多模态

Qwen3.8-27B NVFP4 MTP GGUF 发布：八种精度文件支持视觉与投机解码

esatapedico 发布了 Qwen3.8-27B-NVFP4-MTP-GGUF，包含八个 GGUF 文件，针对 Blackwell 硬件优化，保留了 NVFP4 密度并内置 MTP 投机解码头。该模型是原生视觉语言模型，支持图像和视频，原生上下文长度 262,144。不同文件在精度和大小上有所区分，以适应不同显存需求。

闪极发布AI眼镜loomos L1：40克重，续航40小时，2699元起

闪极于8月18日发布新款AI眼镜loomos L1，重约40克，综合续航40小时，支持主动AI记忆和AI日记，可接入飞书、腾讯WorkBuddy等Agent生态，售价2699元起。该产品历时两年研发，投入超1亿元，旨在解决上代产品的交付问题，但能否成功仍待市场检验。

使用 Amazon Bedrock 实现向量提示文档分类

AWS 博客介绍了一种基于 Amazon Bedrock 的多智能体文档分类方案，用于保险行业对政策、宣誓书等文档进行准确分类。该方案使用 Strands Agents SDK 编排三个智能体：文档分析智能体（基于 Claude Haiku 4.5）、向量相似性搜索智能体（基于 Titan Multimodal Embeddings 和 FAISS）以及验证

奕境X9开启预售，华为乾崑全栈赋能第二代家庭旗舰

东风与华为乾崑合作的新能源汽车品牌奕境，于2026年8月18日发布首款车型奕境X9，预售价29.98万元起。该车搭载华为乾崑全栈六大智能解决方案，包括ADS 5智驾、鸿蒙座舱HarmonySpace 6等，主打家庭出行安全与智能体验。华为高管靳玉志表示，乾崑智驾辅助驾驶安全里程达950万公里，累计突破140亿公里。

Current Robotics发布世界仿真器CurrentWorld-0

Current Robotics团队发布了交互式世界仿真器CurrentWorld-0，首次将跨本体、多视角和力-触觉预测集成于同一系统，用于机器人评测。该仿真器确保机器人动作与环境响应一致，支持多视角同步生成和力触觉反馈，并允许人类遥操作接管。团队创始人祝毅晨曾任职美的集团，其工作被Physical Intelligence的π0引用。

阿里发布AI音乐模型HappyShrimp，实现端到端整曲生成

阿里巴巴于8月17日发布AI音乐模型HappyShrimp，该模型能通过自然语言描述完成作词、作曲、编曲到演唱的完整创作，采用端到端整曲生成技术。上线首日与太合音乐集团达成战略合作，并同步上线PC网页端。

苹果带摄像头AirPods泄露视频曝光，支持视觉智能

苹果带摄像头的AirPods在macOS Tahoe 26.7 Release Candidate的泄露视频中首次亮相，视频展示了用户通过视觉智能识别书籍封面。该产品旨在为Siri提供低分辨率视觉信息，支持导航和问答功能，预计与改进版Siri及新一代iPhone在9月一同发布。

另有 1 家信源报道

MAPLE：多角度全文科学论文检索基准

研究人员提出了MAPLE基准，用于评估检索器能否从多个方面（如动机、方法和实验结果）一致地检索同一篇科学论文。MAPLE包含2095个查询，涉及210篇近期机器学习和NLP论文，并提出了MAPLE-Synth流水线来生成逼真的查询。实验表明，最强模型在AnyAspect@20上达到98.1%，但在AllAspect@20上仅为15.7%，揭示了多角度检索的显

未写下的基准：多模态机器学习在抽象感知推理中的新挑战

本文提出了一个名为“The Unwritten Benchmark”的新基准，用于评估多模态模型在抽象感知推理中的能力。该基准要求模型仅通过笔划声音和手部运动视频来推断正在书写的单词，而无需可见的墨水痕迹。结果显示，人类参与者的有序字母准确率超过80%，而包括GPT-4o和Gemini 2.5-Pro在内的领先多模态模型准确率低于10%。此外，研究发现多模态

SELR：自解释潜在推理框架，兼顾效率与可解释性

arXiv 论文提出 SELR 框架，通过多任务训练让单一模型同时进行高效潜在空间推理并生成可读的思维链解释，解决了潜在推理的不可解释性和监督缺失问题。实验表明 SELR 在 LLM 和 VLM 上相比基线提升了 token 效率和准确性，且无需外部解码器。

MiniCPM-o 2.6 推出 int4 量化版，手机端运行多模态模型

OpenBMB 发布了 MiniCPM-o 2.6 的 int4 量化版本，该版本通过 AutoGPTQ 量化技术将 GPU 内存占用降至约 9GB，使 GPT-4o 级别的多模态大模型（支持视觉、语音、实时语音对话等）能够在手机上运行。用户需从特定分支安装 AutoGPTQ 并使用 AutoGPTQForCausalLM 加载模型。

MiniCPM-o 2.6：8B 参数端侧多模态模型发布

OpenBMB 发布了 MiniCPM-o 2.6，这是一个 8B 参数的多模态大模型，支持视觉、语音和实时多模态流式交互，在多个基准上超越 GPT-4o 等闭源模型。该模型基于 SigLip、Whisper、ChatTTS 和 Qwen2.5 构建，支持端侧部署，并已开放 ollama、int4、GGUF 等格式。

MiniCPM-V 4.5 AWQ 量化版发布，8B 参数超越 GPT-4o

OpenBMB 发布了 MiniCPM-V 4.5 的 AWQ 量化版本，该模型基于 Qwen3-8B 和 SigLIP2-400M，总参数 8B，在视觉语言任务上超越 GPT-4o-latest 和 Gemini 2.0 Pro 等专有模型。模型支持高效视频理解、可控的快速/深度思考模式，以及高分辨率 OCR 和文档解析。量化版本支持多种推理框架和本地部署

阿里云韩国第三座数据中心上线，推出Agentic AI服务

阿里云在韩国第三座数据中心正式上线，并推出Agentic AI相关服务，以满足当地AI及云计算需求。本轮扩建后，阿里云全球基础设施覆盖30个地域、104个可用区，并计划拓展至巴西。阿里云在亚太云计算市场排名第一，Qwen模型家族全球下载量超20亿次，衍生模型超30万个。韩国AI公司Gendive和Naver旗下Zepeto已采用阿里云相关服务。

VibeWorlding：多模态智能体端到端构建 3D 开放世界的统一框架

VibeWorlding 是一个用于基准测试和训练多模态智能体的统一框架，旨在从用户查询端到端构建交互式 3D 开放世界。该框架包含 VWE-BENCH 基准（含 2,616 个 3D 资产、323 个种子世界和 6,828 个查询）和 VibeWorlding-Gym 强化学习训练环境。实验表明，当前前沿多模态大模型（如 GPT-5.5 和 Qwen3.8

阿里发布AI音乐模型快乐虾米，可端到端生成完整歌曲

阿里巴巴于8月17日发布AI音乐生成模型HappyShrimp 1.0（快乐虾米），该模型支持自然语言理解，可端到端生成包含歌词、旋律、编曲和人声的完整歌曲。体验显示其能准确理解提示词并快速生成贴合主题的音乐。此举是阿里在AI内容生成领域的最新布局，同时公司正出售游戏资产，将资源向AI集中。

Google 发布 TIPSv2 SO400m/14 视觉语言模型

Google 发布了 TIPSv2 系列视觉-语言模型，其中 SO400m/14 变体拥有 4.12 亿视觉参数和 4.48 亿文本参数，通过对比学习生成空间丰富的图像特征，支持零样本分类和分割。该模型基于 ViT 架构，采用 Apache 2.0 许可，并提供了完整的代码示例和预训练权重。

Google DeepMind 发布 TIPSv2-L14 视觉语言模型

Google DeepMind 发布了 TIPSv2 系列视觉语言模型，其中 L/14 变体拥有 303M 视觉参数和 184M 文本参数，通过对比学习生成空间丰富的图像特征，支持零样本分类和分割。该模型基于 ViT 架构，采用 Apache 2.0 许可证，并提供了 Hugging Face 集成代码示例。

Google 发布 TIPSv2 B/14 DPT 多任务密集预测模型

Google 发布了 TIPSv2 B/14 DPT 模型，这是一个基于冻结的 TIPSv2 B/14 骨干网络的密集预测 Transformer 头，用于深度估计、表面法线预测和语义分割。该模型在 NYU Depth V2 和 ADE20K 数据集上训练，支持多任务推理，并已开源在 Hugging Face 上，采用 Apache 2.0 许可证。

MineExplorer评测基准揭示多模态大模型在动态世界中的能力断层

美团LongCat团队构建了MineExplorer评测基准，用于系统评估多模态大模型在开放世界中的长程任务能力。该基准包含813个人工验证的实例，通过隐藏前置条件、知识解耦和多智能体数据合成等创新设计，揭示了当前顶级模型在动态世界中感知强于推理、多跳任务成功率骤降等能力断层。评测显示最强模型Claude-Opus-4.6整体成功率仅41分，导航失败是主要错