GPT Image 2.5泄露：可伪造GPT-6发布会，改进噪点问题
新版GPT Image 2.5生图模型已泄露，能伪造GPT-6发布会和奥特曼推文，文字和图像细节逼真。该模型改进了GPT Image 2的噪点问题，生成速度快，照片更真实，人脸和文字不易变形。目前尚未正式发布，但已在ChatGPT中弹出提示，并在LMArena竞技场以匿名模型出现。
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 775 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。
9月4日周五 · 4 条
正文结构化主题已通过公开置信门槛
正文结构化主题已通过公开置信门槛
Qwen3.8-27B GPTQ W4A16 量化版发布：支持 vLLM 与视觉
pearsonkyle 发布了 Qwen3.8-27B 的 GPTQ W4A16 量化版本，基于 Qwen/Qwen3.8-27B，使用 32K 上下文校准，支持 vLLM 直接服务。该模型将 90.5% 参数量化为 int4，但嵌入和输出头保持 bf16，文件大小 18.1 GiB。模型内置 MTP 草稿头实现 1.71 倍解码加速，并保留视觉塔支持图像输
正文结构化主题已通过公开置信门槛
NVIDIA IFA 2026加速本地AI：RTX Spark与多模型更新
在IFA 2026上，NVIDIA联合微软及合作伙伴宣布加速本地AI推理，推出RTX Spark迷你PC，并简化Hermes Agent、OpenClaw和Perplexity Portable Computer等应用的本地模型设置。同时发布了多项模型更新，包括Nemotron 3.5 Lightning、GLM-5.3-Flash、Qwen3.8系列等，并
正文结构化主题已通过公开置信门槛
Google 推出 Gmail、Docs 和 Keep 的 AI 语音对话功能
Google 正在为 Gmail、Docs 和 Keep 推出 AI 语音助手模式，分别称为 Gmail Live、Docs Live 和 Keep Live，允许用户通过对话管理应用。这些功能支持免提获取信息、总结和转录，例如 Gmail Live 可从收件箱提取细节，Docs Live 可将想法格式化为结构化文档，Keep Live 可自然转录笔记。该功
9月3日周四 · 16 条
正文结构化主题已通过公开置信门槛
LFM2.5 模型家族发布，支持 React Native ExecuTorch
Hugging Face 上发布了 LFM2.5 模型家族，专为 React Native ExecuTorch 库设计，提供量化后的 .pte 格式文件，可直接在 ExecuTorch 运行时使用。该模型基于 LiquidAI 的 LFM2.5-VL-1.6B，支持图像与文本输入。用户需确保运行时与导出 .pte 文件所用的 ExecuTorch 版本兼容
正文结构化主题已通过公开置信门槛
清华与NVIDIA新研究：VLM大模型当具身教练，Gemini领跑，VLM-AR3L降本增效
国立清华大学与NVIDIA联合研究将Gemini 2.0、GPT-4.1等主流VLM大模型置于《我的世界》等具身任务中评估其视觉裁决能力，发现Gemini综合表现最佳，开源小模型在特定任务中反超。针对直接调用大模型的高成本和绝对打分缺陷，团队提出VLM-AR3L框架，通过双奖励融合与离线蒸馏将API查询降低约20倍，并在复杂任务中超越人类手写奖励。该研究为大
正文结构化主题已通过公开置信门槛
打破黑盒：SpatialSV 用 3D 几何监督提升大模型空间智能
中山大学团队提出 SpatialSV 方法，通过在多模态大模型隐藏层引入显式 3D 几何监督（深度图、射线图、点云图），提升空间智能，并利用开源 3D 模型自动生成监督信号，减少 50% 人工文本标注。实验表明该方法能可视化模型内部表征，诊断空间推理缺陷，并在半监督条件下接近全量标注性能，为具身智能训练提供低成本路径。
正文结构化主题已通过公开置信门槛
Puffin-World：原生3D世界状态驱动的统一多模态模型
Hugging Face 博客介绍了 Puffin-World，一个统一的多模态世界模型，通过原生表示物理（重力场和纬度）、几何（深度）和外观（RGB）状态，实现相机到世界的理解、可控文本到图像生成、3D 世界生成和重建。该模型采用 Omni-Camera 表示，结合绝对和相对相机信息，并利用 Puffin-16M 数据集进行扩展，旨在推动多模态模型从 2D
正文结构化主题已通过公开置信门槛
美团智播数字人直播技术突破：从高保真形象到万路并发
美团技术团队在2026年中国互联网大会上展示了美团智播数字人直播解决方案，该方案融合大模型、数字人与多模态交互技术，实现高保真形象生成、自然动作驱动、语音手势协调及高效推理部署，使数字人直播月日均GTV同比增长82.12%，开播场次提升11倍。团队自研的SDIP、SREdit、MoTiGA、StreamingTalk及Glance2Gaze等技术分别被ACM
正文结构化主题已通过公开置信门槛
Cohere 发布 Parse 5 多模态模型，提升复杂文档信息提取效率
Cohere 于 2026 年 8 月 27 日发布了 Parse 5，一个 23 亿参数的多模态视觉语言模型，旨在从复杂企业文档（如 PDF）中提取结构化数据并转换为 Markdown，同时提供边界框坐标用于视觉定位。该模型基于开源的 North-Micro-Vision-Instruct 架构，在 ParseBench 基准上平均得分 79.2，优于 M
正文结构化主题已通过公开置信门槛
Skim and Skip：高效多模态检索的分层自适应推理框架
清华大学、微软和上海交通大学的研究者提出了 Skim and Skip (SAS) 框架，用于提升多模态检索的效率。该框架通过基于 [EOS] 的 token 级信息选择和自适应深度推理，在 12 个 MMEB 检索任务上保留了约 99% 的密集基线性能，同时实现了最高 1.64 倍的端到端加速和 66.3% 的 FLOPs 减少。
正文结构化主题已通过公开置信门槛
MemeCULT-1K：评估多模态模型的南亚文化语境与幽默理解
研究人员推出MemeCULT-1K基准，包含1000个南亚多语言梗图（孟加拉语、英语、印地语），并附带文化背景注释和人工解释。评估13个视觉语言模型发现，提供文化上下文能显著提升解释质量，平均SBERT相似度从44.6升至56.4。错误分析显示闭源模型主要失败于实体和指代识别，开源模型受限于文化知识缺口，语言和音韵错误最难通过上下文修正。数据集和代码已公开。
正文结构化主题已通过公开置信门槛
Cue2Narrate：重新思考电影音频描述生成
该研究提出Cue2Narrate，一种两阶段音频描述生成管道，用于长电影片段，同时预测视觉线索窗口和语音叙述窗口。作者引入LongLSMDC基准，包含长达8分钟的电影片段，并证明Cue2Narrate在定位和生成性能上优于基线。
正文结构化主题已通过公开置信门槛
FairLens：评估视觉语言模型在高风险决策中的公平性
arXiv 论文提出 FairLens，一个用于评估视觉语言模型在高风险决策（招聘、法律、医疗）中公平性和有效性的基准框架。该框架结合真实人脸图像与封闭/开放问题，从四个视角评估八个 VLM，发现主要失败模式是无根据推断而非不平等对待，且法律和医疗领域问题最严重。研究强调仅靠差异指标不足，需结合合理性评估，并指出自由文本偏见与多项选择准确性关联松散。
正文结构化主题已通过公开置信门槛
llama.cpp b10775 发布：修复 idefics3 预处理
llama.cpp 发布 b10775 版本，主要修复了 idefics3 预处理问题（PR #28273）。该版本提供了适用于 macOS、Linux、Windows、Android 等平台的多种预编译二进制文件，支持 CPU、Vulkan、CUDA、ROCm、OpenVINO、SYCL 等后端。
正文结构化主题已通过公开置信门槛
llama.cpp b10773 发布：服务器支持视频音频 data URL
llama.cpp 发布 b10773 版本，主要更新是服务器端支持 input video 和 input audio 的 data: URL，与 image url 保持一致，并允许视频/音频 MIME 类型。同时简化了 handle media 函数，移除了未使用的 accept base64 uri 标志，并增加了对无效 data URI MIME
正文结构化主题已通过公开置信门槛
Google 发布 Lyria 3.5 音乐生成模型正式版
Google 在 Gemini API 中正式发布下一代音乐生成模型 Lyria 3.5（lyria-3.5），进入 GA 阶段。该模型支持生成长度完整的歌曲，在音乐连贯性、自然人声以及时长与结构控制方面有所提升，并支持文本和图像输入，输出 44.1 kHz 高保真立体声音频。
正文结构化主题已通过公开置信门槛
AWS 在澳大利亚推出 Bedrock 上的 OpenAI GPT-5.6 跨区域推理
AWS 宣布澳大利亚的悉尼和墨尔本区域现可通过 Amazon Bedrock 的全球跨区域推理访问 OpenAI GPT-5.6 系列模型（Sol、Terra、Luna）。这些模型支持文本和图像输入、100 万 token 上下文，并可通过 Responses API、Chat Completions API 和 Converse API 调用。文章还介绍了
正文结构化主题已通过公开置信门槛
llama.cpp b10766 发布：修复 DeepSeek4 视觉输入支持
llama.cpp 发布 b10766 版本，主要修复了 deepseek4 模型的视觉输入支持问题。该版本提供了适用于 macOS、Linux、Windows、Android 等多个平台的预编译二进制文件。
正文结构化主题已通过公开置信门槛
llama.cpp b10762 发布，支持 DeepSeek-V4-Flash-Vision-Exp
llama.cpp 发布 b10762 版本，主要更新是支持 DeepSeek-V4-Flash-Vision-Exp 模型，包括处理最小/最大 token 数、使用 GGML ROPE TYPE VISION 等。该版本提供了多平台预编译二进制文件，涵盖 macOS、Linux、Windows、Android 等。