多模态

技术方向 · 文本之外的能力：视觉理解、图文混合、音视频输入输出的模型与产品 · 共 1351 条

只展示置信度达到公开门槛且每篇排名前三的主题标签，降低泛化误贴。

8月30日周日 · 1 条

10:55

正文结构化主题已通过公开置信门槛

Hugging Face New and Trending Models一手来源模型发布

Surge 发布 AriannaV4：基于 Gemma 4 的多模态本地助手

Surge 发布了 AriannaV4，一个基于 google/gemma-4-12B 与 Aria v4 权重合并的多模态本地助手模型。该模型采用核心权重加侧车架构，支持文本、推理、视觉、音频和视频理解，并提供 GGUF 量化版本供 llama.cpp、Ollama 和 LM Studio 使用。模型遵循 CC-BY-NC-SA 4.0 许可证。

8月29日周六 · 4 条

18:43

正文结构化主题已通过公开置信门槛

Hugging Face New and Trending Models一手来源模型发布

Unsloth 发布 GLM-5.3-Flash GGUF 量化版

Unsloth 发布了 GLM-5.3-Flash 的 GGUF 量化版本，支持通过 llama.cpp 或 Unsloth Desktop 运行。GLM-5.3-Flash 是 GLM-5 系列首个原生多模态模型，总参数 320B，激活参数 18B，采用混合架构和 mHC 技术，性能超越 GLM-5.2 且成本更低。

17:36

正文结构化主题已通过公开置信门槛

THE DECODER开源

LAION发布千万小时开放视频数据集BVD，助力AI研究

LAION发布了大型开放视频数据集Big Video Dataset（BVD），包含1000万小时视频，源自CommonCrawl中的13亿个视频URL，下载了8000万个视频并提取了5500万个片段及3亿张静态图像。基于BVD训练的模型在视频到文本基准测试中比InternVid训练的模型性能提升高达2.1个百分点。该数据集仅用于研究，LAION依据2024

当日发布

正文结构化主题已通过公开置信门槛

arXiv cs.CV一手来源研究

模态成熟度指数：评估全模态模型多模态能力的基准

arXiv 论文提出 Modality Maturity Index (MMI) 基准，用于评估全模态模型在文本、图像、音频、视频和文档五种模态及其组合上的输入输出能力。MMI 包含 893 个问题，并引入 Modality Presence Score (MPS) 衡量模态生成能力。测试五个前沿模型发现 MPS 仅 15.6 至 34.9，表明现有模型多模

当日发布

正文结构化主题已通过公开置信门槛

arXiv cs.CV一手来源研究

手术视频生成综述：从扩散模型到世界模型

这篇综述论文系统梳理了2024至2026年间手术视频生成领域的研究进展，将其分为无条件生成、条件生成和世界模型生成三类范式，揭示了从合成视觉上合理的帧到建模手术场景因果动态的任务定义转变。论文指出像素级保真度与临床合理性之间存在持续差距，并将泛化能力、物理真实性、可控性和可解释性视为主要瓶颈。该综述为智能感知、多模态融合、生成式AI和手术数据科学交叉领域的研

8月28日周五 · 10 条

15:25

正文结构化主题已通过公开置信门槛

雷峰网 AI科技评论观点

Sora 为何输给 Codex：算力调度与工作负载架构的差异

OpenAI CEO 奥特曼在播客中表示，Sora 因算力消耗巨大而优先级低于 Codex，资源向后者倾斜。文章分析认为，Sora 的算力集中在连续的视频生成路径中，难以复用，而 Codex 的 Agent 工作流可将算力碎片化，通过缓存、批处理和调度优化提高 GPU 利用率。这种架构差异导致两者扩张速度不同。

15:12

正文结构化主题已通过公开置信门槛

Latent Space产品发布

OpenAI预计2026年底实现AGI，多款AI产品发布

OpenAI首席科学家Jakub Pachocki表示，未发布的Astra模型已达到其2026年9月设定的“自动化AI研究实习生”目标，而Sama在《时代》采访中估计OpenAI将在2026年12月内部宣布实现AGI。此外，Hugging Face与Pollen Robotics联合推出399美元的开源双足机器人Microduck，支持模拟训练和强化学习定制

14:22

正文结构化主题已通过公开置信门槛

量子位商业

2026奇点智能技术大会北京站官宣，Transformer联合作者领衔

2026奇点智能技术大会北京站将于11月20-21日举行，由奇点智能研究院与CSDN联合主办。大会汇聚70余位技术专家，围绕18个前沿主题，涵盖大模型、AI原生软件研发、C++及系统软件等方向。OpenAI资深研究科学家、Transformer联合作者Łukasz Kaiser已确认发表主题演讲。

当日发布

正文结构化主题已通过公开置信门槛

arXiv cs.IR一手来源研究

PrismRec：基于频谱分解的偏好流匹配微视频推荐框架

国防科技大学、新加坡国立大学和郑州大学的研究者提出 PrismRec 框架，用于微视频推荐。该框架通过频谱语义分解（SSF）将视频帧分解为静态语义和动态因子，并利用上下文校准偏好匹配（CPM）将用户敏感度作为条件注入生成过程。在四个数据集上的实验表明，PrismRec 相比最先进基线最高提升 22.65%，且推理成本和峰值内存最低。