多模态

Blackfrost 发布 Muse Glimmer 30B 去拒绝 GGUF 量化版

Blackfrost-AI 发布了 Muse-Glimmer-30B-Abliterated-GGUF，这是基于 Meta 的 Muse Glimmer 30B 模型去除拒绝行为后的 GGUF 量化版本，支持本地运行。该模型提供从 Q2 K 到 Q8 0 的完整量化阶梯，并包含视觉投影器和 DFlash 投机解码器，在 RTX PRO 6000 上可实现约

OpenAI Python SDK v3.1.0 发布：新增 WebSocket 功能并弃用 Sora API

OpenAI 发布了 Python SDK v3.1.0，新增 WebSocket 流 ID、工作负载身份访问令牌事件，并弃用 Sora 视频 API。该版本还引入了 Ultrafast 层级、结构化 MCP 和 WebSocket 错误处理，并移除了 Stainless 归属和基础设施。

阿里Qwen发布Qwen3.8开源模型，性能超越更大版本

阿里巴巴的Qwen团队发布了Qwen3.8系列模型，包括核心的Qwen3.8-27B多模态稠密模型和更大的Qwen3.8-2.4T-A95B模型，权重以Apache 2.0许可证开源。Qwen3.8-27B在编码和办公任务上优于更大的Qwen3.7-Plus，并增强了智能体能力，原生支持262K上下文，可通过YaRN扩展到100万，支持图像和视频处理。模型已

谷歌允许关闭Gemini可见水印，但保留隐形标识

谷歌宣布允许用户关闭Gemini和Flow中AI生成内容的可见水印，但会继续嵌入不可见的SynthID和C2PA水印。该设置将逐步推广至Search，但在要求可见水印的国家不会启用。此举与OpenAI、Meta等公司的做法一致，旨在平衡内容透明与用户体验。

谷歌允许用户移除AI生成内容的可见水印

谷歌宣布允许用户从其AI生成内容（包括图像、视频和歌曲）中移除可见水印，但不可见的SynthID水印和C2PA元数据仍将保留以确保透明度。该功能将在Gemini和视频编辑器Flow中提供，并即将支持Search。谷歌还开源了新库Credentio，使开发者能够在应用中嵌入本地验证机制。此举旨在平衡创意控制与安全，并紧随Anthropic为遵守欧盟法规而添加水

另有 1 家信源报道

Qwen3.8-27B开源：家用显卡可跑，Apache 2.0免费商用

阿里巴巴正式开源Qwen3.8-27B模型，该模型为原生多模态稠密模型，支持262K原生上下文，可通过YaRN技术扩展至1M tokens，在编程和办公场景性能大幅提升，并新增reasoning effort功能。模型以Apache 2.0协议开放权重，所有人可免费下载、部署和商用。目前千问已累计开源460余个模型，全球下载量超30亿次。

另有 1 家信源报道

阿里开源Qwen3.8系列，千问模型全球下载超30亿次

阿里千问于8月14日晚正式开源Qwen3.8系列模型，其中Qwen3.8-27B为原生多模态稠密模型，仅270亿参数，性能超越Qwen3.7-Plus，在编程和办公场景表现出色，支持消费级显卡量化部署，采用Apache2.0协议。此前旗舰模型Qwen3.8-Max也已开源权重。阿里累计开源460余个模型，Qwen全球下载量超30亿次，衍生模型超30万个，稳居

余家辉离职Meta创业，曾传1亿美元年薪

余家辉于2026年8月14日宣布离开Meta，结束在Meta超级智能实验室（MSL）TBD Lab一年多的工作。他带领多模态团队推出了Muse Spark、Voice Mode、Muse Image和Muse Video等模型，但未透露新公司细节。其离职引发对Meta人才流失的关注，alphaXiv统计显示已有929名研究者离开Meta。

Unsloth 发布 MiniMax-H3 的 GGUF 量化版，支持本地视频生成

Unsloth 发布了 MiniMax-H3 的 GGUF 量化版本，支持本地运行，兼容 stablediffusion.cpp 和 Unsloth 平台。该模型能生成带原生立体声音频的视频，最长 15 秒、24 FPS、32 kHz 音频。提供两种去噪器变体（fl2va 和 ref2va）及多种量化等级，并附有使用示例和许可证说明。

AutoPrune：利用 LLM 自动设计视觉令牌剪枝策略的 AI4AI 框架

AutoPrune 是一个由 Hugging Face 论文提出的 AI4AI 框架，利用大型语言模型自动设计视觉令牌剪枝策略，通过领域特定语言和残差搜索公式实现高效剪枝。实验表明，在移除 94.4% 视觉令牌时，AutoPrune 保留了超过 99% 的全令牌性能，同时将 FLOPs 减少 9.9 倍，预填充延迟降低 6.4 倍。该框架在 14 个多模态基

Vercel AI SDK 更新：支持 Grok Imagine Video 1.5 及参考音频

Vercel AI SDK 的 xAI 提供商更新至 v3.0.121，新增对 Grok Imagine Video 1.5 模型的支持，包括原生 1080p 分辨率（文本/图像转视频）和参考音频功能。修复了参考路由问题，并支持通过预设语音 ID 在提示中引用音频。

UniSwap：用于说话视频的流式音视频身份替换框架

UniSwap是一个用于说话视频中流式音视频身份替换的框架，通过统一的流式音视频扩散Transformer实现外观和声音的同步替换。它采用交换-重建流程解决训练数据稀缺问题，并结合上下文预训练、条件流式适应和高效自强制DMD等技术，将采样步骤从30步减少到3步。实验表明，UniSwap在音视频同步、身份保持、流式效率和长时生成稳定性方面表现出色。

HIMEC：方向变化表示与固定接口解码用于遥感图像变化描述

HIMEC 框架结合方向变化表示（DCR）与固定接口解码，用于遥感图像变化描述（RSICC）。DCR 将符号差异分离为出现、消失和共享上下文流，并通过学习查询编码器生成视觉条件变化查询令牌。在 LEVIR-CC 和 SECOND-CC 基准上，HIMEC 相比直接融合特征记忆显著提升 CIDEr 分数，并诊断了级联模型中的训练-推理不一致问题。源代码将在发表

MLLM生成网页的跨环境兼容性研究

本研究首次系统性地评估了多模态大语言模型（MLLM）生成网页的跨环境兼容性。研究者构建了包含2032个标注实例的WebCompat数据集，涵盖8种AI工具生成的网页在9种浏览器和设备组合下的渲染情况。研究发现68%的生成网页存在至少一个兼容性问题，主要症状为页面级布局失败（88.3%），根因包括缺失viewport meta标签（46%）和缺乏弹性布局（29

StrAD：长视频音频描述生成的流式方法与基准

StrAD 论文提出了一种用于长视频音频描述生成的新基准和流式方法，将任务重新定义为流式密集视频描述，无需真实时间戳即可在滑动窗口内生成 AD。其微调模型 StrAD-FT 在 CMD-AD 上达到 SOTA（CIDEr 36.3），在 StrAD 基准上为 51.0，但流式任务中时间定位和叙事连贯性仍有局限。这是首个流式全视频 AD 生成方法，有助于推动可

AutoDesign：长时程代理设计的元优化框架

AutoDesign 是一个利用元优化器递归改进代码代理的框架，用于长时程代理设计，在学术论文到海报生成任务上取得最新成果。在 PosterBench 主赛道中，AutoDesign 得分 78.32，超过商业系统 Claude Design 7.45 分。在完全自主的长时程循环中，它能在 40 分钟内执行 253 次工具调用和 11 次编辑，成本低于 3

英特尔实现Muse Glimmer在Intel平台上的Day-0支持

英特尔宣布其Muse Glimmer模型在Intel GPU和Xeon CPU上通过上游vLLM和Hugging Face Transformers实现Day-0支持，覆盖从工作站到云实例的广泛硬件。该支持得益于英特尔的“Upstream First”承诺、对开源社区的持续贡献以及与Meta的紧密合作。用户可通过vLLM的HTTP服务器（兼容OpenAI A

GazeAnywhere：基于概念提示的任意场景凝视目标估计

研究人员提出了一种新的可提示凝视目标估计（PGE）任务，通过文本或视觉提示识别主体并预测凝视目标，无需多阶段流水线。他们开发了Gaze-Co数据集（包含12万张带提示标注的图像对）和GazeAnywhere模型，该模型使用基于Transformer的检测器融合冻结编码器特征，同时解决主体定位、帧内/外存在性和凝视目标热图估计。GazeAnywhere在多个P

Suno Studio 2.0 推出聊天式 DAW 功能，支持自然语言创作与无限制导出

Suno 推出 Studio 2.0，为 Premier 订阅用户提供基于聊天的 DAW 功能，用户可通过自然语言创建乐器、人声和自定义插件，并支持 MIDI 导入、录音、编辑、分轨分离、自动化曲线以及 32-bit/48 kHz 的无限制多轨导出。该更新与公司近期限制下载的政策相矛盾，可能意在吸引专业用户。此外，Suno 因使用受版权保护材料训练模型而面临

bartowski 发布 Muse-Glimmer-30B 多模态模型 GGUF 量化版

bartowski 发布了 Muse-Glimmer-30B 模型的 GGUF 量化版本，该模型由 meta-models 开发，支持文本和图像输入，并具备 MTP 和 imatrix 功能。量化版本使用 llama.cpp 生成，提供从 bf16 到 IQ3 XXS 的多种量化格式，以适应不同硬件和性能需求。推荐用户选择 Q4 K M 版本作为性能与大小的