AWS 推出基于 Bedrock AgentCore 的多模态 WhatsApp 订餐助手部署方案
AWS 发布了一篇技术博客，介绍如何使用 Amazon Bedrock AgentCore 和 Amazon Nova 2 部署一个多模态 WhatsApp 订餐助手。该助手支持文本、语音笔记和语音通话三种渠道，共享后端和跨渠道记忆，可识别同一客户。系统架构包括 API Gateway、Lambda、SQS、DynamoDB 等 AWS 服务，并通过 MCP
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 1350 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5日周六 · 3 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
llama.cpp v0.4.0 发布：新增多模型支持与稀疏注意力
llama.cpp 发布 v0.4.0 版本，新增对 Qwen3.8-Flash-Next、Nemotron-3-Puzzle 等模型的支持，并引入按需张量读取、服务器每槽上下文限制和视频输入选项。核心更新包括 ggml 0.23.0 的稀疏闪存注意力与 RDMA 支持，以及多项多模态和服务器功能改进。
正文结构化主题已通过公开置信门槛
AWS 与 NVIDIA 合作：在 SageMaker HyperPod 上构建物理 AI 模型工厂
AWS 博客介绍了如何利用 NVIDIA Cosmos 3 在 SageMaker HyperPod 上构建物理 AI 模型工厂。Cosmos 3 采用混合 Transformer 架构，统一处理视频、图像、动作和声音，支持前向动力学、逆动力学和动作策略三种模式。该设计使数据生成、后训练和评估可在同一 GPU 集群上运行，提高资源利用率。文章提供了端到端示例
9月4日周五 · 11 条
正文结构化主题已通过公开置信门槛
Primitive AI 发布 Qwen3.8-Flash-Next NVFP4 量化版，单 GPU 可运行
Primitive AI 发布了 Qwen3.8-Flash-Next 的 NVFP4 量化版本，使 180B 参数的模型能在单张 96GB Blackwell GPU 上运行。该量化模型在 9 项基准测试中平均得分 92.2，支持 MTP 投机解码，并提供了详细的部署方案，包括 CPU 卸载和 NVMe 映射选项。
正文结构化主题已通过公开置信门槛
字节跳动发布Seedance 2.0视频生成模型，支持多模态输入与复杂场景生成
字节跳动旗下Seed研究团队发布了新一代视频生成模型Seedance 2.0，采用统一的多模态音视频联合生成架构，支持文本、图像、音频和视频四种输入模态，并具备多模态参考和编辑能力。相比1.5版本，该模型在复杂交互和运动场景的生成可用性、物理准确性、视觉真实感和可控性方面有显著提升，支持15秒多镜头音视频输出和双声道音频。官方称其在多主体交互和复杂运动场景中
正文结构化主题已通过公开置信门槛
AI生成菜单为何千篇一律且令人不适？
TechCrunch报道称，AI生成的餐厅菜单因训练数据狭窄且追求“讨喜”美学，导致食物图像呈现诡异完美、同质化的外观，引发顾客不适。专家指出，这源于模型对快餐连锁菜单风格的模仿和反复编辑导致的“收敛”现象，虽非模型崩溃，但会降低输出质量。研究显示，AI食物图像引发“恐怖谷”效应，加剧了公众反感，并引发对AI内容真实性及证据可信度的担忧。
正文结构化主题已通过公开置信门槛
TopKSigLIP：可微子采样解决乳腺X线摄影VLM的“大海捞针”问题
本文提出TopKSigLIP，一种用于乳腺X线摄影的视觉-语言模型，通过TopK-Patch模块学习采样高分辨率补丁以解决高分辨率与稀疏病灶问题，并采用Sup-sigmoid损失替代对比损失以应对报告同质性。该模型在零样本评估中优于现有开源乳腺和通用医学VLM，在密度评估、BI-RADS分类、发现亚型和癌症预测等任务上表现更佳，且TopK-Patch模块的病
正文结构化主题已通过公开置信门槛
立场论文：无标签不等于无人类监督的视觉学习
这篇立场论文认为，视觉学习中无标签并不等于无人类监督，因为数据整理方案和训练目标中嵌入了大量人类先验。作者指出，当前“无监督”术语过于笼统，掩盖了不同方法间的差异，并观察到自2021年以来CV顶会中标题含“无监督”的论文数量下降。他们呼吁社区明确披露数据选择和训练目标中的先验，以改进学术交流、确保公平比较并保留方法论多样性。
正文结构化主题已通过公开置信门槛
字节跳动发布Seed2.0系列模型，强化多模态与复杂推理能力
字节跳动旗下 Seed 研究团队正式发布 Seed2.0 系列模型，针对大规模生产部署和多模态理解进行了系统优化，提升了视觉感知、复杂指令执行和推理能力，并提供 Pro、Lite、Mini 及代码模型等多种规格。Seed2.0 在多项公开基准上取得领先成绩，其 Pro 和代码模型已在豆包和 TRAE 上线，API 已通过火山引擎开放。
正文结构化主题已通过公开置信门槛
字节发布Seedream 5.0 Lite：更智能的图像生成与实时搜索
字节跳动旗下Seed团队发布Seedream 5.0 Lite图像生成模型，相比4.0版本在理解、推理和生成能力上全面提升，并引入实时搜索增强功能。该模型采用统一多模态架构，能更好地理解用户意图和世界知识，适用于信息可视化、视觉推理等场景。目前已在Dreamina AI和火山方舟体验中心上线。
正文结构化主题已通过公开置信门槛
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。
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 · 6 条
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。