档。该框架支持实时与离线营销活动，通过人工专家评估和 LLM 输出方差测量进行验证，结果显示多智能体架构显著提升决策质量与运营效率，并有望减少根因分析、报告、活动研究

字节Seedream 5.5发布：100轮图像编辑更稳，API价格减半

字节跳动推出图像生成模型Seedream 5.5，已在即梦、豆包和豆包工作上线。该模型主打多轮编辑一致性，在100轮连续图像编辑任务中比GPT-Image 2.6更保真，并提升了真实感、小字与多语言渲染、透明图生成与图层拆分能力。API延续输入图加输出图两段计费，2K方图编辑单张成本约0.28元，不到Seedream 5.0 Pro一半。

另有 1 家信源报道

黄仁勋丑闻致英伟达市值蒸发近3960亿美元；豆包Seedream 5.5降价

雷峰网AI科技评论汇总的多条资讯显示：英伟达CEO黄仁勋因婚外情丑闻导致公司股价盘中一度下跌8.8%，市值缩水近3960亿美元，本人持股账面价值缩水约143亿美元，有投资机构人士称其可能被免去CEO职务；字节跳动发布豆包图像创作模型Seedream 5.5，生成速度提升并优化小字渲染，API单张成本不到上一代一半；美团龙猫开源总参数1.6万亿、支持百万上下文

Lightricks 发布 LTX-2.5 多模态生成模型

Lightricks 发布了 LTX-2.5 模型，支持图像/文本/音频到视频及音频的生成，并强调可自托管部署。该模型采用社区许可协议，提供 API 演示和 GitHub 资源，旨在提供全面的视频、音频和世界模拟能力。