多模态

Kimi K2.7 Code 对比 Claude Fable 5：落地页成本降低 94%

Together AI 进行了一项实验，比较了开源模型 Kimi K2.7 Code 与专有模型 Claude Fable 5 在生成落地页方面的表现。结果显示，Kimi 的成本平均低 94%，且质量评分接近，尤其在通过自定义 MCP 服务器提供设计灵感后，Kimi 的输出质量显著提升。该实验表明，开源模型在成本效益上具有明显优势，且质量差距正在缩小。

Together AI 首日上线 Thinking Machines Lab 多模态模型 Inkling

Thinking Machines Lab 发布了新模型 Inkling，这是一个多模态混合专家模型，支持文本、图像和音频输入，并具有可控推理能力。Together AI 在发布当天即在其推理平台上提供该模型，并优化了其推理内核以支持新架构。Inkling 在科学推理、数学、编程等基准测试中表现强劲，总参数达 975B，激活参数 40B，上下文窗口 1M。

开放模型新动态：Inkling、Hy3、Kimi K3 等展示帕累托前沿价值

Interconnects AI 发布第23期开放模型盘点，指出开放模型生态持续繁荣，而非此前预测的行业整合。文章重点介绍了 Thinking Machines 的 Inkling、腾讯的 Hy3、Poolside 的 Laguna S2.1、DeepSeek-V4-Flash 和 Moonshot 的 Kimi K3 等模型，并讨论了开放模型的商业价值、许

Together AI 发布开源视频翻译工具 Violin

Together AI 推出了完全开源的视频翻译工具 Violin，基于 Together API，结合语音识别、大语言模型和语音合成技术，实现高质量视频翻译。Violin 提供 Web 应用、CLI 和代理技能三种使用方式，并内置视频内容感知的聊天助手和自然语言语音选择器。该工具采用 MIT 许可证发布，旨在打破语言障碍，使视频内容更易于全球观众访问。

xAI 发布多模态模型 Grok-1.5V 及 RealWorldQA 基准

xAI 发布了其首个多模态模型 Grok-1.5V，能够处理文档、图表、截图和照片等多种视觉信息。该模型在多个基准测试中表现优异，特别是在新的 RealWorldQA 基准上超越了 GPT-4V 和 Claude 3 等竞品。xAI 还开源了 RealWorldQA 数据集，包含 700 多张图像，旨在评估模型对真实世界的空间理解能力。

xAI 发布 Grok-2 和 Grok-2 mini 测试版，性能超越 GPT-4-Turbo

xAI 发布了 Grok-2 和 Grok-2 mini 的测试版，在聊天、编码和推理方面性能显著提升，在 LMSYS 排行榜上超越了 Claude 3.5 Sonnet 和 GPT-4-Turbo。这两个模型已在 X 平台上向 Premium 用户开放，并计划于本月晚些时候通过企业 API 提供给开发者。Grok-2 在视觉任务上表现出色，并与 Black

xAI 发布 Aurora 图像生成模型，增强 Grok 多模态能力

xAI 宣布推出代号为 Aurora 的新型自回归图像生成模型，该模型采用混合专家网络，能够处理文本和图像交错数据，支持多模态输入，擅长生成逼真图像和精确遵循文本指令。Aurora 已在 X 平台的部分国家上线，并将在一周内向所有用户开放。xAI 还推出了 Grok Imagine API，提供视频生成、编辑和图像创建功能。

xAI 免费开放 Grok-2 并推出新功能与 API 更新

xAI 宣布将改进后的 Grok-2 模型免费开放给所有 𝕏 平台用户，新模型速度提升三倍，并增强了准确性、指令遵循和多语言能力。同时，xAI 推出了 Grok 按钮、Aurora 图像生成模型等新功能，并更新了企业 API，新增 grok-2-1212 和 grok-2-vision-1212 模型，降低了 API 价格。

Together AI 成为 MiniMax M3 首选云伙伴，实现高效推理优化

Together AI 宣布成为 MiniMax M3 的首选云合作伙伴，将在其公开发布后托管该开放权重模型。Together AI 的推理和内核团队通过多项优化，如 KV-Block-Major 稀疏注意力内核、MSA 的分页注意力集成等，实现了 81-125% 的吞吐量提升。MiniMax M3 支持 1M 上下文窗口和原生多模态，其稀疏注意力机制显著加

xAI 发布 Imagine Video 1.5 更新，支持图像语音参考和1080p

xAI 发布了 Imagine Video 1.5 的更新版本，新增了图像和语音参考功能，支持文本、图像和语音生成视频，并原生支持 1080p 分辨率。该功能在美国率先面向 SuperGrok Heavy 和 SuperGrok Plus 用户推出，随后将向所有用户开放。同时，xAI API 也已支持图像参考、文本转视频和原生 1080p，语音参考需申请。

Hugging Face 博客新文章：Kimi K3 等模型发布与技术教程

Hugging Face 博客发布了多篇新文章，涵盖模型发布、技术教程和行业观点。其中重点介绍了 Kimi K3 模型，该模型拥有 2.8T 参数，采用 MXFP4 量化，并开放权重，对社区具有重要意义。其他文章涉及多语言检索模型、设备端视觉语言模型、物理 AI 模拟、FLUX 3 多模态模型、AI 预测模型开源、KV 缓存优化、RAG 幻觉预防等。

Thinking Machines 发布开源多模态模型 Inkling 及小型版

Thinking Machines Lab 发布了开源多模态模型 Inkling 及其小型版本 Inkling-Small。Inkling 拥有约 1 万亿参数，支持文本、图像和音频输入，具备 1M 上下文窗口和智能体能力，并已在 Hugging Face 上提供，支持 transformers、SGLang、vLLM 和 llama.cpp 等推理引擎。该

另有 1 家信源报道

OpenAI发布GPT-5.6系列及多项API更新

OpenAI 在2026年7月发布GPT-5.6模型系列，包括Sol、Terra和Luna，并大幅降低Luna和Terra的价格。同时推出API快速模式、官方Terraform提供商、GPT Transcribe和GPT Live Transcribe转录模型，以及组织级硬性支出限制。此外，还发布了GPT-Realtime-2.1及mini版本，改进实时推理

智谱AI发布多款新模型及产品更新

智谱AI发布了一系列新模型和产品，包括旗舰模型GLM-5.3、GLM-5.2、GLM-5.1、GLM-5、GLM-4.7等，以及多模态模型GLM-5.3-Flash、GLM-5V-Turbo、GLM-OCR等。这些模型在编程、长上下文、多模态理解等方面有显著提升，并推出了GLM Coding Plan团队版和AutoGLM-Phone框架。此外，还发布了语音

Meta 发布 Muse Image 并预览 Muse Video，具备智能体式图像生成能力

Meta 超级智能实验室发布了 Muse Image 并预览了 Muse Video，这是其首批媒体生成模型。Muse Image 具备智能体能力，能使用搜索和编码工具、自我优化，并支持多参考图像合成，已在 Meta AI 应用、meta.ai 等平台上线。Muse Video 提供高保真视频生成和原生音频支持，即将面向创作者推出。模型在 Arena 基准上

Meta 发布 Muse Spark 1.1 多模态智能体模型及 API 预览

Meta 推出 Muse Spark 1.1 多模态推理模型，显著提升智能体任务、工具使用、编码和多模态理解能力，并首次通过 Meta Model API 公开预览提供。该模型支持百万 token 上下文，可编排多智能体系统，在计算机使用和编码方面表现优异，同时通过安全评估。

Tether AI 发布 VisionPsy-Nano：边缘设备上的先进视觉语言模型

Tether AI Research 发布了 VisionPsy-Nano 系列紧凑型视觉语言模型（约 460M 参数），专为边缘设备设计，包含质量优先的 460M 和延迟优化的 460M-Flash 两个版本。该系列在 17 项基准测试中的 16 项上优于同类 0.5B 模型，并在推理、视觉感知等能力上超越更大模型。模型以 Apache 2.0 协议开源，

谷歌发布 Gemini Robotics ER 2 具身推理模型，支持多机器人协作

Google DeepMind 发布 Gemini Robotics ER 2，这是其最强大的具身推理模型，旨在作为机器人的高级大脑，支持视频理解、任务编排和多机器人协作。该模型通过 Gemini API 和 Google AI Studio 向开发者公开，并已在 Gemini Enterprise Agent Platform 提供私有预览。Gemini

Agno v2.8.6 发布：新增 TTS 工具、OpenSearch 支持及性能优化

Agno 发布了 v2.8.6 版本，新增了 Smallest AI 文本转语音工具包、AgentOS 的指标刷新状态查询接口，以及 OpenSearch 向量数据库支持。同时优化了工具包装性能，修复了指标刷新阻塞和编码问题。

Gemini 发布机器人 ER 2 预览模型，旧版将于 8 月关闭

Gemini API 于 2026 年 7 月 30 日发布了两款新的具身推理模型端点：gemini-robotics-er-2-preview 和 gemini-robotics-er-2-streaming-preview，分别支持高级空间推理、智能体代码执行、多步工具编排、视频时刻查找、进度分类、多机器人协调，以及通过 Live API 实现低延迟实时