多模态

谷歌Gemini应用月活用户突破10亿

谷歌CEO桑达尔·皮查伊宣布，Gemini应用月活跃用户数突破10亿，成为谷歌第14个达到此里程碑的产品。Gemini的增长速度与OpenAI的ChatGPT相当，后者在6月达到10亿用户。谷歌持续将Gemini整合到搜索、工作空间、安卓等产品中，并推出Gemini 3.5 Flash模型以提升编码和AI代理任务能力。此外，63%的用户使用语音功能，Gemi

Google 推进 AMIE 实现专家级视听临床咨询

Google Research 在博客中宣布其医疗 AI 系统 AMIE 升级为支持实时视频问诊的 AMIE (Video)，基于 Gemini 和 Project Astra 构建，采用异步多智能体架构以平衡对话速度与深度推理。在包含 100 个场景、300 次实时咨询和 30 名认证医生的随机对照研究中，AMIE (Video) 首次展示了专家级表现，并

另有 1 家信源报道

谷歌医疗AI系统AMIE首次实现实时临床视频咨询

Google Research 与 Google DeepMind 在首次研究中展示了其医疗 AI 系统 AMIE 的实时临床视频咨询能力。该系统基于 Gemini 和 Project Astra 构建，采用多智能体架构，能够解读视觉和听觉线索，指导虚拟体检并进行实时诊断推理。在模拟咨询的随机研究中，临床评估者对其病史采集、诊断准确性、管理适当性和沟通质量给

另有 1 家信源报道

苹果开发新功能验证iPhone照片真实性，对抗AI深度伪造

苹果正在开发一项名为“Apple Reference Image”的iOS功能，可在拍摄时向iPhone照片嵌入来源元数据，以帮助用户证明照片非AI伪造。该功能在iOS 27测试版中被发现，默认关闭，用户需手动启用，并通过苹果的Private Cloud Compute服务器进行验证。苹果未采用C2PA标准，而是自建系统，这可能为在线平台标记人类创作内容提供

Pixieset 借助 Amazon Bedrock 实现 35% AI 功能采用率

Pixieset 通过 Amazon Bedrock 开发了 AI 图像替代文本生成功能，解决了摄影师为大量图片手动编写 alt text 的痛点。该功能在 4 个月内从概念到上线，首周为超过 75 万张照片生成了替代文本，并实现了 35% 的用户采用率。Pixieset 采用逐步信任的设计，让用户逐张审核 AI 生成的描述，并利用 Bedrock 的跨区域

微软研究院推出 CARE-X：面向临床胸部 X 光解读的统一视觉语言模型

微软研究院发布了 CARE-X，一个面向胸部 X 光片解读的统一视觉语言模型，旨在通过生成式与判别式结合、奖励对齐学习和工具增强测量来提升临床实用性。该模型在 Narayana Health 的真实印度临床数据上验证，覆盖 ICU 罕见病理和 CT 确认的增大病症。研究还探索了将 Qwen3-VL-4B-Instruct 与确定性测量工具结合，以改善依赖测量

NVIDIA 与社区推动开源模型和智能代理发展

NVIDIA 在八月庆祝本地 AI 生态，发布多款新模型和工具，包括 Cosmos 3 Edge、MiniMax-H3、Laguna S 2.1、DeepSeek-V4-Flash、Inkling-Small、Wan-Animate-2 和 LTX-2.5，并支持 Meta 的 Muse Glimmer 模型。这些模型和工具旨在推动本地 AI 和智能代理的发

NeuroPilot：智能代理驱动的神经影像处理与质量控制流水线

NeuroPilot是一个多智能体系统，将神经影像处理、质量控制和数据管理数字化为三个LLM可调用的技能。该系统在17个队列（超过123,000名受试者）中部署，覆盖从婴儿到老年的多种MRI模态。QC代理筛选了558名生产受试者，婴儿处理流程在QC验证输入上实现了100%的完成率，并将传统2-3个月的训练和数据处理时间压缩到一周。

PragyaDoc：低资源环境下的多语言医疗文档智能理解框架

arXiv 发布论文介绍 PragyaDoc，一个面向低资源环境的多语言医疗文档理解框架。该框架通过四层流水线（并行集成 OCR 提取、几何词汇融合、确定性领域结构化、双 LLM 医学推理与定位）解决印度 22 种官方语言导致的医疗文档可访问性障碍。其目标用户包括农村人口、ASHA 工作者和患者家属，旨在提升医疗信息的可理解性。

DocAtlas：将长文档理解视为可变状态交互

DocAtlas 是一个将长文档理解视为可变状态交互过程的系统，通过外部环境管理文档信息的搜索、读取、存储和展示。该系统结合了自改进检索、选择性证据访问和主动工作记忆，在固定上下文预算下运行。使用 GPT-5.4 时，DocAtlas 在 MMLongBench-Doc 上达到 71.4% 的准确率，超过人类专家参考水平；用 Qwen3.5-4B VLM 进

多模态大语言模型安全格局演变：新兴威胁与防护综述

这篇arXiv论文对多模态大语言模型（MLLMs）的安全格局进行了系统性综述，提出了基于多模态的威胁分类法，涵盖对抗攻击、数据投毒、越狱和幻觉等威胁，并分析了威胁模型的变化。文章还总结了更新的安全假设和近期安全策略进展，最后讨论了开放挑战和未来方向，以推动多模态系统更规范、可扩展的安全机制发展。

大语言模型在结直肠息肉光学诊断中的性能评估

一项发表在 arXiv 上的研究评估了多种多模态大语言模型（MLLMs）在结直肠息肉光学诊断中的表现。研究使用 PRIME 数据集，比较了 Claude Opus 4、Gemini 2.5 Pro、GPT-o3、GPT-4o 和 GPT-5 的分类准确性。结果显示，所有模型在区分肿瘤性与非肿瘤性息肉方面 F1 分数均高于 0.9，但 Gemini 2.5 P

五大高校联合发布首个机器人三视角世界模型评测榜单

北京大学、清华大学、北京航空航天大学、上海交通大学、中国科学技术大学联合发起首个机器人三视角世界模型评测榜单TriWorldBench，并公布首周结果。榜单聚焦多视角一致性与物理理解，CASIA-DRL、TONGJI Spatial Intelligence Team和Fysics AI的模型位列前三。该评测旨在推动世界模型从视觉生成向具身认知演进，并提供细

Ollama 支持 Meta 新开源模型 Muse Glimmer，可在 Apple Silicon 本地运行

Ollama 在 v0.32.7 版本中宣布支持 Meta 最新开源模型 Muse Glimmer，这是 Meta Superintelligence Labs 发布的首个模型，为 30B 多模态模型，专为本地 agent 工作负载设计。目前该模型仅通过 Ollama 的 MLX 引擎在 Apple Silicon 上提供初始支持，NVIDIA、AMD 等平

Transformers v5.15.0 发布：新增 Muse Glimmer 等多模型支持

Hugging Face Transformers 发布 v5.15.0 版本，新增多个模型支持，包括 Meta 的 Muse Glimmer（30B 参数多模态模型，专为智能体场景设计，Apache 2.0 许可）、IBM 的 GraniteSWA/GraniteMoeSWA、SKT 的 A.X-K1/K2 和 Cosmos3 Edge。该版本还包含多项破

TransSLR：用于手语识别的轻量级 Transformer

arXiv 论文提出 TransSLR，一种轻量级时间 Transformer 编码器，用于手语识别，针对中非手语（CASL）等低资源语言。TransSLR 在 CASL-W60 基准上达到 80.39% 的准确率，比之前最好成绩提升 10.46%，且计算开销低，适合资源受限环境。

从失语症命名错误谱逆向恢复大语言模型损伤参数

该研究提出从失语症图片命名错误谱中逆向恢复大型语言模型（LLaVA-Vicuna 13B）的损伤参数（层索引、修改百分比、噪声sigma），并训练多任务神经网络实现映射。结果显示修改百分比和噪声sigma可恢复，层索引仅能近似恢复，但反事实验证中恢复参数能高保真复现目标行为（81.4%），表明Transformer层存在功能冗余。在278名中风幸存者的错误谱

InsertFuse：多类别参考引导图像插入的统一框架

arXiv 论文提出 InsertFuse，一个用于多类别参考引导图像插入的统一框架。其核心思想是将类别特定专家学习与跨类别能力整合解耦，通过插入在策略蒸馏（IOPD）将多个专家能力整合到单一学生模型中。此外，引入 Token 对齐几何条件（TAGC）和区域平衡流匹配以提升空间控制，以及参考 CFG 增强参考引导。在 AnyInsertion 基准和自建多类

MiniMax H3 量化剪枝模型集合发布，支持消费级 GPU 本地推理

Hugging Face 社区发布了 MiniMax H3 模型的量化与剪枝版本集合，支持 INT4、INT8、NVFP4 等格式，旨在让消费级 GPU（16GB-24GB 显存）用户能在本地运行该模型。该集合包含扩散模型、文本编码器和 VAE 文件，并针对不同显卡提供了选择指南。MiniMax H3 本身是一个支持文本、图像、音频到视频生成的全模态系统，可

Om AI联汇开源端侧原生VLX-Seek 1.5，3B模型多项评测超越英伟达

Om AI联汇完成数亿元融资，并开源全球首款端侧原生模型VLX-Seek 1.5。该模型有3B和10B两个版本，采用流式多模态架构，在无人机视角、指代表达理解等任务上超越英伟达LocateAnything等更大模型。公司旨在通过端侧原生路线，推动物理AI在机器人、无人机等场景的规模化落地。

Deepwen 3.6：融合 DeepSeek 推理的 3D 生成微调模型

Deepwen 3.6 是基于 Qwen3.6-35B-A3B 的微调模型，融合了 DeepSeek-V4-Flash-0731 的推理能力，专注于 AAA 游戏开发、3D 生成和 Web 图形。该模型提供了多种 MoQ 量化版本，并附带多模态投影器。其改进包括程序化生成、硬表面建模、Blender 工作流等，且保留了 Qwen 的原始能力。

MiniMax 发布全模态生成系统 H3，支持 2K 视频与原生音频

MiniMax 发布了通用全模态生成系统 MiniMax H3，支持文本、图像、视频和音频的统一理解，并能生成带原生立体声的 2K 分辨率、最长 15 秒的视频。该系统包含 H3-Context-IR、H3-Base 和 H3-Regenerate-2K 三个模块，支持多种输入模式，并提供 API 和在线应用。

摩尔线程上半年营收17.36亿元超去年全年，商业化提速

国产GPU公司摩尔线程发布2026年半年度报告，上半年营收17.36亿元，同比增长147.42%，已超2025年全年，亏损大幅收窄。公司研发投入持续增加，旗舰产品MTT S5000实现规模化量产，夸娥智算集群在多城市部署，并完成多个大模型训练项目。公司构建了云边端全场景算力布局，MUSA生态兼容CUDA，开发者超80万。

Opus 5烧6.9亿token做游戏，GPT-5.6用5美元复刻

网友Vyom使用Opus 5模型，通过一条2000字的提示词和6.9亿token，生成了一款美式卡通风格的水上快艇竞速游戏《INK TIDE》，成本约423美元。随后，网友Anul Agarwal在Codex中利用GPT-5.6 Sol和Luna Max模型，以约5美元的成本复刻了类似游戏，但画面细节和完成度相对粗糙。两个案例展示了AI生成游戏的能力，但最终

飞桨发布 PaddleOCR-VL：0.9B 超紧凑多语言文档解析模型

百度飞桨发布 PaddleOCR-VL，一个基于 ERNIE-4.5-0.3B-Paddle 的 0.9B 超紧凑视觉语言模型，专注于多语言文档解析，支持 OCR、版面分析、表格、公式和图表识别。该模型以 Apache-2.0 许可证开源，并提供英文、中文和多语言支持，新版本为 PaddleOCR-VL-1.6。

xAI 发布 Imagine Image 2.0，在 Arena 基准测试中紧随 GPT-Image-2

xAI 发布了 Imagine Image 2.0 模型，作为 Grok 平台的新“质量模式”，提供精细指令遵循、排版布局优化和跨生成一致性。该模型在 Arena 基准测试中排名第二，仅次于 OpenAI 的 GPT-Image-2。新模型包含 Magic Wand、区域分割、背景移除、多参考编辑和智能调整大小等编辑工具，并推出模板和视频预制作功能。API

SGLang v0.5.17 发布：支持 Kimi K3 与 MiniMax-H3，多项性能优化

SGLang 发布 v0.5.17 版本，包含 582 个 PR，来自 194 位贡献者。主要亮点包括对 Kimi K3 和 MiniMax-H3 的 day-0 支持，以及新的 DCP 通信后端、DWDP 预填充策略、会话感知的 Radix Cache 等性能优化。此外，还新增了多个模型支持，并提升了引擎恢复速度和降低了主机开销。

Red Hat 发布 Gemma 4 12B NVFP4 量化模型

Red Hat AI 发布了基于 Google Gemma 4 12B 指令模型的 NVFP4 量化版本，该模型权重和激活均量化为 4 位浮点格式，使用 llm-compressor 工具和 GPTQ 方法进行量化，并针对 vLLM 进行了优化。初步评估显示，该量化模型在 GSM8K 和 Wikitext 基准上接近原始 BF16 模型的性能，恢复率超过 8

Strands Agents SDK Python v1.51.0 发布

Strands Agents SDK 发布了 python/v1.51.0 版本，包含多项新功能、修复和性能优化。新功能包括 AgentStreamStage 类型、快照会话管理器、Gemini 工具选择支持、Claude 5 和 GPT-5.6 上下文窗口限制等。修复了中断状态保留、MCP 依赖等问题，并提升了 MCP 搜索片段并发性能。

Qwen3.6-35B-A3B 无审查版 Genesis Hermes V7 GGUF 发布

LuffyTheFox 发布了基于 Qwen3.6-35B-A3B 的无审查多模态 MoE 模型 GGUF 版本，采用其自研的 Genesis 算法对张量进行噪声修复，声称能提升模型稳定性和指令遵循能力。该模型融合了 Hermes 微调数据，支持视觉和智能体功能，并提供了量化脚本和推荐配置。

llama.cpp b10311 修复 Qwen3-TTS 重复文本问题

llama.cpp 发布 b10311 版本，修复了 Qwen3-TTS 生成时文本流重复输入的问题。该问题源于非流式预填充与流式覆盖层不匹配，导致模型在生成时重复读取文本。修复后，覆盖层改为与预填充匹配的单个 tts_pad 行。

张一鸣拒绝蒸馏捷径，字节豪赌10万亿参数模型

字节跳动创始人张一鸣在Seed全员会上明确拒绝通过蒸馏方式追赶前沿大模型，坚持从头训练以追求长期技术主权。尽管字节在算力、数据和资金上具备优势，其Seed 2.1 Pro在全球榜单仅列第21位，落后于其他中国模型。字节计划训练10万亿参数的超大模型，并投入超2000亿元建设算力基础设施，以规模跃迁实现技术领先。

MiniMax H3 FP8 量化模型发布，支持视频音频生成

rzgar 发布了 MiniMax H3 的 FP8 量化版本，包括 MXFP8、FP16attn 和 FP8 E4M3FN 等多种变体，并提供了文件下载。该模型支持图像到视频和音频生成，量化后文件大小从 47.6GB 降至 21GB，同时保留了关键张量的原始精度以保证质量。作者还提供了 ComfyUI 文本增强节点和超分辨率模型，以改善生成效果。

无辜画面，仇恨故事：多轮视觉故事生成中的仇恨意图评估与检测

该研究指出，前沿文生图系统（如Gemini和GPT-Image）支持多轮对话生成一致的角色和场景，使得制作仇恨性视觉故事（有序图像组）变得廉价且可扩展。作者引入了HatefulStoryPrompts数据集，包含55个仇恨故事、330个多轮配置，并评估了五个前沿模型，发现所有模型都能完成超过80%的故事，最强模型达到99.0%。现有审核系统在检测组级仇恨含义

RIG-RoPE：关系与实例门控的旋转位置编码

该论文提出 RIG-RoPE，一种关系与实例门控的旋转位置编码机制，用于改进多模态大语言模型中的位置编码。它通过模态指示符、视觉实例标识符和持续时间坐标，解决静态多维位置分配中的跨模态空间干扰和时间步长不均问题。该方法无需新增参数，可在平铺注意力内核中实现，但尚未声称经验上的优越性。

StyleComposer：无需训练的多参考风格组合方法

arXiv 上发表了一篇题为 StyleComposer 的论文，提出了一种无需训练的多参考风格组合方法。该方法通过将颜色、纹理和结构等风格属性分别路由到扩散模型中分离效果最好的表示，并在去噪过程中协调这些路径，从而在无需训练或反转的情况下，同时满足多个参考风格和文本提示。该方法为每个属性提供了强度滑块，比现有方法更接近联合满足三个参考和提示。

CGTime：通过计算与语言解耦实现多变量时间序列对齐

arXiv 上发布了一篇关于多变量时间序列与语言对齐的研究论文。研究指出，传统方法依赖 LLM 描述时间序列，导致标签质量受限于模型感知能力，且多变量模式难以处理。为此，研究者提出解耦感知与描述的方法，用确定性代码计算统计量，再由 LLM 进行表达，构建了 4B 参数的 CGTime 模型。该模型在多变量理解任务上优于 GPT-4o-mini 和 GPT-5

F²Agent：面向多模态交易的金融智能体融合范式

arXiv 论文提出 F²Agent，一种用于多模态金融交易的新型智能体范式。它通过分层专业智能体提取模态特定信号，并引入模态感知自适应融合机制和噪声鲁棒一致性正则化，以捕捉跨模态依赖并生成抗噪交易信号。在六种股票和加密货币资产上的实验表明，F²Agent 在多项交易指标上优于 16 个基线，平均年化收益率相对提升超过 20%，在 GOOG 和 TSLA 上

阿里视频大模型Wan3.0公测：文档PPT也能变视频

阿里巴巴于8月6日公测视频生成大模型Wan 3.0，支持单次生成30秒视频，并首次支持doc、xls、ppt、pdf、md等文档格式输入，可将文档转化为视频。该模型在生成时长、全能参考、真实世界还原等方面升级，旨在从内容生成工具跃迁为生产力工具。Wan3.0已在多个平台开启公测，API价格按分辨率收费，接口近期全量开放。

另有 1 家信源报道

阿里视频大模型Wan3.0公测：支持文档转视频，单次生成30秒

阿里巴巴于8月6日公测视频生成大模型Wan 3.0，支持单次生成30秒视频，并首次支持doc、xls、ppt、pdf、md等文档格式输入，可生成教学课件、产品演示等内容。该模型在人物真实感、视频编辑等方面升级，API价格按分辨率不同为0.3至1.2元/秒，已在多个平台开放公测。

另有 1 家信源报道